综合传动装置油液分析取样时刻预报方法

油液光谱分析是综合传动装置磨损状态监测的重要手段,基于油液分析样本数据量有限和样本值变化具有随机性的特点,选择灰色GM模型进行磨损量预测。根据油液分析数据变化规律,介绍综合传动装置灰色建模的具体步骤和方法,提出当磨损速率偏高时基于灰色建模进行加密取样时刻预报的方法。实验证明,基于灰色建模的加密取样时刻预报方法,能够及时扑捉综合传动装置异常磨损故障征兆,避免重大故障发生。     

基于支持向量机的航空发动机磨损趋势预测

基于支持向量机开发的航空发动机磨损趋势预测技术运用结构风险最小化准则,可通过内积函数将低维空间的非线性问题转化为高维空间的线性问题,在发动机滑油光谱监控中十分有用.阐述了支持向量机的原理和数学模型,建立了适用于航空发动机磨损趋势预测的支持向量机回归模型和自回归模型,并对支持向量的核函数模型参数进行了讨论.对实际发动机的润滑油光谱监控数据趋势预测结果表明,基于支持向量机回归模型的趋势预测技术具有很高的预测精度和很强的实用性,可有效提高通过润滑油光谱监控技术预报航空发动机磨损类故障的预测能力.     

基于SVM的柴油机油液光谱预测模型研究

针对传统油液光谱预测模型存在的缺陷,利用支持向量机(SVM)的回归算法建立光谱预测模型。支持向量机的非线性回归方法得到的回归函数对光谱历史数据有良好的逼近效果,通过SVM回归函数的外推计算建立的SVM回归预测模型能有效消除换油和采样间隔不一致对模型预测效果的影响,具有更广泛的应用范围。     

基于偏最小二乘回归分析发动机异常磨损的判断

针对发动机状态监测中油液光谱分析样本数据少、元素种类多及各元素之间存在相关性的特点,提出采用偏最小二乘回归方法处理油液光谱分析数据。分析了偏最小二乘回归方法的特点,阐述了其基本原理和算法步骤;将偏最小二乘回归方法应用于发动机油液光谱数据的处理和分析,求出了发动机磨损状态判断的回归模型;应用此回归模型判断了EQ6BT柴油发动机的异常磨损。结果表明,应用此回归模型可以直观地判断发动机是否存在异常磨损。     

基于多维时间序列模型的内燃机磨损状态预测研究

现有的油液光谱数据预测方法仅考虑单一数据内部前后间的联系,忽视不同种类数据间的相互影响。多维时间序列模型能够将多种元素光谱数据融合起来同时进行建模,利用所建模型对光谱数据进行预测,提高预报精度。通过内燃机台架实验获得多种元素的光谱数据,选择典型的磨损元素Fe和Al、污染元素Si以及添加剂元素Mg作为分析元素,通过分析找出相关性较大的元素,利用多维时间序列模型对其进行预报,从而对内燃机的磨损状态进行准确判断。结果表明,将多维时间序列模型引入油液光谱数据预报能对内燃机的磨损状态进行准确预测。     

基于分形与支持向量回归的动力装置运行状态预测模型

分析了动力装置运行状态特点和预测要求,依据分形和支持向量回归理论,建立了基于分形与支持向量回归的状态趋势预测模型。其中,以振动烈度作为描述机组状态的特征数据来构建时间序列,对其进行相空间重构,根据最小嵌入维数来确定支持向量机输入节点数,采用支持向量回归算法对机组状态趋势进行预测。应用案例研究和实验对比分析的结果表明,研究的状态预测模型单步预测的平均相对误差为1.7881%, 30步预测的平均相对误差为3.3983%,预测模型能较好地满足动力装置状态趋势预测要求。     

基于LS-SVM的柴油机润滑油中磨粒含量预测

介绍了最小二乘支持向量机(LS-SVM)回归算法的基本原理,并以490BPG型柴油机润滑油中磨损磨粒为研究对象,使用LS-SVM对磨粒的浓度数据进行了回归拟合并预测,并与基于人工神经网络的预测模型的预测结果进行了比较.结果表明,LS-SVM的预测模型的精确度较高,泛化能力强,是用于润滑油中磨粒浓度预测的一种有效的方法.     

综合传动装置油液分析数据预处理方法

结合综合传动装置工作原理和液压润滑系统的结构特征,分析了油液分析状态监测与故障诊断的原理,介绍了综合传动装置油液分析数据预处理中补油修正方法和初始浓度转化方法.通过数学方法对采集油液浓度值进行修正,可排除补油造成的影响;对于起始浓度值不同、试验方法完全一样的油液分析数据,基于油液浓度值变化的规律,利用数学建模计算的方法,可将初始浓度转化为一致情况.     

汽油多参数拉曼光谱分析仪中的稳健支持向量机方法

由于拉曼光谱可以反映汽油各有机物基团丰富的信息,拉曼光谱更加适合于汽油质量指标的快速分析,并可同时测定多种参数.为避免少量异常训练样本对校正模型的影响,本文采用了一种迭代的稳健支持向量机算法.该方法首先求取训练样本的回归残差,然后利用残差的正态分布置信区间来鉴别异常样本并选取正常样本,最后用选出的正常样本作为训练样本并建立最小二乘支持向量机模型,对测试样本进行预测.将本文的算法应用于汽油多参数拉曼光谱快速分析仪中,结果证明:该方法具有很好的稳健性,同时具有很好的预测精度.     

综合传动全寿命油液污染统计特征研究

综合传动全寿命周期油液污染颗粒分布参数与成分参数的统计分析,便于获取统计特征并应用于磨损程度评估与健康状态评价。基于污染平衡理论,采用参数估计处理油液污染度数据,获得其分布参数、平衡污染度与污染限值,并将分布特征应用于综合传动磨损程度评估;采用基于模糊隶属度的稳健核主成分方法分析污染颗粒的成分特征,并将该特征应用于综合传动健康状态的总体与分类评价。通过综合传动装置拆检比对,验证了2种污染统计特征均适用于整体磨损程度评估。研究表明,采用成分特征值可以实现整体健康状态评价与关键摩擦副的分类评价的结合,这不仅有助于综合传动大修期的准确判断,还能给出需维修部件的建议。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

基于LS-SVM和AR模型的油液光谱数据预处理研究

油液光谱分析技术可以检测出机械设备润滑油中各种元素的成分和浓度,但光谱分析数据受噪声、补油和换油的影响严重,不能很好地反映出机械设备的磨损情况。对光谱数据进行提升小波分解,通过分析细节信号,检测出野点;用LS-SVM对趋势项建模,对各层细节信息建立AR模型,分别预测出补、换油后及野点处的值并进行叠加;为提高预测精度,用QPSO对LS-SVM的参数进行了优化。结果表明:该方法能有效修正原始数据,从而提高对机械设备磨损状态监测和故障诊断的精度。     

油液在线监测系统中磨粒识别技术研究

针对磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统。根据系统光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标。基于最小二乘支持向量机设计了磨粒两类分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取;根据磨粒识别体系,设计了基于最小二乘支持向量机的磨粒综合分类器。最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明本系统具有较高的检测精度和识别效果。     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。     

Robustness of thermal error compensation modeling models of CNC machine tools

In order to achieve effective control of thermal error compensation of computer numerical control (CNC) machine tools, the prediction accuracy and robustness of the compensation model is particularly important. In this paper, the temperature of sensitive points and thermal error of the spindle in Z direction are measured. Using a combination of fuzzy clustering analysis and gray correlation method to select temperature-sensitive points and then using multiple linear regression of least squares and least absolute estimation methods, distributed lag model, and support vector regression machine to establish prediction models of the relationship between temperature of sensitive points and the thermal error. Also, the temperature values of sensitive points and the thermal error in the experimental conditions of different ambient temperatures and different spindle speeds are measured. By comparing the prediction accuracy of various prediction models under different experimental conditions verify the robustness of the models. Experimental results show that when the modeling data are less, the prediction accuracy of multiple linear regression of least squares and least absolute estimation methods and distributed lag model is declined, and their robustness are poor, while support vector regression model has good prediction accuracy and its robustness remains strong when changing the experimental conditions. However, when modeling data are rich, the prediction accuracy of various algorithms is improved, but the robustness of support vector regression model is volatile. The robustness analysis of different models provides a useful reference for the thermal error compensation model, selection of CNC machine tools, and has good engineering applications.     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

一种基于LS-SVM与PID复合的逆控制系统

针对逆系统中非线性逆模型辨识困难的问题,研究了基于最小二乘支持向量机(LS-SVM)的逆模型辨识及控制,并用微粒子群算法(PSO)优化LS-SVM的参数和核函数参数。提出了一种由LS-SVM的逆模型与PID结合的复合控制系统,由LS-SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制。同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷。仿真研究结果表明LS-SVM的逆模型辨识能力强,该复合控制系统具有比基于最近邻聚类的RBF神经网络逆控制系统更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于油液分析和时间序列模型的内燃机磨损状态监测方法

提出了一种基于油液分析和时间序列模型的内燃机磨损状态监测方法。将整个内燃机看作一个摩擦学系统,利用时间序列模型对摩擦学系统进行动态建模,建立能够表征内燃机磨损状态的数学模型。采用该模型对内燃机润滑油中各元素的变化趋势进行趋势分析,并应用实例对模型进行了检验。结果表明,该方法准确判断内燃机的磨损状态,为内燃机磨损状态监测提供了一种新的途径。