基于支持向量机的航空发动机滑油监控分析

被引:32
作者
尉询楷
李应红
王硕
路建明
汪诚
机构
[1] 空军工程大学工程学院
[2] 山东青岛即墨鹤山工业园
关键词
航空、航天推进系统; 滑油监控; 自回归模型; 支持向量回归; 时间序列预测;
D O I
10.13224/j.cnki.jasp.2004.03.021
中图分类号
V233.4 [润滑系统];
学科分类号
摘要
提出了一种基于支持向量机的航空发动机滑油金属含量预测方法。详细分析了支持向量机用于时间序列预测的理论基础,并给出了运用支持向量回归进行多步预测的一般公式,提出了用最终预报误差(FPE)准则优化选取嵌入维数。与传统的AR预测模型相比,支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力。经过数值仿真得出自回归(AR)模型仅适合于短期预测;支持向量机预测推广能力强、具有较强的鲁棒性和容错性,对较长区间预测仍具有较好的效果。最后,将其应用于某型发动机滑油的铁金属含量预测,取得了较好的效果。
引用
收藏
页码:392 / 397
页数:6
相关论文
共 7 条
  • [1] Applications of Support Vector Machines in Financial Forecasting. Tay F E H,Cao L J. Omega . 2001
  • [2] Nonlinear Prediction of Chaotic Time Series Using a Support Vector Machine. Mukherjee S,Osuna E,Girosi F. In Principe J, Gile L, Morgan N, Wilson E, Editors, Neural Networks for Signal Processing VII - Proceedings of the 1997 IEEE Workshop . 1997
  • [3] Dynamic Support Vector Machines for Non-Stationary Time Series Forecasting. Cao L J,Gu Q M. Intelligent Data Analysis . 2002
  • [4] Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. Vapnik V,Golowich S,Smola A. In Mozer M, Jordan M, Petsche T, Editors,Advances in Neural Information Processing Systems 9[C] . 1997
  • [5] Support Vector Regression Machines. Drucker H,Burges C J C,Kaufman L,Smola A,Vapnik V. In Mozer M, Jordan M, Petsche T, Editors, Advances in Neural Information Processing Systems 9 . 1997
  • [6] An Introduction to Kernel Methods. Campbell C. In Howlett R J, Jain L C, Editors, Radial Basis Function Networks: Design and Applications[C] . 2000
  • [7] Comparison of Model Selection for Regression. Cherkassky V. Neural Computation . 2003