残差修正灰色模型及其在珩磨尺寸预报中的应用

针对一阶一变量灰色模型(Grey model with first order and one variable,GM(1,1))预测精度低、稳健性差的问题,提出了一种改进的GM(1,1)模型。通过背景值优化和参数累积估计,重新推导了GM(1,1)模型的预测公式,并引入残差修正系数和加权马尔科夫链对预测值进行两次残差修正,以提高预测精度。对柱塞套内圆珩磨尺寸的预测结果表明,该模型在原始数据波动条件下的预测精度最高,能弥补其它GM(1,1)模型的不足并实现对珩磨尺寸的预报。     

改进混沌粒子群优化的灰色系统模型在机床热误差建模中的应用

为减少热误差对数控机床加工精度的影响,提高灰色系统模型(Grey system Model,GM)的预测精度,尝试将改进混沌粒子群优化(Improvemen Chaotic Particle Swarm Optimization,ICPSO)算法引入到灰色系统模型中,提出一种基于改进混沌粒子群优化算法的灰色系统模型数控机床热误差建模方法。首先,建立粒子群优化(Particle Swarm Optimization,PSO)粒子与GM(1,N)系数的映射关系;其次,ICPSO中混沌理论的Logistic映射对粒子群的位置和速度进行初始化,通过优化搜索得到最优GM(1,N)系数和输入子集;最后,建立改进混沌粒子群优化的灰色系统模型(ICPSO-GM),对数控机床热误差进行预测。仿真实验表明,ICPSO-GM预测精度高于GM和人工神经网络(ANN)模型,证明了ICPSO-GM能有效地解决数控机床热误差预测问题。     

小批量生产质量的灰色-支持向量回归组合预测

质量控制是产品在制造阶段的质量保证。针对小批量生产模式下的质量预测补偿控制问题,提出一种灰色-支持向量回归组合模型进行质量参数预测。通过分析机械加工系统误差来源,建立了零件尺寸的数学描述模型。在此基础上,采用灰色GM(1,1)模型预测零件尺寸的趋势项,采用灰色支持向量回归模型预测残差项,符合样本数据自身的发展特性。实验表明,灰色-支持向量回归组合模型的预测精度高于其它模型,适合用于小批量生产环境下的质量预测控制。     

预测腐蚀管道剩余寿命的新方法研究

针对概率统计方法预测腐蚀管道剩余寿命对数据样本要求大和预测精度低的问题,提出采用灰色预测理论对腐蚀管道进行了剩余寿命预测;针对传统GM(1,1)模型不能根据非等时距数据进行数据拟合、背景值构造误差大和新信息利用充分的问题对GM(1,1)模型进行了改进,并提出灰色预测理论对非等间隔数据处理的新方法。通过采用所建立腐蚀管道剩余寿命模型和改进GM模型对腐蚀管道剩余寿命的计算,证明了该方法的准确、简洁、可行与普适性。     

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%。     

改进GM-Markov模型在道路交通事故预测中的应用研究

针对随机波动性数据对灰色GM(1.1)模型预测精度的影响问题,提出了基于BX数据处理方法与马尔可夫链理论的灰色预测模型(BXGrey-Markov模型)。首先,引入BX数据生成法对原始数据进行处理,以弱化原始数据之间的随机性。在灰色预测方法的基础上,引入马尔可夫链预测理论,建立了灰色马尔可夫预测模型,它是将灰色预测模型与马尔可夫预测方法优化组合,灰色预测模型用于预测随机序列数据的总体发展趋势,而用马尔可夫链模型预测各数据在总体趋势下的随机波动性变化,得到随机时间数列趋势预测模型的解。通过上海市交通事故预测实际数据进行了验证表明:灰色马尔可夫预测模型预测精度高于GM(1,1)模型的预测精度。GM(1,1)模型的平均预测精度为42.29%,BX GM(1,1)-Markov模型的平均预测精度为86.9%。     

灰色模型在不确定性疲劳寿命预测中的研究

考虑影响疲劳寿命因素的不确定性,应用灰色理论进行疲劳寿命预测。提出了基于线性GM(1,1)模型和非线性灰色Verhulst模型预测构件疲劳寿命的新方法。利用试验数据进行分析和计算,结果表明:基于传统Miner方法的疲劳寿命预测误差为61.4%;基于线性GM(1,1)模型的预测误差为24.1%;基于非线性灰色Verhulst模型的预测误差降低到17.5%。基于灰色模型预测的结果均偏向安全,说明灰色模型在不确定性疲劳寿命预测中具有较好的预测精度和潜在的工程实用价值。     

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%。     

基于GM(1,1)回归的需求预测优化模型研究

为提高市场需求预测的精确性,将多元线性回归方法与灰色GM(1,1)结合进行需求预测,利用灰色马尔科夫状态转移概率矩阵对预测结果进行优化,建立了一个新的需求预测优化模型,最后进行算例分析。结果表明,通过矩阵优化可有效降低预测误差,以实现科学合理的决策。     

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。     

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。     

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%。     

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。     

基于灰色支持向量机的液压泵寿命预测方法

针对单方法所建液压泵寿命预测模型精度较低的缺陷,提出基于灰色理论和支持向量机的组合预测模型的液压泵寿命预测方法.该方法通过灰色累加生成操作对原始序列进行数据处理,以增强数据的规律性;运用最小最终误差预测准则确定嵌入维数,选择模型的参数;采用支持向量机进行预测,利用灰色累减生成操作还原数据,得到预测结果.选取液压油的光谱分析数据作为液压泵的寿命特征信息,采用该模型对液压泵进行寿命预测,并与灰色模型、单一支持向量机模型进行预测性能对比.结果表明,灰色支持向量机预测性能最优,精度达到99.37％,为液压泵性能评估和寿命预测提供一种更为有效的方法.     

基于粒子群优化法的支持向量机回归对膛线加工切削力的预测

针对神经网络算法和支持向量机算法在膛线加工切削力预测过程存在的问题,基于粒子群优化法对支持向量机回归算法进行了改进.将实验得出的切削参数、切削力等数据输入到该算法模型中,训练得出最佳预测模型,进而用该模型进行切削力预测.经误差检验表明,该改进型算法的预测精度提升85％以上.     

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。     

关于灰色系统建模公式的改进

本文从理论角度对灰色系统建模公式进行了讨论,证明灰色系统建模公式仅仅是一个近似运算公式,并在此基础上,推导出灰色系统GM(1,1)模型的改进模型GM’(1,1).通过运算结果比较,证明改进模型比原系统模型具有更高的预测精度.     

GM-Markov综合模型在汽车货运量预测中的应用

针对传统GM预测模型的局限性,介绍了改进的GM-Markov综合预测模型的原理,应用范围及优缺点。运用GM-Markov综合预测模型对上海市汽车货运量进行了预测分析,结果表明:灰色—马尔可夫预测模型即能预测汽车货运量参数随机时间序列数据的总体趋势,又能适应波动性较大的随机序列变化,灰色—马尔可夫预测模型预测精度高于GM(1,1)模型的预测精度。该方法可以作为汽车货运量预测的理想工具。最后,就GM-Markov综合预测模型需进一步研究的问题进行了讨论,给出建议。     

GM（1，1）和线性回归模型及其在印刷包衬压缩变形数据预测中的应用

运用线性回归对预测数据进行分析,剔除异常数据,用GM（1,1）模型进行预测,有效降低了数据相对误差,提高了预测数据的精度。选用印刷包衬压缩变形的压缩变形量λ值,用线性回归进行数据分析并剔除异常数据后用GM（1,1）进行预测,使得预测数据具有更高的准确性和适应性。实验及仿真结果表明,经过前期数据分析整理后的灰色预测模型,其预测期望值远优于单纯的回归模型和GM（1,1）模型。