基于文本数据挖掘的复杂工况螺纹连接力矩衰减预测方法

针对冲击、振动或变载荷环境等复杂工况下螺纹连接易失效,传统基于实验和仿真的方法无法高效、经济、准确地找出原因并对衰减进行预测的问题,本文利用人工智能技术在故障预测领域中的优势,提出一种基于数据挖掘的复杂工况螺纹连接力矩衰减预测方法.该方法从原始数据中挖掘其与螺纹连接故障的精确映射关系,准确找出螺纹连接发生失效的主要原因并对力矩衰减进行预测.首先,考虑导致文本极性变化的特殊语言结构,提出一种规则化故障量化方法;其次,结合螺纹连接力矩衰减专业领域词典,对螺纹连接力矩衰减进行基于文本描述的故障量化评级;再次,提出基于Logistic函数模型的特征构建方法并构建力矩衰减相关特征集;最后,建立基于随机森林和岭回归算法的Stacking集成学习预测模型.本文以重型卡车推力杆螺纹力矩衰减预测作为实际案例,验证了该方法的可行性和有效性,集成后的模型预测准确率较单一随机森林和岭回归算法模型平均提升了53.39％.

Prediction method for attenuation decay of threaded connection in complex working condition based on text data mining