【摘要】：針對(duì)齒輪剩余使用壽命預(yù)測(cè)這一問(wèn)題進(jìn)行了研究,提出了一套基于二次指數(shù)平滑和改進(jìn)增量支持向量回歸(Support vector machine for regression,SVR)的齒輪剩余壽命預(yù)測(cè)新方案。該方案利用主成分分析法(Principal component analysis,PCA)篩選組成融合指標(biāo)集,再進(jìn)行二次指數(shù)平滑處理(Double exponential smoothing,DES)作為輸入,構(gòu)建基于增量拉丁超立方采樣(Latin hyper-cube sampling,LHD)和Direct搜索算法的改進(jìn)增量SVR預(yù)測(cè)模型。與基于原始特征值的標(biāo)準(zhǔn)SVR模型相比,新模型克服了信號(hào)隨機(jī)性和突變性的干擾,并獲取了最新?tīng)顟B(tài)信息的內(nèi)在演變趨勢(shì),尋優(yōu)效果和預(yù)測(cè)性能得到明顯改善。用齒輪全壽命周期試驗(yàn)數(shù)據(jù)對(duì)新模型進(jìn)行驗(yàn)證分析,結(jié)果表明,改進(jìn)增量SVR預(yù)測(cè)模型獲得了更可靠、更穩(wěn)定的預(yù)測(cè)結(jié)果,具有一定工程實(shí)用價(jià)值。
[Abstract]:Based on quadratic exponential smoothing and improved incremental support vector regression (Support vector machine for regression,SVR), a new scheme of gear residual life prediction is proposed. In this scheme, principal component analysis (Principal component analysis,PCA) is used to select the fusion index set, and then quadratic exponential smoothing (Double exponential smoothing,DES) is used as input to construct incremental Latin hypercube sampling (Latin hyper-cube sampling,). LHD) and improved incremental SVR prediction model of Direct search algorithm. Compared with the standard SVR model based on the original eigenvalue, the new model overcomes the interference of signal randomness and mutation, and obtains the internal evolution trend of the latest state information. The optimization effect and prediction performance are obviously improved. The new model is validated and analyzed by using the gear life cycle test data. The results show that the improved incremental SVR prediction model has more reliable and stable prediction results and has certain engineering practical value.
【作者單位】： 重慶大學(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(51035008) 機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室自主項(xiàng)目(SKLMT-ZZKT-2012MS 02) 重慶市自然科學(xué)基金(CSTC,2009BB3365)
【分類號(hào)】：TH132.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 熊國(guó)強(qiáng);確定指數(shù)平滑參數(shù)的最優(yōu)化方法[J];西安理工大學(xué)學(xué)報(bào);2000年03期

2 黎鎖平,夏亞峰,李俊;一類推廣的指數(shù)平滑優(yōu)化模型性質(zhì)及算法的研究[J];甘肅工業(yè)大學(xué)學(xué)報(bào);2002年03期

3 霍敬偉;張文斌;馬志鋒;種慶;;指數(shù)平滑預(yù)測(cè)在我國(guó)居民收入水平中的應(yīng)用[J];洛陽(yáng)理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年04期

4 沈良峰,張?jiān)慢?基于指數(shù)平滑技術(shù)的邊坡位移預(yù)測(cè)方法[J];建筑科學(xué);2004年04期

5 張衛(wèi)中;尹光志;唐建新;康欽容;;指數(shù)平滑技術(shù)在重慶市煤炭需求預(yù)測(cè)中的應(yīng)用[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年01期

6 陳常祥;;最優(yōu)指數(shù)平滑預(yù)測(cè)方法的研究[J];武漢工學(xué)院學(xué)報(bào);1987年03期

7 潘國(guó)榮;變形預(yù)測(cè)的指數(shù)平滑方法[J];鐵路航測(cè);1999年03期

8 王洪興,王冠,羅文強(qiáng);指數(shù)平滑技術(shù)在斜坡位移預(yù)測(cè)中的應(yīng)用[J];地質(zhì)科技情報(bào);2005年S1期

9 沈良峰;;應(yīng)用指數(shù)平滑技術(shù)預(yù)測(cè)邊坡位移[J];中國(guó)工程科學(xué);2007年06期

10 楊鵬翔;秦永元;朱啟舉;;基于加權(quán)指數(shù)平滑的里程儀故障檢測(cè)方法[J];彈箭與制導(dǎo)學(xué)報(bào);2010年04期

相關(guān)會(huì)議論文 前4條

1 趙志堅(jiān);;三次指數(shù)平滑預(yù)測(cè)模型中參數(shù)α的選取問(wèn)題[A];數(shù)學(xué)及其應(yīng)用文集——中南模糊數(shù)學(xué)和系統(tǒng)分會(huì)第三屆年會(huì)論文集（下卷）[C];1995年

2 徐大江;鄭學(xué)東;;證券投機(jī)風(fēng)險(xiǎn)三次指數(shù)平滑測(cè)度及應(yīng)用研究[A];西部開(kāi)發(fā)與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第12屆年會(huì)論文集[C];2002年

3 衛(wèi)貴武;;用改進(jìn)的AR(p)與指數(shù)平滑組合模型預(yù)測(cè)油田產(chǎn)油量[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

4 鄭學(xué)東;徐大江;;證券組合投資的指數(shù)平滑決策模型[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第九屆學(xué)術(shù)年會(huì)論文集[C];1999年

相關(guān)重要報(bào)紙文章 前1條

1 中央電視臺(tái)財(cái)經(jīng)頻道 中國(guó)經(jīng)濟(jì)時(shí)報(bào);與中國(guó)經(jīng)濟(jì)同行[N];中國(guó)經(jīng)濟(jì)時(shí)報(bào);2012年

相關(guān)碩士學(xué)位論文 前2條

1 張靜蕓;基于人工智能優(yōu)化的指數(shù)平滑方法的研究及應(yīng)用[D];蘭州大學(xué);2015年

2 李奇;一種基于時(shí)間序列指數(shù)平滑的決策支持算法的研究[D];燕山大學(xué);2007年

，

本文編號(hào)：2371613