灰色理论在齿轮磨损量预测中的应用研究

利用灰色理论，通过研究建立了无偏的GM(1，1)模型，突破了模型参数│α│较大时GM(1，1)模型无法应用的禁区。并将无偏GM(1，1)模型应用于对齿轮磨损数据的预测，通过试验研究获得了满意效果，为齿轮磨损趋势的预测提供了一个新方法。     

基于灰色理论的设备磨损状态辨识参数监测法的研究

灰色理论应用于滑油光谱分析的方法已经成为设备状态监测中油液监测的一种有效的建模手段。对取样时间间隔较长的机械设备磨损进行监测，以便得到设备磨损状态的预测信息。本文提出了基于灰色理论的GM(2，1)模型，对设备磨损状态进行预测和诊断分析，并与以往常用的GM(1，1)模型进行了比较，分析讨论这两种模型应用于设备磨损光谱元素浓度预测的精度，通过实例验证了GM(2，1)模型具有简单、准确和实用的特点。并在此基础上，又提出了应用灰色理论对设备磨损状态进行参数辨识，进而运用参数监测来对设备进行状态监测的方法，可以准确地发现系统的变化，为应用光谱分析法判定系统磨损的状态提供了一种定量的和定性的分析手段。     

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.     

冲压生产线液压油光谱监测研究

采用GM(1，1)模型对所监测的冲压生产线在用液压油的光谱数据进行拟合和预测，计算结果表明，GM(1，1)是一种用来预测的有效的模型，同时探讨了油液污染度与设备磨损状态的关联度，初步揭示了油液污染度和元素光谱数据之间的关系。     

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。     

BP神经网络修正灰色残差组合模型方法在油液光谱分析中应用的研究

提出了采用神经网络修正灰色残差组合模型对设备的磨损状态进行预测和诊断分析的方法。通过比较GM(1,1)模型、神经网络模型的预测结果,融合GM(GreyModel)模型与神经网络模型并构建组合模型进行油液光谱分析参数预测,可以克服单个模型所存在的不足。结果证明,该组合模型方法在预测中是可行的,预测的误差最小。     

基于无偏灰色马尔可夫组合模型的齿轮寿命预测

针对齿轮寿命预测的难点,在原始数据基础上建立无偏灰色GM(1,1)模型,并使用残差模型对其进行修正,分析齿轮寿命的发展变化趋势,然后在无偏灰色GM(1,1)修正模型的基础上引入马尔可夫优化,提高预测精度。对预测值和真实值进行比较,齿轮寿命预测精度从87.06%提高到90.09%。结果表明,在"少数据"、"贫信息"的情况下使用该模型在一段时段内具有较好的预测精度和实用性,为齿轮的寿命预测提供一种可行的方法。     

基于乏信息理论的双渐开线齿轮随机振动误差预测研究

针对目前双渐开线齿轮传动特征数据少、概率分布未知、缺乏先验知识等问题,基于乏信息理论对该齿轮传动在随机振动过程中的误差预测进行了研究,结合灰色GM(1,1)模型和Bootstrap抽样原理的优点,提出了一种基于乏信息动态估计的预测方法,并在乏信息数据样本中,建立了动态灰色自助模型。利用试验所得样本数据对双渐开线齿轮振动误差进行了评估预测,并将模型预测值与原始试验数据进行了对比,以验证该方法的可行性及预测模型的可靠性;同时与灰色GM(1,1)模型和蒙特卡罗模型的预测值进行了对比,以验证该模型的准确性。研究结果表明:该模型预测结果精度较高,能有效地缩短试验时间,节约试验成本,较好地解决了双渐开线齿轮随机振动误差的预测问题,该预测方法也可用于其他齿轮传动。     

基于改进灰色预测模型的液压泵寿命预测

选取液压油的光谱分析数据作为液压泵的寿命特征信息,针对油液采样间隔不等间距的情况,研究非等间距灰色GM(1,1)模型。对建模数据背景值进行改造,建立改造背景值的非等间距灰色GM(1,1)模型,提高模型的预测精度。研究了油液分析阈值的制定方法,制定液压泵磨损金属元素含量和含量趋势值的阈值。运用改进背景值的非等间距灰色GM(1,1)模型对某型凿岩台车的液压泵进行寿命预测,预测精度达到95.78%。     

考虑磨损故障的双渐开线齿轮传动系统动态特性研究

针对目前双渐开线齿轮(DIG)研究过程中齿廓磨损对双渐开线齿轮动态特性的影响问题,对考虑磨损故障的双渐开线齿轮传动系统动态特性进行了研究。首先,进行了双渐开线齿轮接触线长度与齿面载荷计算,考虑相对滑移距离,建立了等效接触模型;然后,进行了双渐开线齿轮齿面累积磨损量、齿轮齿面累积磨损深度的计算,建立了双渐开线齿轮啮合刚度计算模型,进行了磨损故障的双渐开线齿轮刚度的计算;最后,以一对双渐开线齿轮为研究对象,采用集中质量法建立了6自由度动力学模型,研究了齿面磨损对双渐开线齿轮动力学特性的影响。研究结果表明：在运行1×10⁴次载荷循环后,混合弹流润滑状态下,双渐开线齿轮与普通渐开线齿轮(CIG)在节线附近齿根位置的最大累计磨损量差值为0.002 07μm,且双渐开线齿轮节线靠近齿顶位置的磨损小于普通渐开线齿轮的磨损;双渐开线齿轮系统在磨损后振动加速度幅值小于普通渐开线斜齿轮的幅值。通过对不同磨损情况下的时域响应进行研究,发现磨损导致双渐开线齿轮传动系统的振动幅值增大。     

灰色GM(1,1)模型在机械产品寿命试验数据预测中的应用

将构造的背景值公式引入 GM(1,1)模型 ,并用该模型预测机械产品寿命试验数据 ,实例计算结果表明 ,该方法能缩短机械产品寿命试验时间 ,提高了 GM(1,1)模型的预测精度。     

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。     

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。     

基于组合预测模型的某型导弹电子设备故障预测方法研究

本文论述了改进的灰色DGM(1,1)模型与时间序列AR模型的组合模型的预测问题。针对传统GM(1,1)的对纯指数序列预测的局限性,本文引出了改进的离散灰色GM(1,1)模型。最后应用具体实例对组合预测模型的预测精度进行验证分析。     

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。     

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     

磨损趋势预测的GM模型应用

趋势预测是故障诊断与工况监测中的一个重要环节。以油液光谱分析为例 ,探讨了灰色系统理论的GM(1.1)模型、新息GM(1.1)模型及其综合应用。实例分析表明 ,综合模型较单一模型在多步预测时具有较高的精度     

基于新息优化模型GM(1,1,α)的螺旋锥齿轮磨削加工表面粗糙度预测

影响螺旋锥齿轮磨削加工表面粗糙度Ra值的因素众多且很多不明确,该Ra值的预测属典型的灰色问题。本文根据新息优先原理,通过改变GM(1,1,D)的边界条件和白化背景值z(1)(k)的选取方式,得到新息优化GM(1,1,α)模型。实验证明,用新息优化GM(1,1,α)模型预测螺旋锥齿轮的磨削加工表粗糙度可获得平均相对误差小于1%的高精度预测结果。     

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。