基于最小二乘支持向量机的磨损预测

被引:20
作者
曹一波 [1 ]
谢小鹏 [2 ]
机构
[1] 华南理工大学机械工程
[2] 华南理工大学汽车工程学院
关键词
最小二乘向量机; 磨损量; 齿轮箱;
D O I
暂无
中图分类号
TH117.1 [摩擦与磨损];
学科分类号
080203 ;
摘要
针对机器设备磨损产生的因素多,而且磨损量的多少与产生的因素具有高度非线性,磨损难以预测的问题,同时考虑到监测得到的数据为小样本事件也是磨损难以预测的原因,在齿轮箱实验数据的基础上,利用最小二乘支持向量机,给出预测步骤,提出一种以载荷、温度、振动信号特征、速度和时间为输入量,机器设备的磨损量为输出量的预测方法。用齿轮箱的实验数据验证了所提出的方法的有效性。
引用
收藏
页码:138 / 141+186 +186
页数:5
相关论文
共 9 条
[1]   基于支持向量机与信息融合的地震油气预测方法 [J].
金龙 ;
陈小宏 ;
王守东 .
石油地球物理勘探, 2006, (01) :76-80+122+127
[2]   预测型数据挖掘中的优化方法 [J].
郭崇慧 ;
陆玉昌 .
工程数学学报, 2005, (01) :25-29
[3]   基于核函数的SVM机与三层前向神经网络的关系 [J].
张铃 .
计算机学报, 2002, (07) :696-700
[4]   基于神经网络的多特征融合刀具磨损量识别 [J].
郑建明 ;
李言 ;
肖继明 ;
李淑娟 ;
袁启龙 ;
洪伟 .
机械科学与技术, 2002, (01) :111-113
[5]   柴油机磨损趋势预测 [J].
马智峰 ;
李晓峰 .
润滑与密封, 2000, (01) :54-56
[6]  
摩擦学原理[M]. - 清华大学出版社 , 温诗铸编著, 1990
[7]   Least squares support vector machine classifiers [J].
Suykens, JAK ;
Vandewalle, J .
NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300
[8]   A tutorial on Support Vector Machines for pattern recognition [J].
Burges, CJC .
DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) :121-167
[9]   SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297