基于支持向量机工具的性能劣化建模方法

被引：6

作者：

邓超

吴军

万紫娟

机构：

[1] 华中科技大学数字制造装备与技术国家重点实验室

来源：

计算机集成制造系统 | 2009年 / 15卷 / 04期

关键词：

支持向量机; 性能劣化模型; 退化数据; 可靠性评估; 数控系统;

D O I：

10.13196/j.cims.2009.04.63.dengch.020

中图分类号：

TG659 [程序控制机床、数控机床及其加工];

学科分类号：

080202 ;

摘要：

针对基于故障数据的数控装备可靠性研究中的小样本问题,提出了建立基于支持向量机的性能劣化模型。在研究支持向量机的建模理论和参数优化方法的基础上,将最小二乘法支持向量机工具LSSVM.M应用于性能退化数据处理,提出一种改进的参数选择方法,以提高拟合和预测准确性。通过实例,验证了该方法的可行性,并建立了数控机床加工精度的性能劣化模型,为可靠性评估奠定了基础。

引用

页码：685 / 689

页数：5

共 10 条

[1] 基于RBF核函数的支持向量机参数选择 [J].

林升梁 ;

刘志 .

浙江工业大学学报, 2007, (02) :163-167

[2] 小子样机械产品可靠性试验研究 [J].

李超 ;

王金诺 .

中国机械工程, 2004, (21) :20-24

[3] 基于支持向量机的机械设备状态趋势预测研究 [J].

李凌均 ;

张周锁 ;

何正嘉 .

西安交通大学学报, 2004, (03) :230-233+238

[4] 支持向量机回归在线建模及应用 [J].

王定成 ;

方廷健 ;

高理富 ;

马永军 .

控制与决策, 2003, (01) :89-91+95

[5] 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

[6] Fast Monte Carlo reliability evaluation using support vector machine [J].

Rocco, CM ;

Moreno, JA .

RELIABILITY ENGINEERING & SYSTEM SAFETY, 2002, 76 (03) :237-243

[7]

Weighted least squares support vector machines: robustness and sparse approximation[J] . J.A.K. Suykens,J. De Brabanter,L. Lukas,J. Vandewalle.Neurocomputing . 2002 (1)

[8] Choosing Multiple Parameters for Support Vector Machines [J].

Olivier Chapelle ;

Vladimir Vapnik ;

Olivier Bousquet ;

Sayan Mukherjee .

Machine Learning, 2002, 46 :131-159

[9] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[10] A tutorial on Support Vector Machines for pattern recognition [J].

Burges, CJC .

DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) :121-167

← 1 →