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.     

基于组合核函数OSVR算法的起重机减速齿轮箱磨损趋势预测

针对起重机减速齿轮箱的磨损过程具有非线性与时变性,传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题,提出了一种基于组合核函数的在线支持向量机回归（online support vector regression,OSVR）预测算法。OSVR的在线学习算法能够适应时间序列的时变性并提高执行效率,同时可利用不同的核函数性能,通过组合模型提高预测精度。采用实际齿轮箱铁谱数据对预测算法进行验证,结果表明,基于组合核函数的OSVR预测算法具有很好的预测精度和适应性,能有效预测起重机齿轮箱的磨损故障,且相比于单一OSVR算法和灰色神经网络组合算法有更高的效率和预测精度。     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络,实现网络结构的优化,并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法,具有良好的预测效果。     

基于支持向量回归机的切削力预测

针对神经网络方法在切削力预测方面存在的缺陷,提出了一种新的基于支持向量回归机的切削力智能预测方法。分析了以往切削力预测模型中输入参数和输出参数的选择问题,在此基础上选择轴向切深、进给量、主轴转速和曲面半径四个关键指标作为预测模型的输入,选择XY平面上的切削力合力和轴向切削力作为预测模型的输出,进一步建立了基于支持向量回归机的切削力预测模型。仿真实例的预测结果表明,建立的智能切削力预测模型合理有效。     

某型涡轴航空发动机磨损状态及趋势预测研究

联合采用发射光谱和铁谱技术对某型航空涡轴发动机进行了磨损状态的分析研究,结果表明:发射光谱技术可准确预测发动机的损坏情况,铁谱技术通过分析磨粒特征,可判断发动机的运行状况、磨损机理及磨损类型,而发射光谱和铁谱技术的联合运用可以较准确地确定发动机润滑部件的磨损状态,诊断磨损故障及预测磨损趋势.     

在线支持向量机在数控铣床刀具磨损预测建模中的应用

刀具磨损的自动监测是现代制造技术的关键技术之一,是保证自动化加工顺利进行的前提之一.在实际生产当中,对刀具磨损的检测,不能停机检测而只能采取在线的间接监测方法.提出一种基于在线支持向量机的数控铣床刀具磨损的预测方法.结果表明,所提方法具有参数调整时间快、泛化能力强的优点,可以比较准确地监控刀具磨损.     

一种基于在线支持向量回归的预测控制及试验研究

针对复杂不确定系统的控制问题,提出了一种基于在线支持向量回归的预测控制方法。该方法应用支持向量回归在线估计预测控制的预测模型,并实时更新。分析了预测时域和控制时域的选择对控制精度的影响,给出了控制参数设计原则。对电液力伺服加载系统的仿真试验表明,该方法有很好的控制性能。     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

AMPSO与SVR相结合的铣刀寿命预测研究

针对支持向量回归机在预测铣刀寿命时惩罚参数和核函数参数难确定、不同的参数设置对预测效果影响较大的问题,提出了自适应变异粒子群算法。在支持向量回归算法的基础上,引入AMPSO优化SVR参数,建立AMPSO与SVR相结合的数控铣刀寿命预测模型。通过硬质合金钢铣刀铣削的实验验证表明,相比于网格搜索法和神经网络算法,AMPSO-SVR算法在测试样本集的平均相对预测误差低至0.72%,相较前两者预测误差更小,可准确预测数控铣刀寿命,为数控加工过程中的换刀决策提供依据。     

基于支持向量机的综合传动装置磨损状态研究

结合光谱油液分析技术,运用支持向量机对某履带车辆综合传动装置磨损状态进行研究。建立了一种多输出最小二乘支持向量回归算法,并将其应用到综合传动装置的光谱油液分析数据的预测研究中。采用交叉验证方法,讨论了回归算法中参数的选取问题,并将磨损元素预测值与试验值进行了对比分析。结果表明,该方法在较短里程(4000km以内)具有较高的准确率,可以用于综合传动装置磨损状态的预测研究。     

基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。     

基于改进QPSO-SVR的航空发动机排气温度预测

为了减少航空发动机排气温度的随机性对飞机安全飞行的影响,提出了改进量子粒子群优化支持向量回归机(improved quantum behaved particle swarm optimization support vector regression,简称IQPSO-SVR)的航空发动机排气温度预测模型,以A319飞机的V2500发动机为例,选取状态监控所监测的性能参数数据作为训练样本和测试样本,其中航空发动机的高压转子转速、低压转子转速、燃油流量、高压压气机出口温度以及时间t作为模型的输入,以航空发动机排气温度作为模型的输出,在不同组训练样本的条件下,对改进量子粒子群优化过的支持向量回归基模型进行测试,并与量子粒子群优化支持向量回归机(quantum behaved particle swarm optimization support vector regression,简称QPSO-SVR)、支持回归机(support vector regression,简称SVR)进行对比。研究结果表明,改进量子粒子群优化支持向量回归机在航空发动机排气温度预测中相较其他两方法准确性更高,同时,在添加噪声的情况下,IQPSO-SVR也具有较好的预测能力。     

基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模

由于训练样本数量有限,滑动时间窗长度以及监测模型不能自适应调整和更新等因素,传统基于机器学习的刀具磨损预测模型存在精度和效率较低等问题,因此提出了一种基于自适应动态无偏最小二乘支持向量机（ADNLSSVM）的刀具磨损预测模型。采用公开数据库中的铣削加工数据集,通过时频域分析和小波包分解等手段从振动信号中提取特征量,并进一步利用相关性分析从中选择有效特征量作为模型输入。试验结果表明该方法所建模型具有较高的建模效率和预测精度。     

基于最小二乘支持向量机的磨损预测

针对机器设备磨损产生的因素多,而且磨损量的多少与产生的因素具有高度非线性,磨损难以预测的问题。同时考虑到监测得到的数据为小样本事件也是磨损难以预测的原因,在齿轮箱实验数据的基础上,利用最小二乘支持向量机,给出预测步骤,提出一种以载荷、温度、振动信号特征、速度和时间为输入量,机器设备的磨损量为输出量的预测方法。用齿轮箱的实验数据验证了所提出的方法的有效性。     

基于“差分”磨损模型的车削刀具磨损仿真预测研究

研究表明,切削过程中的刀具磨损与刀面温度、刀/屑和刀/工界面的接触压力及相对滑动速度等切削过程变量有关,借助于有限元分析法可对这些切削过程变量进行仿真预测。基于“差分”磨损模型,提出了一种对切削过程中刀具轮廓磨损变化的预测方法,以硬质合金刀具切削AISI1045材料为例,介绍了该方法的原理和实施步骤,并对刀具前后刀面磨损的预测结果进行了试验验证,分析了预测结果与试验结果存在误差的原因。     

基于过程支持向量机的航空发动机润滑油消耗率预测

分析了目前航空发动机润滑油消耗率监控现状及其不足,提出了一种基于过程支持向量机的润滑油消耗率预测方法,针对润滑油消耗率实际数据有较大波动性的特点,使用了样条插值增加样本点的方法来提高预测精度。通过润滑油消耗率预测实例对提出的方法进行了检验,实例结果表明过程支持向量机能够比较准确地对润滑油消耗率进行预测。     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。