液压挖掘机臂杆结构疲劳寿命预测方法研究

液压挖掘机臂杆结构承受复杂的冲击载荷,其疲劳寿命存在许多不确定性因素。首先采用Miner准则,依据实验载荷谱和有限元方法对液压挖掘机工作装置寿命进行了预测。其次研究了结构疲劳寿命变化过程和灰色理论预测模型内在规律的一致性,建立了液压挖掘机工作装置疲劳寿命的灰色预测GM模型,并分别运用GM模型的两种形式--GM(1,1)线性模型及GM(1,1)幂模型对液压挖掘机工作装置进行疲劳寿命预测。分析比较Miner准则、GM(1,1)线性模型及GM(1,1)幂模型三种预测方法。结果表明,三种预测方法结果基本一致,灰色系统模型同Miner准则模型相比误差明显减小且非线性幂模型具有更高的预测精度。基于灰色理论的GM(1,1)幂模型考虑了非线性因素,更适合于液压挖掘机工作装置结构疲劳寿命预测。     

灰色GM(1,1)模型在齿轮疲劳寿命预测中的应用

在齿轮疲劳寿命预测中,需要大量的齿轮疲劳试验数据.运用灰色GM(1,1)模型预测疲劳试验数据,可以大幅度缩短试验时间,节约试验费用,快速获得齿轮可靠性指标.文中简要介绍了灰色GM(1,1)模型的原理,通过具体实例建立了齿轮疲劳寿命GM(1,1)模型.预测结果表明,将灰色系统理论用于齿轮的疲劳寿命试验数据预测是可行的,理论上为有效缩短齿轮疲劳寿命试验时间提供了一个快速有效的方法.     

锥齿轮疲劳寿命预测的灰色GM(1,1)模型

齿轮疲劳寿命的评价与预测需要大量的齿轮疲劳试验数据,而灰色GM(1,1)模型则可以对小样本实验数据进行分析。介绍了灰色GM(1,1)模型的原理,建立了一个实例的齿轮疲劳寿命的GM(1,1)模型,预测结果具有较高的精度。证明了将灰色系统理论用于弧齿锥齿轮的疲劳寿命试验数据预测是可行的。     

灰色模型在疲劳寿命预测中的应用

疲劳寿命预测的问题是疲劳研究中的重要课题。影响疲劳寿命的因素多且复杂,利用灰色理论方法进行疲劳寿命预测,提出了非等间距GM(1,1)模型和中心逼近式GM(1,1)模型两种预测疲劳寿命的方法。通过对实验数据进行分析和整理,然后建立微分方程,利用MATLAB软件计算得到灰色预测值。与实验数据值进行比较,得出结果表明灰色模型方法具有很高的预测精度,证明灰色理论是一种简单可行的、可靠的分析方法。     

基于组合模型的滚动轴承故障预测研究

针对轴承故障预测可使用的样本数据少、特征参数信息贫乏且呈现非线性、不确定性等特点,提出一种基于改进灰色GM(1,1)和遗传算法优化的BP神经网络的组合预测模型。首先,根据各单一模型在当前时段的预测误差,通过最小二乘法确定出在未来时段中两种单一模型的权重,然后将预测结果进行加权求和,得到最终的组合模型预测值。该模型既能实现灰色GM(1,1)模型处理小样本的轴承振动数据预测的目标,也能发挥BP神经网络解决非线性拟合问题的优势。最后,将组合模型与各单一模型进行实例数据分析,结果表明组合模型的预测精度为96.63%,比上述子模型的预测结果分别提高了7.84%和6.13%。     

基于灰色系统理论的转辙机动作杆疲劳裂纹扩展寿命预测

针对转辙机动作杆在锻造和热处理过程中存在裂纹影响转辙机使用寿命,应用损伤力学结合有限元分析方法,选定Paris公式法计算得出了转辙机动作杆在不同初始裂纹时疲劳裂纹扩展寿命,应用灰色系统理论建立GM(1,1)灰微分方程,根据实验数据计算确定模型的辨识参数,对转辙机动作杆疲劳裂纹寿命进行预测,与实验实测数据进行对比,结果表明应用灰色系统理论对辙机动作杆寿命预测简便可行,精度高,具有很好的应用推广价值。     

基于多重分形谱和灰色模型GM(1,1)的齿轮接触疲劳寿命预测

开展齿轮接触疲劳寿命预测对齿轮传动系统维护和使用具有重要意义。基于渐开线直齿轮接触疲劳台架运转试验采集的振动信号,应用多重分形去趋势分析对振动信号进行了分析,得到了多重分形谱,并构建了多重分形谱宽度指标用来表征齿轮接触疲劳退化;在此基础上,应用灰色模型GM(1,1),建立了齿轮接触疲劳寿命预测模型;结合试验数据对寿命预测结果进行了验证。结果表明,提出的寿命预测方法具有较高的预测精度,预测结果可作为齿轮寿命估计的参考。     

基于灰色线性回归组合模型的集成电路封装设备故障趋势预测

针对集成电路封装打孔机冲针监测数据的特点,分别构建灰色GM(1,1)模型和线性回归模型,开展故障趋势预测;在此基础上,采用组合预测的思想,运用灰色关联度方法融合灰色GM(1,1)模型和线性回归模型,建立灰色线性回归组合模型对设备进行故障趋势预测。结果表明,灰色线性回归组合模型的预测精度优于单一预测模型,可以用于集成电路打孔机设备的故障趋势预测。     

机械振动趋势的灰色预测模型研究

基于振动特征量研究提高灰色模型 (GM)建模精度的方法。建立了基于机械系统振动特征量的时间序列趋势预测GM(1,1)并进行了后验差精度检验 ;针对模型精度低问题对模型修正进行了重点研究。在基于原始时间序列的一次累加生成运算 (1 AGO)序列与它的预测序列间的 1 AGO残差序列对基本GM (1,1)修正失效的基础上 ,提出了设置阈值考虑相对误差、调节量系数考虑原始数据幅度分布的GM(E ,1,1)。实例表明 ,该模型用于机械系统振动特征量预测时具有动态自适应补偿误差影响的功能     

基于微粒群算法的GM(1,1,λ)模型的机械产品寿命预测

GM(1,1)模型用于机械产品寿命的预测,不仅需要的数据量较少,而且可以节约试验费用、减少大量的试验时间.该文用差分格式将灰色模型GM(1,1)拓广为GM(1,1,λ)模型,并应用微粒群算法(PSO)求解最优的λ值,对机械产品寿命进行预测.实例计算表明,基于PSO的GM(1,1,λ)模型的优化方法优于现有的灰色预测方法.     

一种疲劳试验数据处理的仿真方法

由于疲劳寿命试验具有难度较大,其实验数据具有分散性强的特点,如果直接用灰色预测模型（ＧＭ（１,１））作预测,其预测值与真实结果的误差较大。在此提出一种试验仿真的新方法。首先将数据处理成对数据序列,以降低低其数据分散性;然后再用灰色预测模型进行预测。     

基于灰色理论镍基单晶合金多轴非比例加载低周疲劳研究

基于灰色理论研究DD3镍基单晶合金高温多轴非比例加载低周疲劳特性,对等效应变范围、温度、应变路径角、拉/扭载荷相位角和轴向应变比等影响疲劳寿命的因素进行灰色关联度分析,并引入损伤参量Q表征非对称循环特性和拉/扭多轴效应,以参量Q、等效应变范围Δεe和Mises等效应力范围Δσe构造疲劳损伤参量,建立低周疲劳寿命GM(1, N)预测模型。结果表明,各影响因素与多轴低周疲劳寿命的关联度等级依次为等效应变范围、温度和应变路径角为一级,拉/扭载荷相位角为二级,轴向应变比为三级;680 ℃和850 ℃温度下的GM(1, N)疲劳寿命模型的预测寿命与试验寿命的绝对关联度分别为0.97、0.86,平均相对误差分别为4.9%、6.0%;两种温度的试验数据几乎分别落在1.93、2.13倍偏差分布带内。     

基于改进灰色神经网络的液压泵寿命预测

改进了GM(1,1)模型,提高了其精度和适应范围;将改进的GM(1,1)模型与神经网络预测模型相结合来构建灰色神经网络组合预测模型;提出了基于支持向量机的液压泵寿命特征启发式搜索策略,以液压泵寿命特征参数特征集的交叉验证错误率为评价指标,从液压泵的特征参数（振动、压力、流量、温度、油液信息等）中选取寿命特征因子;运用小波阈值降噪法进行降噪处理,提取典型的小波包能量特征作为模型的输入。以齿轮泵为例,将改进的灰色神经网络预测模型与原始GM(1,1)模型和改进GM(1,1)模型比较可知,灰色神经网络预测模型预测精度最高,达到98.42%。     

灰色系统模型在机床热误差建模中的应用

提出了采用灰色系统模型进行机床热误差建模的基本原理及方法，以及其在机床热误差补偿建模中的应用。论述了如何利用实测的热误差序列，通过对全数据GM（1，1）模型、新信息GM（1，1）模型和新陈代谢GM（1，1）模型进行机床热误差建模和预报，得出了新陈代谢GM（1，1）模型是机床热误差补偿建模最理想模型的结论。     

基于灰色神经网络的传感器分段标定

针对大量程高精度传感器不能一次完成标定实验的情况,提出一种将优化灰色GM(1,1)模型与BP神经网络相结合来预测分段标定过程中特征值缺失的方法,从而实现传感器的分段标定。首先,根据实验数据建立传统灰色GM(1,1)模型,对待标定传感器和标准传感器的测量值进行缺失数据的预测;然后,为弱化传统灰色GM(1,1)模型序列变化的幅度,提高模型的预测精度,利用中心逼近的思想对传统的GM（1,1）模型进行优化;最后,利用BP神经网络对优化的灰色GM(1,1)残差序列进行修正,以较高的精度实现对分段标定过程中缺失特征值的预测。结果表明,待标定传感器和标准传感器组合预测模型的平均残差分别为0.023%和0.401%,证明了组合预测模型的有效性。所提出方法为解决大量程高精度传感器分段标定时静态特性曲线的拟合提供了一种新思路。     

基于不等间距灰色模型的疲劳寿命预测方法

运用不等间距灰色模型与传统Miner准则相结合的方法对结构件的疲劳寿命进行了预测。首先针对应力统计分级得出的相邻应力间距不相等的情况,构建了不等间距灰色模型,并用遗传算法优化不等间距灰色模型的背景值以保证模型的精度。其次运用不等间距灰色模型与Miner准则相结合,建立了疲劳寿命预测的灰色Miner方法。再次采用算例验证了不等间距灰色模型建模的精确性以及将不等间距灰色模型应用于疲劳寿命预测的合理性。最后将该方法应用到矿用自卸车A形架的疲劳寿命预测之中,不仅提高了A形架疲劳寿命的预测精度,而且证明了该方法对构件疲劳寿命预测的有效性。     

新陈代谢GM(1,1,α)模型在数控机床热误差建模中的应用

针对数控机床热误差产生机理及变化规律的复杂性,提出了一种新的灰色系统模型,并将其应用于热误差建模分析中。分析了传统GM(1,1)模型的不足之处,在新陈代谢GM(1,1)模型的基础上,结合微粒群算法,提出了一种新的新陈代谢GM(1,1,α)模型。为提高建模精度,该模型在建模过程中及时去除旧的信息,加入新信息,并使用微粒群算法求解参数α以获取α的全局最优值。最后,针对某数控机床热误差序列,分别使用GM(1,1)模型、新陈代谢GM(1,1)模型和新陈代谢GM(1,1,α)模型进行建模和预测,结果表明新陈代谢GM(1,1,α)模型的建模效果最好。     

基于GM模型的刀具耐用度灰色预测

提出采用基于灰数 (GM)模型的灰色预测方法预测刀具耐用度 ,介绍了GM模型的灰色建模方法 ,并通过切削易切钢的刀具耐用度预测实例分析验证了该方法的可行性及预测精度