CN112699502A - 一种基于pso-svr的轴承剩余使用寿命预测方法 - Google Patents
一种基于pso-svr的轴承剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN112699502A CN112699502A CN202011401437.8A CN202011401437A CN112699502A CN 112699502 A CN112699502 A CN 112699502A CN 202011401437 A CN202011401437 A CN 202011401437A CN 112699502 A CN112699502 A CN 112699502A
- Authority
- CN
- China
- Prior art keywords
- data
- svr
- particle
- parameters
- follows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 230000001788 irregular Effects 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000013016 learning Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000005096 rolling process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于PSO‑SVR的轴承剩余使用寿命预测方法。该方法为:首先获取原始振动数据,对原始振动数据进行数据预处理和归一化,去除不规则数据和填补缺失数据并做平滑处理;提取数据的时域特征和频域特征,利用PCA进行数据降维和数据融合以替代原始特征指标;然后构建SVR模型,初始化SVR的初始参数C和g;设置PSO算法的参数,对SVR参数进行寻优,求取最优解,得到最优参数C和g;最后使用最优参数C和g训练SVR,输入测试数据进行SVR预测。本发明数据集需求少、数据集获取代价小、预测精度高,满足了机械系统对轴承剩余寿命预测的需求。
Description
技术领域
本发明涉及轴承故障预测技术领域,特别是一种基于PSO-SVR的轴承剩余使用寿命预测方法。
背景技术
旋转机械是机械设备系统中常见的重要组成部分,而滚动轴承又是旋转机械众多零部件中至关重要的一个,滚动轴承可以将零件间的滑动摩擦变为滚动摩擦,从而降低摩擦损耗,提高机械设备的使用寿命。由于滚动轴承常处于随机的载荷之下,且受转速过高引起的温度过高、机械振动以及润滑方式的影响,所以滚动轴承是旋转机械设备中大概率产生故障的零件,滚动轴承是否稳定正常工作是影响整个旋转机械设备的运行可靠性的最主要的原因。
导致滚动轴承出现故障的原因有多种:润滑不足、装配不良、载荷不同或者过载使用、轴承出厂有缺陷。即使是同批次、同型号的两个轴承在相同的使用环境下,它们的使用寿命也存在着极大的差距。一旦作为核心零件的滚动轴承出现了故障,整个机械设备就无法正常工作,引发一连串的连锁反应,产生难以预料的安全生产事故或造成不必要的经济损失,更有甚者还可能出现人员伤亡等灾难性的事故,造成极其恶劣的社会不良影响,所以建立一套以历史数据为基础的剩余使用寿命预测的系统来预测轴承的剩余寿命已成为当下众多研究领域中重要且必不可少的研究内容。
发明内容
本发明的目的在于提供一种数据集需求少、数据集获取代价小、精准度的基于PSO-SVR的轴承剩余使用寿命预测方法。
实现本发明目的的技术解决方案为:一种基于PSO-SVR的轴承剩余使用寿命预测方法,包括以下步骤:
步骤1、获取原始振动数据,对原始振动数据进行数据预处理和归一化,去除不规则数据和填补缺失数据并做平滑处理;
步骤2、提取数据的时域特征和频域特征,利用PCA进行数据降维和数据融合以替代原始特征指标;
步骤3、构建SVR模型,初始化SVR的初始参数,包括惩罚系数C和核函数宽度g;
步骤4、设置PSO算法的初始参数,对SVR参数进行寻优,求取最优解,得到最优参数C和g;
步骤5、使用最优参数C和g训练SVR,输入测试数据进行SVR预测。
进一步地,步骤1所述的获取原始振动数据,对原始振动数据进行数据预处理和归一化,去除不规则数据和填补缺失数据并做平滑处理,具体如下:
步骤1.1、去除奇异值:设置阈值,剔除振动信号中加速度值超过阈值的点;
步骤1.2、去除趋势项:为防止传感器自身缺陷和外界干扰引起的信号基线偏离零点的现象,对振动信号进行去除趋势项处理;
步骤1.3、平滑处理:采用五点三次平滑法,取振动信号中相邻的5个数据点,并用这5个点拟合出一条3次的曲线,然后用这条3次曲线上相应位置的数据值作为新的值,对振动信号进行平滑处理。
进一步地,步骤2所述的提取数据的时域特征和频域特征,利用PCA进行数据降维和数据融合以替代原始特征指标,具体如下:
步骤2.1、提取数据的如表1中的7个时域特征和表2中的16个频域特征;
表1
频域指标具体如表2所示:
表2
其中N0是振动信号样本点总个数,x(i)是轴承加速度信号,Fs是传感器的采样频率,s(m)是x(i)的频谱,M为谱线总个数,vm是第m条谱线的频率值,F1用来描述频域振动能量的大小,F2-F4,F6,F10-F12用来描述频谱聚集或扩散程度的大小,F5,F7-F9用来描述主频带位置的变化;
步骤2.2、PCA数据降维,具体如下:
步骤2.2.1、数据特征共有23个,从轴承的振动信号中提取出m个23维的特征向量作为数据样本集,其中m为样本集合中的样本数,构建m*n的样本矩阵Dki如下:
步骤2.2.2、构建23*23的协方差矩阵Cij如下:
步骤2.2.3、计算协方差矩阵Cij的特征值λ'={λi,i=1,2,...,p},p为降维后的维度,并计算每个特征值对应的特征向量e={ei,i=1,2,...,n};
步骤2.2.4、将协方差矩阵Cij的n个特征值进行排序,选取靠前的p个特征值对应的特征向量构建m*p的模式矩阵E;
降维后的矩阵F为F=[ET×AT]T,A是中心化矩阵,该矩阵是由样本矩阵Dki的每一维数据减去该维均值后得到的数据。
进一步地,步骤3所述的构建SVR模型,初始化SVR的初始参数C和g,具体如下:
步骤3.1、确定初始惩罚系数C为任意值,具体如下:
SVR模型表达式为:
f(x)=<W·xi>+b
其中,<W·xi>称为W和xi的内积,W为权重系数,b为偏置项,xi为输入的特征向量,f(x)为输出;
SVR等价于求解最小值优化问题:
其中,C称为惩罚系数,n为特征向量个数,Lε称为不敏感损失函数,ε为不敏感边界,选取ε-不敏感损失函数作为不敏感误差,ε-不敏感损失函数表达式如下:
步骤3.2、确定初始核函数宽度g,具体如下:
当数据样本在低维空间无法线性回归时,引入核函数将数据样本映射到高维特征空间,使得数据样本在高维空间上实现线性回归,从而实现非线性数据样本的回归分析;
高斯核函数为:
其中xi,xj为低维输入空间的特征向量,K(xi,xj)为两个特征向量经非线性映射到高维空间后的内积,g为核函数宽度。
进一步地,步骤4所述的设置PSO算法的参数,对SVR参数进行寻优,求取最优解,得到最优参数C和g,具体如下:
步骤4.1、初始化粒子群,具体如下:
初始化粒子群群体规模N、每个粒子的初始位置Xi和速度Vi;
步骤4.2、计算每个粒子的适应度值,更新个体最优位置Pg和全局最优位置gbest,具体如下:
步骤4.2.1、将粒子当前位置输入到目标优化函数,得到每个粒子的适应度值,判断每个粒子当前适应度值和之前最优适应度值的大小,如果升高,则更新个体历史最佳位置;
步骤4.2.2、遍历每个粒子的个体历史最佳位置所对应的适应度值,并与全局极值对应的适应度值作比较,如果某个粒子的适应度值更高,则用该粒子的位置更新全局最佳位置;
步骤4.3、更新每个粒子的速度与位置,公式为:
viD(k+1)=w.viD(k)+c1.r1.(piD(k)-xiD(k))+c2.r2.(pgD(k)-xiD(k))
xiD(k+1)=xiD(k)+viD(k+1)
其中w为惯性权重,D代表搜索空间的维度,这里为2,c1是每个粒子的个体学习因子,c2是每个粒子的社会学习因子,r1和r2为0到1之间的随机数,pgD(k)为整个种群前K次中的最优位置,piD(k)为第i个粒子前K次中的最优位置,xiD(k)为第i个粒子第k次的位置,viD(k+1)为第i个粒子第k次的速度;
其中惯性权重w采用自适应的惯性权重的方法获得,公式为:
wmax,wmin分别为最大惯性权重、最小惯性权重,这里取wmin=0.1,wmax=1;a为常数且0<a<1;k为当前迭代次数,kmax为最大迭代次数;
若达到结束条件则终止寻优,否则转步骤4.2。
本发明与现有技术相比,其显著优点为:(1)通过对历史数据进行预处理,基于PSO算法对SVR算法参数进行寻优,从而建立精准有效的轴承剩余使用寿命预测模型,提高了轴承剩余使用寿命预测的准确性;(2)所需数据集较少,数据集获取的代价小。
附图说明
图1为本发明基于PSO-SVR的轴承剩余使用寿命预测方法的流程示意图。
图2为本发明实施例中SVR模型的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。
结合图1,本发明一种基于PSO-SVR的轴承剩余使用寿命预测方法,包括以下步骤:
步骤1、获取原始振动数据,对原始振动数据进行数据预处理和归一化,去除不规则数据和填补缺失数据并做平滑处理,具体如下:
步骤1.1、去除奇异值:设置阈值,剔除振动信号中加速度值超过阈值的点;
步骤1.2、去除趋势项:为防止传感器自身缺陷和外界干扰引起的信号基线偏离零点的现象,对振动信号进行去除趋势项处理;
步骤1.3、平滑处理:采用五点三次平滑法,取振动信号中相邻的5个数据点,并用这5个点拟合出一条3次的曲线,然后用这条3次曲线上相应位置的数据值作为新的值,对振动信号进行平滑处理。
步骤2、提取数据的时域特征和频域特征,利用PCA进行数据降维和数据融合以替代原始特征指标,具体如下:
步骤2.1、提取数据的时域特征和频域特征:
时域特征具体如表1所示:
表1
频域指标具体如表2所示:
表2
其中N0是振动信号样本点总个数,x(i)是轴承加速度信号,Fs是传感器的采样频率,s(m)是x(i)的频谱,M为谱线总个数,vm是第m条谱线的频率值,F1用来描述频域振动能量的大小,F2-F4,F6,F10-F12用来描述频谱聚集或扩散程度的大小,F5,F7-F9用来描述主频带位置的变化;
步骤2.2、PCA数据降维,具体如下:
步骤2.2.1、数据特征共有23个,轴承的振动信号中提取出m个23维的特征向量作为数据样本集,构建m*n矩阵D如下:
步骤2.2.2、构建23*23的协方差矩阵如下:
其中Cij的表达式如下:
步骤2.2.3、计算协方差矩阵C的特征值λ'={λi,i=1,2,...,p},p为要降的维度,并计算每个特征值对应的特征向量e={ei,i=1,2,...,n};
步骤2.2.4、将协方差矩阵C的n个特征值进行排序,选取靠前的p个特征值对应的特征向量构建m*p的模式矩阵E;
降维后的矩阵F可以表示为F=[ET×AT]T,A是中心化矩阵,该矩阵是由样本矩阵D的每一维数据减去该维(列)均值后得到的数据:
将矩阵A进行转置,代入公式得到矩阵F,F就是通过主成分分析后得到的降维后的矩阵。
步骤3、构建SVR模型,初始化SVR的初始参数C和g,具体如下:
步骤3.1、确定初始惩罚系数C,具体如下:
SVR模型表达式为:
f(x)=<W·xi>+b
其中,<W·xi>称为W和xi的内积,W为权重系数,b为偏置项,xi为输入的特征向量,f(x)为输出。
图2是SVR原理示意图,SVR问题等价于求解最小值优化问题:
其中,C称为惩罚系数,n为特征向量个数,Lε称为不敏感损失函数,ε为不敏感边界,选取ε-不敏感损失函数作为不敏感误差,ε-不敏感损失函数表达式如下:
步骤3.2、确定初始核函数宽度g,具体如下:
当数据样本在低维空间无法线性回归时,引入核函数可以将数据样本映射到高维特征空间,使得数据样本在高维空间上实现线性回归,从而实现非线性数据样本的回归分析;
高斯核函数为:
其中xi,xj为低维输入空间的特征向量,K(xi,xj)为两个特征向量经非线性映射到高维空间后的内积,g为核函数宽度。
步骤4、设置PSO算法的参数,对SVR参数进行寻优,求取最优解,得到最优参数C和g,具体如下:
步骤4.1、初始化粒子群,具体如下:
初始化粒子群群体规模N、每个粒子的初始位置Xi和速度Vi,使用伪随机分布思想,将粒子群搜索的全局空间平均分为M个局部空间,然后在每个局部空间上随机分布N/M个粒子;
步骤4.2、计算每个粒子的适应度值,更新个体最优位置Pg和全局最优位置gbest,具体如下:
步骤4.2.1、将粒子当前位置输入到目标优化函数,得到每个粒子的适应度值,判断每个粒子当前适应度值和之前最优适应度值的大小,如果升高,则更新个体历史最佳位置;
步骤4.2.2、遍历每个粒子的个体历史最佳位置所对应的适应度值,并与全局极值对应的适应度值作比较,如果某个粒子的适应度值更高,则用该粒子的位置更新全局最佳位置;
步骤4.3、更新每个粒子的速度与位置,公式为:
viD(k+1)=w.viD(k)+c1.r1.(piD(k)-xiD(k))+c2.r2.(pgD(k)-xiD(k))
xiD(k+1)=xiD(k)+viD(k+1)
其中w为惯性权重,D代表搜索空间的维度,这里为2,c1是每个粒子的个体学习因子,c2是每个粒子的社会学习因子,r1和r2为0到1之间的随机数,pgD(k)为整个种群前K次中的最优位置,piD(k)为第i个粒子前K次中的最优位置,xiD(k)为第i个粒子第k次的位置,viD(k+1)为第i个粒子第k次的速度;
其中惯性权重w采用自适应的惯性权重的方法获得,公式为:
wmax,wmin分别为最大惯性权重、最小惯性权重,这里取wmin=0.1,wmax=1;a为常数且0<a<1;k为当前迭代次数,kmax为最大迭代次数。
若达到结束条件则终止寻优,否则转步骤4.2。
步骤5、使用最优参数C和g训练SVR,输入测试数据进行SVR预测,具体如下:
用获得的最优惩罚参数C和核函数参数宽度g训练SVR模型,将测试数据输入到SVR模型中进行测试,输出测试结果,即滚动轴承剩余寿命的预测结果。
Claims (5)
1.一种基于PSO-SVR的轴承剩余使用寿命预测方法,其特征在于,包括以下步骤:
步骤1、获取原始振动数据,对原始振动数据进行数据预处理和归一化,去除不规则数据和填补缺失数据并做平滑处理;
步骤2、提取数据的时域特征和频域特征,利用PCA进行数据降维和数据融合以替代原始特征指标;
步骤3、构建SVR模型,初始化SVR的初始参数,包括惩罚系数C和核函数宽度g;
步骤4、设置PSO算法的初始参数,对SVR参数进行寻优,求取最优解,得到最优参数C和g;
步骤5、使用最优参数C和g训练SVR,输入测试数据进行SVR预测。
2.根据权利要求1所述的基于PSO-SVR的轴承剩余使用寿命预测方法,其特征在于,步骤1所述的获取原始振动数据,对原始振动数据进行数据预处理和归一化,去除不规则数据和填补缺失数据并做平滑处理,具体如下:
步骤1.1、去除奇异值:设置阈值,剔除振动信号中加速度值超过阈值的点;
步骤1.2、去除趋势项:为防止传感器自身缺陷和外界干扰引起的信号基线偏离零点的现象,对振动信号进行去除趋势项处理;
步骤1.3、平滑处理:采用五点三次平滑法,取振动信号中相邻的5个数据点,并用这5个点拟合出一条3次的曲线,然后用这条3次曲线上相应位置的数据值作为新的值,对振动信号进行平滑处理。
3.根据权利要求1所述的基于PSO-SVR的轴承剩余使用寿命预测方法,其特征在于,步骤2所述的提取数据的时域特征和频域特征,利用PCA进行数据降维和数据融合以替代原始特征指标,具体如下:
步骤2.1、提取数据的如表1中的7个时域特征和表2中的16个频域特征;
表1
频域指标具体如表2所示:
表2
其中N0是振动信号样本点总个数,x(i)是轴承加速度信号,Fs是传感器的采样频率,s(m)是x(i)的频谱,M为谱线总个数,vm是第m条谱线的频率值,F1用来描述频域振动能量的大小,F2-F4,F6,F10-F12用来描述频谱聚集或扩散程度的大小,F5,F7-F9用来描述主频带位置的变化;
步骤2.2、PCA数据降维,具体如下:
步骤2.2.1、数据特征共有23个,从轴承的振动信号中提取出m个23维的特征向量作为数据样本集,其中m为样本集合中的样本数,构建m*n的样本矩阵Dki如下:
步骤2.2.2、构建23*23的协方差矩阵Cij如下:
步骤2.2.3、计算协方差矩阵Cij的特征值λ'={λi,i=1,2,...,p},p为降维后的维度,并计算每个特征值对应的特征向量e={ei,i=1,2,...,n};
步骤2.2.4、将协方差矩阵Cij的n个特征值进行排序,选取靠前的p个特征值对应的特征向量构建m*p的模式矩阵E;
降维后的矩阵F为F=[ET×AT]T,A是中心化矩阵,该矩阵是由样本矩阵Dki的每一维数据减去该维均值后得到的数据。
4.根据权利要求1所述的基于PSO-SVR的轴承剩余使用寿命预测方法,其特征在于,步骤3所述的构建SVR模型,初始化SVR的初始参数C和g,具体如下:
步骤3.1、确定初始惩罚系数C为任意值,具体如下:
SVR模型表达式为:
f(x)=<W·xi>+b
其中,<W·xi>称为W和xi的内积,W为权重系数,b为偏置项,xi为输入的特征向量,f(x)为输出;
SVR等价于求解最小值优化问题:
其中,C称为惩罚系数,n为特征向量个数,Lε称为不敏感损失函数,ε为不敏感边界,选取ε-不敏感损失函数作为不敏感误差,ε-不敏感损失函数表达式如下:
步骤3.2、确定初始核函数宽度g,具体如下:
当数据样本在低维空间无法线性回归时,引入核函数将数据样本映射到高维特征空间,使得数据样本在高维空间上实现线性回归,从而实现非线性数据样本的回归分析;
高斯核函数为:
其中xi,xj为低维输入空间的特征向量,K(xi,xj)为两个特征向量经非线性映射到高维空间后的内积,g为核函数宽度。
5.根据权利要求1所述的基于PSO-SVR的轴承剩余使用寿命预测方法,其特征在于,步骤4所述的设置PSO算法的参数,对SVR参数进行寻优,求取最优解,得到最优参数C和g,具体如下:
步骤4.1、初始化粒子群,具体如下:
初始化粒子群群体规模N、每个粒子的初始位置Xi和速度Vi;
步骤4.2、计算每个粒子的适应度值,更新个体最优位置Pg和全局最优位置gbest,具体如下:
步骤4.2.1、将粒子当前位置输入到目标优化函数,得到每个粒子的适应度值,判断每个粒子当前适应度值和之前最优适应度值的大小,如果升高,则更新个体历史最佳位置;
步骤4.2.2、遍历每个粒子的个体历史最佳位置所对应的适应度值,并与全局极值对应的适应度值作比较,如果某个粒子的适应度值更高,则用该粒子的位置更新全局最佳位置;
步骤4.3、更新每个粒子的速度与位置,公式为:
viD(k+1)=w.viD(k)+c1.r1.(piD(k)-xiD(k))+c2.r2.(pgD(k)-xiD(k))
xiD(k+1)=xiD(k)+viD(k+1)
其中w为惯性权重,D代表搜索空间的维度,这里为2,c1是每个粒子的个体学习因子,c2是每个粒子的社会学习因子,r1和r2为0到1之间的随机数,pgD(k)为整个种群前K次中的最优位置,piD(k)为第i个粒子前K次中的最优位置,xiD(k)为第i个粒子第k次的位置,viD(k+1)为第i个粒子第k次的速度;
其中惯性权重w采用自适应的惯性权重的方法获得,公式为:
wmax,wmin分别为最大惯性权重、最小惯性权重,这里取wmin=0.1,wmax=1;a为常数且0<a<1;k为当前迭代次数,kmax为最大迭代次数;
若达到结束条件则终止寻优,否则转步骤4.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011401437.8A CN112699502A (zh) | 2020-12-03 | 2020-12-03 | 一种基于pso-svr的轴承剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011401437.8A CN112699502A (zh) | 2020-12-03 | 2020-12-03 | 一种基于pso-svr的轴承剩余使用寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699502A true CN112699502A (zh) | 2021-04-23 |
Family
ID=75506320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011401437.8A Pending CN112699502A (zh) | 2020-12-03 | 2020-12-03 | 一种基于pso-svr的轴承剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699502A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435056A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
CN113821419A (zh) * | 2021-08-20 | 2021-12-21 | 西安理工大学 | 一种基于svr和高斯函数的云服务器老化预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200242483A1 (en) * | 2019-01-30 | 2020-07-30 | Intuit Inc. | Method and system of dynamic model selection for time series forecasting |
CN111597651A (zh) * | 2020-04-30 | 2020-08-28 | 上海工程技术大学 | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 |
-
2020
- 2020-12-03 CN CN202011401437.8A patent/CN112699502A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200242483A1 (en) * | 2019-01-30 | 2020-07-30 | Intuit Inc. | Method and system of dynamic model selection for time series forecasting |
CN111597651A (zh) * | 2020-04-30 | 2020-08-28 | 上海工程技术大学 | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 |
Non-Patent Citations (1)
Title |
---|
孙晨光: "基于PSO优化SVM的滚动轴承剩余使用寿命预测研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435056A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
CN113821419A (zh) * | 2021-08-20 | 2021-12-21 | 西安理工大学 | 一种基于svr和高斯函数的云服务器老化预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
Wang et al. | Quality-related fault detection approach based on orthogonal signal correction and modified PLS | |
CN115828140B (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
CN112699502A (zh) | 一种基于pso-svr的轴承剩余使用寿命预测方法 | |
CN110608884B (zh) | 一种基于自注意力神经网络的滚动轴承状态诊断方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
Maleki et al. | Simultaneous monitoring of multivariate process mean and variability in the presence of measurement error with linearly increasing variance under additive covariate model (research note) | |
CN112557034A (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN103955714A (zh) | 基于水军检测模型构建方法和系统及水军检测方法 | |
CN112131797B (zh) | 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法 | |
CN111915022B (zh) | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 | |
Mukhametzyanov | ReS-algorithm for converting normalized values of cost criteria into benefit criteria in MCDM tasks | |
CN111274543A (zh) | 一种基于高维空间映射的航天器系统异常检测方法 | |
CN114997528A (zh) | 一种基于注塑产品质量分析的生产参数调节方法及系统 | |
CN110516920B (zh) | 基于指标融合的陀螺仪质量等级评估方法 | |
CN117789038B (zh) | 一种基于机器学习的数据处理与识别模型的训练方法 | |
CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
CN114037139A (zh) | 一种基于注意力机制的货运车辆仓库逗留时长预测方法 | |
CN113837578A (zh) | 一种电力监理企业网格化监督管理评价方法 | |
CN116244657A (zh) | 基于生成对抗网络和集成学习的列车轴温异常识别方法 | |
CN113033683B (zh) | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 | |
Ribeiro et al. | Selecting transients automatically for the identification of models for an oil well | |
CN111651512B (zh) | 基于半监督学习的多源异构商品特征权重求解方法和装置 | |
CN116011982A (zh) | 一种磨煤机磨辊断裂在线监测方法及系统 | |
CN114997216A (zh) | 一种基于张量多模态特征高阶匹配的轴承故障识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210423 |
|
RJ01 | Rejection of invention patent application after publication |