航空保障特种装置的可靠性评估面临失效样本数据偏少的问题。为更加准确评估小样本情况下的可靠性,采用改进的平均秩次法计算样本的经验分布函数,在此基础上提出一种基于GM-SVR的三参数威布尔分布估计方法。该方法利用灰色模型(GM)在位置参数上的优势和支持向量回归(SVR)在小样本下的良好效果,对威布尔分布的3个参量进行精确估计。采用MATLAB工具箱对模型进行仿真实验,结果表明GM-SVR方法在故障数据样本较少情况下,参数估计精度高于传统的概率统计方法。以喷气偏流板为例,计算了威布尔分布的形状参数、尺度参数和位置参数,得到相关系数为0.9953,均方根误差为0.038,证明了在小样本情况下GM-SVR方法的拟合精度良好,可对航空保障特种装置的可靠性进行准确评估。

为了提高现代制造业的可靠性和效率,根据轴承剩余使用寿命预测(RUL),提出了一种基于联想神经网络的轴承剩余寿命预测模型。该模型在17个轴承数据集上随机选出4个轴承的数据作为模型的验证集,剩下的13个轴承数据来训练集,并采用5折交叉验证将这13个轴承数据划分为训练集和测试集。在训练神经网络时,采用了学习率衰减机制,并对比学习率衰减机制与固定学习率的差异。试验结果表明,该模型相比LASSO、随机森林回归(RFR)、支持向量回归(SVR)、深度学习等方法在RMSE和MAE两个方面具有明显的提高。

针对小样本条件下的轴承寿命预测问题,提出一种基于多子种群混沌自适应果蝇算法的多变量相空间重构-多核支持向量回归轴承剩余寿命预测综合优化方法。对多个特征向量进行相空间重构从而更加完整地还原轴承退化特性;利用不同的SVR核函数进行排列组合得到一个组合多核函数,从而将多核函数的构造问题转换为权值系数的优化问题;将延迟时间、嵌入维数、SVR参数以及多核函数权值作为整体参数向量,利用多子种群混沌自适应果蝇算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后将得到的预测模型对轴承剩余寿命进行预测,结果证明了提出方法能够有效提升小样本条件下的轴承剩余寿命预测精度。

为保障机械设备工作的安全性与可靠性,剩余寿命预测技术是设备轴承维护中的重要环节。由于深度学习具有强大的数据处理能力,提出通过使用深度学习的数据驱动方法来提高预测的准确度。首先,将来自轴承的原始振动信号用作深层网络的输入,深度置信网络和深度自编码器用于提取深度特征;其次,基于提取的特征选择不同的回归模型进行回归;最后,用测试轴承进行测试,比较两种深度特征及传统特征在不同的回归模型上的表现。实验结果表明,深度置信神经网络特征准确性更高,支持向量回归模型效果较其他模型更优。

为优化轴向柱塞泵的输出动态特性,提出了一种基于支持向量回归机(SVR)的柱塞泵配流盘三角槽结构优化方法。首先,根据轴向柱塞泵的工作原理对其输出特性进行建模,并通过试验对仿真模型的准确性和可行性进行验证,试验与仿真结果误差约为0.31%,理论模型与试验具有较好的一致性。然后,通过计算获取不同配流盘三角槽结构条件下的样本数据,基于SVR模型找出柱塞泵出口流量脉动与三角槽的深度角、宽度角间的对应关系,计算得到深度角与宽度角的最优解分别为11.2°和51.7°。最后,在相同工况条件下,将三角槽结构优化前和优化后计算结果进行对比分析,结果显示,柱塞泵优化后的流量脉动相比优化前降低了1.87%,为制作新产品缩短了研发周期和成本。

为提高轴承剩余使用寿命预测精度,提出一种基于改进PSO-SVR的轴承剩余使用寿命预测方法。选取轴承水平和垂直方向振动信号均方根、峰值因子、峭度因子等参数构造多维退化特征,建立基于SVR的轴承剩余使用寿命预测模型;针对SVR参数优化问题,设计一种动态自适应异步粒子群优化算法,引入G worst修正了速度位置更新公式,改进了一种基于倒S形函数的自适应惯性权重系数和一种基于惯性权重系数的异步自适应学习因子,能够有效克服局部最优,加快收敛效率,提高回归精度。仿真实验结果表明:提出的方法与GS-SVR、GA-SVR、PSO-SVR、MPSO-SVR相比,具有较高的预测效率和预测精度,预测精度均优于GBDT、RF、DT、GP等经典回归预测方法。

在自动化生产中建立难加工材料的表面质量预测模型,是实现可持续制造的基础。提出一种结合量子遗传算法和支持向量回归(Quantum genetic algorithm-Support vector regression,QGA-SVR)的已加工表面粗糙度预测模型,改进了现有寻优方法在搜索支持向量回归的模型参数易陷入局部最优解的问题。在量子门更新的过程中加入交叉和变异的操作,保证了模型全局搜索能力,为了提高支持向量回归的泛化能力,在参数优化过程结合了K-折叠交叉验证。结合干车削304不锈钢的切削试验以及现有的铣削实验数据,对比分析了基于量子遗传算法和遗传算法的支持向量回归模型。结果表明:QGA-SVR具有收敛速度快、预测精度高的优点,基于建立的QGA-SVR模型分析了切削参数对车削表面粗糙度的影响规律。

针对同步加载系统的控制提出一种MIMO系统的分散预测控制算法算法采用在线支持向量回归估计同步加载系统各加载通道的模型并提出了模型在线更新时训练样本的更新原则。通过对一种具有惯性、耦合和时滞特点模型的仿真试验验证了算法的控制精度和同步精度。

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。

针对多通道电液力伺服协调加载系统的控制算法，分析了加载系统的特性，提出了一种基于在线支持向量回归的分散预测控制算法。该算法应用在线支持向量回归进行各加载通道模型的在线估计，并将其作为分散预测控制的预测模型。仿真结果表明了该算法的有效性。