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%。     

基于灰色支持向量机的裂纹扩展信息预测研究

针对裂纹扩展是一个典型的非线性、随机过程,且裂纹数据样本少、获取困难等问题,提出一种基于灰色支持向量机的裂纹扩展预测模型。首先通过灰色模型对原始序列进行数据生成,以增强数据的规律性;然后选择合适的核函数,并用试验数据修正核函数;最后用支持向量机进行预测,并还原数据,得到预测结果。将其应用于某航天发射塔架裂纹扩展预测中,并与灰色模型、单一支持向量机、最小二乘支持向量机进行预测性能对比,结果表明,灰色支持向量机预测性能最优。同时也为裂纹扩展预测及提高预测性能提供一种新途径。     

基于集总经验模式分解和支持向量机的液压泵故障预测研究

液压泵的性能直接影响整个液压系统的正常工作,为此需要对其进行状态监测和故障预测。采集液压泵的振动信号,运用集总经验模式分解(EEMD)和平滑能量算子解调相结合的方法进行包络解调;采取小波包分析方法得到了故障特征向量;在研究支持向量机回归估计基本原理的基础上,建立了小波包分解和支持向量机相结合的预测模型。采用液压泵历史数据对模型进行了验证,结果表明,基于支持向量机的预测模型和故障映射模型可以有效地对液压泵进行故障预测。     

基于灰色支持向量机的汽车制动系统故障诊断与预测

分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型-灰色支持向量机预测模型。为了提高预测精度,用粒子群算法对灰色支持向量机的相关初始化参数进行优化,用优化后的模型对汽车制动系统故障进行预测与诊断。实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径。     

基于支持向量机数控车床主轴箱液压系统的性能预测

为了能够有效地对数控车床主轴箱液压系统进行性能预测,深入地研究了支持向量机在其中的应用.首先,分析了支持向量机的基本原理；接着,建立的灰色支持向量机的性能预测模型；最后,对数控车床主轴箱液压系统特性参数的预测进行了仿真分析,结果表明,该方法具有较好的预测精度.     

基于ADEGWO-SVM的机载燃油泵寿命预测研究

针对高可靠、长寿命、小样本的机载燃油泵剩余寿命预测问题,提出了一种基于自适应差分变异的狼群支持向量机(ADEGWO-SVM)组合寿命预测方法。首先,搭建了一个机载燃油泵寿命试验平台,监测其电应力载荷下的出口压力信号,应用小波包滤波的方法对原始压力信号进行降噪处理,提取压力均值信号作为燃油泵性能退化特征,接着利用自相关分析的方法进行特征相空间重构;然后利用基于ADEGWO算法结构简单和全局搜索能力的特点,优化支持向量机预测模型的参数,进而提出一种基于ADEGWO-SVM的组合寿命预测模型;最后,在不同的预测起始点,利用ADEGWO-SVM方法进行了寿命预测试验,为了进一步验证该算法的有效性,将其与粒子群支持向量机(PSO-SVM),灰色模型(GM(1,1))等算法进行了比较,试验结果表明,该方法能够准确实现机载燃油泵的剩余寿命预测,显著提高寿命预测精度,对机载燃油泵的健康监测和寿命预测具有理论指导意义。     

基于灰色预测理论的加速试验数据可靠性评估模型

对失效数据量小、加速模型难以确定的情况,传统模型很难对试验结果做出较为准确的评估.基于灰色预测理论对服从Weibull分布的恒加寿命试验数据进行了分析,采用与应力有关的权重生成背景值补充缺失数据,建立等间距灰色预测模型,从而对加速寿命预测模型参数进行了修正.算例分析表明:灰色预测理论对加速试验数据评估模型得到的结果相对误差较小,有较高的预测精度.     

基于支持向量机回归算法的疲劳寿命预测研究

根据材料疲劳损伤的特点,提出了基于支持向量机回归算法的材料疲劳寿命预测方法。收集材料疲劳性能数据构建训练样本集,建立基于支持向量机回归算法的疲劳寿命预测模型,对疲劳载荷预处理后就可以计算出疲劳寿命。预测结果表明,该方法可利用较少的材料疲劳性能数据,实现疲劳寿命的预测。     

基于小波包一混沌支持向量机的液压泵压力信号预测

针对液压泵压力信号呈现的非线性、非平稳的特性,提出一种将小波包分析、相空间重构理论与支持向量机(SVM)相结合的预测方法,实现液压泵压力信号监测数据的建模及预测。首先将采集到的压力信号通过小波包进行分解,将分解得到的各个分量进行重构,其次对重构后的每一个分量通过混沌支持向量机预测模型进行预测,最后对各预测值进行合成。试验数据表明,该方法能够有效地预测液压泵压力信号的变化趋势,具有较高的预测精度,可有效地应用于系统的状态监测和故障预测。     

灰色SVR模型在珩磨尺寸预测中的应用

针对灰色(1,1)模型(Grey model(1,1), GM(1,1))对非指数型数据序列预测精度低的问题,提出了一种灰色支持向量回归(Grey support vector regression, GSVR)预测模型。该模型一方面通过参数累积估计、预测公式改进和数据等维递补,对灰色模型进行建模优化,另一方面通过差分变异和混沌局部搜索改进的粒子群算法,对支持向量回归机进行参数优化,再将二者相结合进行预测。对柱塞套内圆珩磨尺寸的预测结果表明,该模型的预测均方误差为0.3913,平均绝对百分比误差为4.90%,其预测精度较GM(1,1)模型显著提高。     

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。     

大型旋转机械状态组合预示模型研究

大型旋转机械的状态预示技术是实现设备状态维护的关键,针对大型旋转机械的几种典型趋势,提出支持向量机(support vector machines,SVM)进行系统故障趋势预示的模型,采用BP(back propagation)神经网络模型和SVM模型对不同的趋势进行预测,结果表明SVM模型具有预测精度高的特点.在以上研究的基础上,提出一种新的旋转机械系统状态组合预测模型.该模型采用振动烈度和特征频率分量作为预测机械系统状态的敏感因子,采用从时域到频域、频域到时域,构建旋转机械状态预测的组合模型.将基于SVM的组合预测模型应用于旋转注水机组的状态预测,取得较好的预测效果.     

基于支持向量机的动态测量误差非线性组合预测方法

针对目前动态测量误差序列预测方法的局限性,提出了动态测量误差序列的支持向量机非线性组合预测方法,以进行误差修正,提高动态测量精度.该方法首先利用支持向量机和小波神经网络对动态测量误差序列分别进行预测,然后再运用支持向量机对单项预测结果进行非线性组合.理论分析和预测实例表明:该方法的预测精度明显高于传统的单一预测方法,具有很强的学习与泛化能力,在处理动态测量误差序列的预报问题和提高动态测量精度方面具有很好的应用价值.     

基于支持向量机预测的冷连轧机轧制力精确设定方法研究

针对冷连轧机液压AGC系统轧制力的精确设定问题,提出了一种基于差分进化算法优化支持向量机的轧制力精确设定方法。该方法在支持向量机预测模型的基础上,引入差分进化算法对支持向量机的训练参数进行优化,提高支持向量机的预测精度。之后,利用海量生产数据对支持向量机进行训练并进行轧制力偏差的预测,最后将预测结果用于修正轧制力模型设定计算值。通过预测结果和实际数据的对比表明,利用该方法能够有效地提高冷连轧机AGC系统轧制力的设定精度,使设定的相对误差从单纯模型计算的15%降到6%,为进一步提高冷连轧机的设定计算精度提供了一种有效可行的方法。     

灰色关联分析的神经网络模型在轴承故障预测中的应用

为提高小样本轴承故障预测的精度,提出了灰色关联分析的神经网络预测模型。利用神经网络训练样本数据,并使用灰色关联分析不断调整其隐含层节点数,以寻找到最优的数据解,完成训练过程;基于已训练好的模型对未来时间点的运行状态进行分析,并根据设备的理论诊断标准实现故障预测。将提出的模型与同样可预测小样本波动数据的灰色马尔科夫预测模型进行实例应用对比,结果显示,灰色关联分析的神经网络预测模型效果明显优于灰色马尔科夫模型。     

基于灰色残差修正模型的机床切削力预测与仿真

介绍了一种基于灰色残差修正模型的机床切削力预测的建模方法。仿真结果表明,这种新的建模方法具有较高的精度,为高度复杂的非线性模型化提供了一条新途经。此方法利用某一机床厂具体的数据进行硷验,得到了满意的结果。     

小波预处理的加权灰色线性回归组合模型及应用

准确预测高速公路路基沉降是有效预防和控制高速公路建设期和建后运营期路基沉降的重要保障。针对路基沉降系统是一个信息不完全的灰色系统,收集到的监测数据通常含有噪声,利用小波消噪函数对样本数据进行预处理,运用灰色预测理论构建灰色模型GM(1,1)与线性回归的加权组合模型,用于对路基沉降量进行预测。研究表明,模型改善了原灰色预测模型仅能反映指数增长趋势而不能反映线性变化趋势的不足,和单纯灰色模型相比,预测精度更高,预测结果更为可靠,具有一定的实际应用价值,也为路基沉降预测研究提供了新的途径。     

一种新的机电设备状态趋势智能混合预测模型

针对机电设备运行状态受多因素影响,变化趋势复杂,难以用单一预测方法进行有效预测的问题,提出一种新的基于改进灰色系统一支持向量机一神经模糊系统的智能混合预测模型。该模型首先利用改进灰色系统弱化数据序列波动性、支持向量机处理小样本和模糊神经系统处理非线性模糊信息的优点,分别进行趋势预测,然后通过改进遗传算法对这三者的预测结果进行自适应加权组合。将该模型应用于信号随机波动性较强、趋势变化复杂的标准算例和某机组振动趋势的预测中,研究结果表明,该模型的预测性能均优于上述三种单一预测方法。     

灰色马尔柯夫链方法在设备故障预测中的应用初探

将灰色马尔柯夫预测模型应用于设备运行状态的预测，实践证明，这种预测方法兼有灰色ＧＭ（１，１）预测和马尔柯夫概率矩阵预测的优点，尤其适用于随机波动性较大的数据列的预测。这一应用拓广了灰色预测的应用范围。对轴承振动的预测结果表明，该预测模型的预测精度是令人满意的。