提高非线性系统故障预测的DR-ELM模型：动态记忆与高精度应用

本文主要探讨了一种基于动态记忆反馈的改进型极限学习机(ELM)在故障预测领域的应用研究。随着工业系统日益复杂，对故障预测的实时性和准确性提出了更高的要求。传统ELM神经网络由于其简单快速的学习能力和泛化性能，常被用于此类问题，但可能在处理非线性时序数据时存在局限性。 作者提出的方法通过在ELM模型的基础上引入反馈层，这一创新设计使得网络能够动态地存储和处理隐含层的输出信息。反馈层的作用是捕捉数据变化的趋势，通过分析这些趋势特征，模型可以实时调整反馈层的输出权值，从而增强对动态系统行为的理解和预测能力。这种方法旨在提高模型的动态适应性，使其能够更精确地预测非线性系统的未来状态，并能及时发现潜在的故障模式。 在验证过程中，作者采用了人工数据Sinc函数来测试新方法的性能。结果显示，改进的DR-ELM模型在预测精度方面表现出色，能够有效地预测下一时刻的输出，这对于故障早期预警至关重要。此外，通过TE过程的实际应用，该方法进一步证明了其在实际工业环境中的有效性和可靠性。 关键词“极限学习机”(ELM)、“动态递归”(dynamic recursion)突出了该模型的核心技术特点，而“故障预测”则明确了研究的核心目标。中图分类号TP273表明了该研究属于控制与决策领域，且文献标志码A表示高质量的学术论文。这项研究为提升工业系统故障预测的性能提供了一个新颖且实用的解决方案，对于工业界优化设备维护和提高生产效率具有重要意义。