基于組合核函數(shù)OSVR算法的起重機(jī)減速齒輪箱磨損趨勢預(yù)測

曹勁然　馮　毅　陸寶春　張登峰　吳　建　石勝征　關(guān)德壯

1.南京理工大學(xué)，南京，210094　　2.南通潤邦重機(jī)股份有限公司，南通，226013

基于組合核函數(shù)OSVR算法的起重機(jī)減速齒輪箱磨損趨勢預(yù)測

曹勁然1馮毅1陸寶春1張登峰1吳建2石勝征2關(guān)德壯2

1.南京理工大學(xué)，南京，2100942.南通潤邦重機(jī)股份有限公司，南通，226013

針對起重機(jī)減速齒輪箱的磨損過程具有非線性與時變性，傳統(tǒng)磨損趨勢預(yù)測方法無法有效兼顧預(yù)測精度與執(zhí)行效率的問題，提出了一種基于組合核函數(shù)的在線支持向量機(jī)回歸(online support vector regression，OSVR)預(yù)測算法。OSVR的在線學(xué)習(xí)算法能夠適應(yīng)時間序列的時變性并提高執(zhí)行效率，同時可利用不同的核函數(shù)性能，通過組合模型提高預(yù)測精度。采用實(shí)際齒輪箱鐵譜數(shù)據(jù)對預(yù)測算法進(jìn)行驗(yàn)證，結(jié)果表明，基于組合核函數(shù)的OSVR預(yù)測算法具有很好的預(yù)測精度和適應(yīng)性，能有效預(yù)測起重機(jī)齒輪箱的磨損故障，且相比于單一OSVR算法和灰色神經(jīng)網(wǎng)絡(luò)組合算法有更高的效率和預(yù)測精度。

齒輪箱；磨損趨勢預(yù)測；在線支持向量機(jī)回歸；核函數(shù)

0　引言

減速齒輪箱是起重機(jī)執(zhí)行起升、變幅、回轉(zhuǎn)等動作的關(guān)鍵傳動部件之一。在工作過程中，齒輪箱經(jīng)常受到重載、沖擊和交變載荷的作用，容易發(fā)生磨損故障，導(dǎo)致齒輪箱失效[1]。齒輪箱的潤滑油中蘊(yùn)含著豐富的齒輪磨損信息[2]，通過對潤滑油的在線油液監(jiān)測，可以掌握其磨損狀態(tài)變化規(guī)律并提前作出故障預(yù)警，所以基于油液監(jiān)測數(shù)據(jù)的在線磨損趨勢預(yù)測對齒輪箱及起重機(jī)的安全維護(hù)具有重要意義。

目前磨損趨勢預(yù)測模型主要有灰色模型、時間序列模型和神經(jīng)網(wǎng)絡(luò)模型等。文獻(xiàn)[3]采用灰色模型對發(fā)動機(jī)鐵譜分析值進(jìn)行了磨損趨勢分析，但該模型只適用于小樣本趨勢預(yù)測，難以預(yù)測非線性磨損過程；文獻(xiàn)[4]通過自回歸求和滑動平均時間序列來預(yù)測齒輪箱的非平穩(wěn)磨損趨勢，但預(yù)測效率較低，且模型參數(shù)確定后不能對非線性時變序列進(jìn)行跟蹤預(yù)測；文獻(xiàn)[5]將基于BP神經(jīng)網(wǎng)絡(luò)的多變量模型應(yīng)用于航空發(fā)動機(jī)磨損趨勢預(yù)測，但同樣預(yù)測效率低，只適用于離線長期趨勢預(yù)測。起重機(jī)減速齒輪箱的磨損機(jī)制復(fù)雜，其磨損狀態(tài)變化往往具有時變性與非線性，因此傳統(tǒng)的預(yù)測模型難以獲得滿意的效果；對于復(fù)雜時間序列，單一模型預(yù)測精度較低，而多模型組合可以提高預(yù)測精度[6]。文獻(xiàn)[6]提出了一種BP神經(jīng)網(wǎng)絡(luò)修正灰色殘差的組合模型預(yù)測方法，獲得了較好的預(yù)測結(jié)果，但神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程易陷入局部最小，且預(yù)測結(jié)果不穩(wěn)定。支持向量回歸(support vector regression，SVR)算法能有效解決小樣本、非線性、高維數(shù)和局部極小等問題[7]，而且隨著在線SVR算法的研究與發(fā)展，在線最小二乘SVR、OSVR等能夠在線學(xué)習(xí)并動態(tài)調(diào)整模型參數(shù)，具有在線自適應(yīng)性[8]。針對起重機(jī)齒輪箱的磨損趨勢預(yù)測問題，本文提出一種組合核函數(shù)的OSVR算法，利用支持向量機(jī)局部核函數(shù)與全局核函數(shù)的特性，先采用全局核函數(shù)OSVR算法在線預(yù)測整體趨勢，再用局部核函數(shù)OSVR算法對殘差進(jìn)行實(shí)時修正，從而提高總體預(yù)測精度與效率。

1　算法理論基礎(chǔ)

1.1支持向量回歸原理

將支持向量機(jī)推廣到非線性回歸估計中，稱為回歸型支持向量機(jī)。T為給定數(shù)據(jù)集：

T={(xi,yi)|xi∈Rd,yi∈R,i=1,2,…,n}

把輸入樣本通過φ(·)非線性映射到高維特征空間，構(gòu)造回歸函數(shù)為

f(x)=(w·φ(x))+b

(1)

其中，w∈Rd，b∈R，可以通過求解如下凸二次規(guī)劃問題得到：

(2)

引入拉格朗日乘子可將原凸二次規(guī)劃問題(式(2))轉(zhuǎn)化為對偶二次規(guī)劃問題：

(3)

Qij=φ(xi)Tφ(xj)=K(xi,xj)

(4)

1.2OSVR在線學(xué)習(xí)算法

普通的SVR模型是在離線情況下對數(shù)據(jù)集進(jìn)行批量訓(xùn)練的，效率較低，而基于增量式在線學(xué)習(xí)的OSVR模型是逐一加入新數(shù)據(jù)進(jìn)行優(yōu)化訓(xùn)練的，當(dāng)數(shù)據(jù)在線更新時，能夠通過增加或刪除一個樣本實(shí)現(xiàn)模型的動態(tài)調(diào)整[9]。

(5)

根據(jù)h(xi)與θi的情況可以將樣本分為三個子集，即支持向量集S、錯誤支持向量集E和樣本保留集R：

(6)

增量式在線學(xué)習(xí)算法包括遞增算法和遞減算法。遞增算法的基本思想是當(dāng)新樣本加入訓(xùn)練集{xc,yc}時，需要對新樣本加入θc，并逐步調(diào)整θi和θc使新樣本加入式(6)中的三個集合之一，同時要使所有樣本滿足KKT條件。具體方法是：當(dāng)|h(xc)|<ε時，新樣本加入R集，原樣本集的θi不需改變；當(dāng)|h(xc)| ≥ε時，新樣本加入S集或E集，加入前應(yīng)確保原樣本仍滿足KKT條件，否則對原有集合作樣本移動，直至所有樣本滿足KKT條件。遞減算法的基本思想與遞增算法類似，即遺忘訓(xùn)練集中的一些樣本，然后通過調(diào)整剩余樣本的參數(shù)使其滿足KKT條件。由此可以實(shí)現(xiàn)SVR模型的動態(tài)調(diào)整以及訓(xùn)練樣本的在線更新。

1.3相空間重構(gòu)理論

Takens[10]的相空間重構(gòu)理論中提出，系統(tǒng)中任一分量的演化是由與之相互作用的其他分量決定的，因此起重機(jī)齒輪箱的磨損時間序列應(yīng)該隱含著齒輪箱的摩擦學(xué)運(yùn)動規(guī)律。根據(jù)相空間重構(gòu)理論，假設(shè)觀測到的時間序列為{x(k),k=1,2,…,N}，重構(gòu)相空間后的狀態(tài)向量可表示為

X(k)=(x(k),x(k-τ),…,x(k-(m-1)τ))

(7)

式中，τ為延遲時間；m為嵌入維數(shù)(即重構(gòu)相空間維數(shù))。

由Takens定理可知，復(fù)雜非線性時間序列預(yù)測的實(shí)質(zhì)便是通過運(yùn)動系統(tǒng)的狀態(tài)逆向重構(gòu)原系統(tǒng)的模型，所以對下一步進(jìn)行預(yù)測就是構(gòu)建以下預(yù)測模型：

X(k+τ)=F(X(k))

(8)

其中，F(xiàn)(·)是重構(gòu)的預(yù)測模型，即通過相空間重構(gòu)方法將非線性時間序列映射到了高維空間。而支持向量機(jī)能有效解決非線性、高維數(shù)等問題，因此將重構(gòu)預(yù)測模型與支持向量回歸模型結(jié)合起來可以有效提高時間序列的預(yù)測精度。

1.4核函數(shù)的類型及影響

支持向量機(jī)通過核函數(shù)的內(nèi)積映射，將高維特征空間的運(yùn)算問題轉(zhuǎn)化到原始空間進(jìn)行，因此核函數(shù)決定了支持向量機(jī)的非線性映射能力，而核函數(shù)類型及其參數(shù)的確定會對SVR模型產(chǎn)生不同的影響。核函數(shù)主要可分為兩種類型，即局部核函數(shù)與全局核函數(shù)。核函數(shù)的常用形式有三種：多項(xiàng)式核函數(shù)(polynomial)、徑向基核函數(shù)(RBF)、Sigmoid核函數(shù)。根據(jù)文獻(xiàn)[11]分類方法，一般多項(xiàng)式核函數(shù)屬于全局核函數(shù)，徑向基核函數(shù)與Sigmoid核函數(shù)都屬于局部核函數(shù)。

核函數(shù)映射形式的不同會導(dǎo)致全局核函數(shù)與局部核函數(shù)的外推能力與學(xué)習(xí)能力等函數(shù)特性也有所區(qū)別。全局核函數(shù)能夠獲取待預(yù)測樣本較大范圍內(nèi)的全局信息，具有較強(qiáng)的外推能力，但學(xué)習(xí)能力較弱；局部核函數(shù)能夠有效提取樣本點(diǎn)附近的信息，有較強(qiáng)的非線性逼近能力，但外推能力較弱。對于磨損趨勢預(yù)測的在線建模問題，單一的核函數(shù)SVR模型在預(yù)測能力上有局限性，因此本文考慮將兩種互補(bǔ)性的核函數(shù)模型組合起來，充分利用兩種核函數(shù)的優(yōu)點(diǎn)，提高預(yù)測精度。

2　基于組合核函數(shù)的OSVR算法

2.1算法基本思路

一般核函數(shù)組合的方式是將兩種類型核函數(shù)加權(quán)組合，構(gòu)造新的組合核函數(shù)后進(jìn)行建模和預(yù)測，但對于在線動態(tài)建模問題，采用該方式權(quán)值較難確定。因此本文決定采用基于兩種類型核函數(shù)的OSVR模型同時預(yù)測，首先通過基于全局核函數(shù)的OSVR模型在線預(yù)測當(dāng)前樣本的整體趨勢走向，再對預(yù)測結(jié)果的殘差進(jìn)行相空間重構(gòu)，并通過基于局部核函數(shù)的OSVR模型對殘差進(jìn)行預(yù)測，最后將預(yù)測的殘差實(shí)時修正全局核函數(shù)OSVR模型的預(yù)測值，從而實(shí)現(xiàn)組合核函數(shù)的OSVR算法在線預(yù)測。

首先考慮單步預(yù)測。假設(shè)在線建模時，當(dāng)前數(shù)據(jù)窗口中的時間序列為{xt,t=1,2,…,n}，預(yù)測目標(biāo)值為{xn+1}。首先對當(dāng)前時間序列進(jìn)行相空間重構(gòu)，若嵌入維數(shù)為m，則可建立映射Rm→R，表示輸入x={xt,xt-1,…,xt-m-1}與輸出y={xn+1}之間的映射關(guān)系，并擴(kuò)充為矩陣的形式即獲得SVR模型的訓(xùn)練樣本：

(9)

對訓(xùn)練樣本按照如下的回歸函數(shù)，采用OSVR算法在線訓(xùn)練：

(10)

t=m+1,m+2,…,n

(11)

(12)

式中，Kδ(·)為局部核函數(shù)，一般選用RBF核函數(shù)。

因此對于非線性時變的時間序列{xt,t=1,2,…,n+1}，一定可以分解為一個平滑的趨勢項(xiàng)序列與一個去趨勢項(xiàng)的非線性序列，即

(13)

i=m+1,m+2,…,n

(14)

確定了一步預(yù)測的方法之后，利用遞推預(yù)測和滾動優(yōu)化的思想，可以將其推廣到N步預(yù)測。若當(dāng)前時間序列{xt,t=1,2,…,n}的N步預(yù)測目標(biāo)值為{xn+1,xn+2,…,xn+N}，其中，N小于嵌入維數(shù)m，則N步預(yù)測問題可以表示成如下的連續(xù)單步預(yù)測問題：

(15)

即在嵌入維數(shù)m的步數(shù)內(nèi)，將上一步的預(yù)測值代入到原訓(xùn)練模型中代替新樣本更新，然后以此為基礎(chǔ)繼續(xù)預(yù)測下步預(yù)測值，如此循環(huán)來實(shí)現(xiàn)N步預(yù)測。

2.2算法具體流程圖

將不同特性的核函數(shù)組合的OSVR預(yù)測模型相對于單一的OSVR模型預(yù)測精度會有所提高，同時OSVR在線的增量與減量學(xué)習(xí)算法相比于傳統(tǒng)SVR模型效率也有所提高。基本的算法流程如圖1所示。

圖1　在線預(yù)測流程圖

2.3算法具體實(shí)現(xiàn)步驟

(1)首先對數(shù)據(jù)預(yù)處理，通過相空間重構(gòu)方法構(gòu)造初始訓(xùn)練樣本。

(2)初始化訓(xùn)練全局OSVR模型，并用訓(xùn)練的殘差初始化訓(xùn)練局部OSVR模型。

(3)在線更新窗口時間序列{xt,t=1,2,…,n}，經(jīng)過相空間重構(gòu)得到新樣本，用全局OSVR模型在線訓(xùn)練，在線訓(xùn)練包括對新樣本的增量訓(xùn)練和舊樣本的減量訓(xùn)練。

(5)同步更新全局OSVR模型的殘差，經(jīng)相空間重構(gòu)后用局部OSVR模型在線訓(xùn)練殘差序列。

(9)輸入新序列值xn+1，重復(fù)步驟(3)～步驟(9)，實(shí)現(xiàn)連續(xù)N步預(yù)測。

3　組合核函數(shù)OSVR模型在起重機(jī)減速齒輪箱磨損趨勢預(yù)測中的應(yīng)用

為了驗(yàn)證組合核函數(shù)OSVR模型在磨損趨勢預(yù)測中的效果，以某大型起重機(jī)用的主起升減速齒輪箱潤滑油的鐵譜監(jiān)測數(shù)據(jù)為例，對采集到的鐵元素含量的時間序列進(jìn)行在線預(yù)測。仿真實(shí)驗(yàn)環(huán)境為普通臺式電腦，CPU為i5-3470，3.20GHz，內(nèi)存2GB，軟件平臺為MATLAB7.0。

可以看出齒輪箱工作一段時間后產(chǎn)生了劇烈磨損，因此磨粒的監(jiān)測序列有較強(qiáng)的非線性與時變特征，具有一定隨機(jī)性和突變性，通過在線預(yù)測可以提前發(fā)現(xiàn)磨損異常，進(jìn)而作出相關(guān)檢查與維護(hù)。為了便于預(yù)測算法的運(yùn)算以及后續(xù)不同算法比較，首先對原始數(shù)據(jù)作歸一化處理。之后給出具體模型預(yù)測參數(shù)：全局核函數(shù)OSVR算法選用多項(xiàng)式核函數(shù)，p=2，ε1=0.1，C1=1000；局部核函數(shù)OSVR算法選用RBF核函數(shù)，σ=0.2，ε2=0.01，C2=1000。在線時間序列的長度n與嵌入維數(shù)m對于時間序列的預(yù)測精度和效率起著關(guān)鍵作用。采用最終誤差預(yù)報準(zhǔn)則結(jié)合交叉驗(yàn)證[12]的方法確定最佳在線時間序列的在線建模長度n1=13、嵌入維數(shù)m1=5，進(jìn)而確定鄰域殘差序列的建模長度n2=8、嵌入維數(shù)m2=5。樣本數(shù)據(jù)為46個，用前13個數(shù)據(jù)作為初始訓(xùn)練樣本，通過實(shí)時更新，在線單步預(yù)測之后的14～46個數(shù)據(jù)。其單步預(yù)測值與原始值如圖2所示，虛線左側(cè)為初始訓(xùn)練數(shù)據(jù)，右側(cè)為預(yù)測值與原始數(shù)據(jù)。

圖2　組合核函數(shù)OSVR算法預(yù)測結(jié)果

從圖2可以看出原始數(shù)據(jù)初始狀態(tài)平穩(wěn)，在第23個樣本后有急劇上升趨勢，在第30個樣本之后波動較大，而在此過程中模型很好地跟蹤預(yù)測了磨粒監(jiān)測的單步變化情況。由于是在線樣本實(shí)時滾動建模，所以歷史數(shù)據(jù)影響較小，采用的組合核函數(shù)OSVR算法能動態(tài)修正模型參數(shù)適應(yīng)數(shù)據(jù)變化，說明模型具有較強(qiáng)的在線自適應(yīng)能力及較好的預(yù)測精度。

為了比較新算法性能，采用單一核函數(shù)OSVR算法和灰色BP神經(jīng)網(wǎng)絡(luò)(GMBP)組合算法[6]對相同序列在線對比預(yù)測，其中單一核函數(shù)OSVR算法分別采用全局核函數(shù)模型與局部核函數(shù)模型，全局核函數(shù)選用多項(xiàng)式核函數(shù)，局部核函數(shù)選用RBF核函數(shù)，其余參數(shù)設(shè)置與上文組合核函數(shù)中的相關(guān)參數(shù)相同；GMBP組合算法的參數(shù)選取參考文獻(xiàn)[6]，趨勢項(xiàng)模型為新陳代謝GM(1,1)模型， 殘差模型為5×20×1的BP神經(jīng)網(wǎng)絡(luò)模型，輸入層、隱含層采用tansig函數(shù)，輸出層采用purelin函數(shù)。采用三種算法對后33個樣本做單步預(yù)測并與新算法對比，結(jié)果如圖3所示。

(a)全局核函數(shù)OSVR模型與新模型預(yù)測結(jié)果對比

(b)局部核函數(shù)OSVR模型與新模型預(yù)測結(jié)果對比

(c)GMBP模型與新模型預(yù)測結(jié)果對比圖3　各模型預(yù)測結(jié)果對比

從圖3可以看出，全局核函數(shù)OSVR模型的預(yù)測值雖然能預(yù)測出原始數(shù)據(jù)總體趨勢，但對數(shù)據(jù)的波動不敏感，在數(shù)據(jù)轉(zhuǎn)折或大幅變化時不能做出較為準(zhǔn)確的預(yù)判，預(yù)測誤差較大；局部核函數(shù)OSVR模型能夠?qū)收蠑?shù)據(jù)的大幅變化趨勢做出相對準(zhǔn)確的預(yù)測，但對于局部非線性較弱的數(shù)據(jù)反而出現(xiàn)過訓(xùn)練的情況，有較大偏差；GMBP組合模型的預(yù)測值總體能貼合原始數(shù)據(jù)趨勢，但仍比組合核函數(shù)OSVR模型的波動性大，且每次預(yù)測值不穩(wěn)定，與原始數(shù)據(jù)貼合程度比新算法低。

為了全面比較與衡量算法的性能，采用平均絕對誤差eMAE與標(biāo)準(zhǔn)均方根誤差eNRMSE作為衡量性能的指標(biāo)：

(16)

(17)

預(yù)測結(jié)果的衡量指標(biāo)比較如表1所示。

表1　預(yù)測結(jié)果對比

表1中組合核函數(shù)OSVR算法的平均絕對誤差與標(biāo)準(zhǔn)均方根誤差最小，由eMAE指標(biāo)可見在預(yù)測精度上較全局核函數(shù)OSVR算法提高了46%，較局部核函數(shù)OSVR算法提高25%，較GMBP組合算法提高31%；組合核函數(shù)OSVR算法的eNRMSE指標(biāo)最小，即該算法的預(yù)測曲線最貼合原始曲線。在執(zhí)行效率方面雖然全局核函數(shù)執(zhí)行速度最快，用時0.7734s，但相對的eMAE與eNRMSE最大，即預(yù)測精度與擬合程度最低；GMBP組合算法由于BP神經(jīng)網(wǎng)絡(luò)的在線訓(xùn)練耗時較多，所以在線預(yù)測的執(zhí)行效率最低；組合核函數(shù)OSVR算法比局部核函數(shù)(RBF核函數(shù))OSVR模型稍快一點(diǎn)，原因在于單一的局部核函數(shù)OSVR算法的在線樣本規(guī)模較大且計算復(fù)雜，而全局核函數(shù)OSVR預(yù)測時支持向量較少，且殘差序列規(guī)模也比較小，計算復(fù)雜度相對較低，因此執(zhí)行效率會有所提高。組合核函數(shù)OSVR算法的單步平均預(yù)測時間為0.0398s，遠(yuǎn)小于原始數(shù)據(jù)單個樣本采樣時間，完全可以實(shí)現(xiàn)在線預(yù)測。綜合比較來看，組合核函數(shù)OSVR算法能夠在保證預(yù)測效率的同時具有最高的預(yù)測精度，完全能對非線性時變的磨損時間序列進(jìn)行在線預(yù)測，并為起重機(jī)減速齒輪箱磨損故障預(yù)報提供有力依據(jù)。

4　結(jié)語

本文針對起重機(jī)減速齒輪箱的磨損趨勢預(yù)測提出了一種組合核函數(shù)OSVR算法，采用OSVR的增量式學(xué)習(xí)算法使預(yù)測模型能夠在線動態(tài)調(diào)整模型參數(shù)，并將不同特性核函數(shù)的OSVR預(yù)測模型以殘差補(bǔ)償?shù)男问浇M合，在保證算法預(yù)測效率的同時提高了預(yù)測精度。實(shí)驗(yàn)研究說明組合核函數(shù)OSVR算法有較強(qiáng)的在線自適應(yīng)能力，即使監(jiān)測的金屬元素含量急劇變化與波動仍能快速有效地跟蹤預(yù)測，在預(yù)測性能上優(yōu)于單一核函數(shù)模型和GMBP組合模型，對于起重機(jī)減速齒輪箱的在線故障預(yù)測有一定的參考價值。后續(xù)研究將討論算法中組合核函數(shù)OSVR模型中各參數(shù)的最優(yōu)選取問題以及對于核函數(shù)非線性組合的情況下預(yù)測效果問題。

[1]時均蓮,劉卓,喬新燃,等.海上平臺起重機(jī)齒輪箱零部件失效形式分析及對策[J].起重運(yùn)輸機(jī)械,2012(7):73-76.

ShiJunlian,LiuZhuo,QiaoXinran,etal.OffshoreCraneGearboxPartsFailureAnalysisandCountermeas-ures[J].HoistingandConveyingMachinery,2012(7):73-76.

[2]陳宏軍,涂群章.基于油液分析的在線磨損監(jiān)測技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J]. 礦山機(jī)械,2008(24):22-25.

ChenHongjun,TuQunzhang.CurrentResearchandDevelopmentoftheOn-lineAbrasionMonitoringTechniqueBasedonOilAnalysis[J].Mining&ProcessingEquipment, 2008(24):22-25.

[3]張菊,鐘新輝,張峰.灰色系統(tǒng)在發(fā)動機(jī)鐵譜分析監(jiān)測中的應(yīng)用[J].內(nèi)燃機(jī),2013(3):39-40,53.

ZhangJu,ZhongXinhui,ZhangFeng.ApplicationofGraySysteminEngineFerrographyMonitoring[J].InternalCombustionEngines,2013(3):39-40,53.

[4]王金濤,呂曉軍,謝友柏,等.在線鐵譜監(jiān)測系統(tǒng)中的非平穩(wěn)磨損趨勢分析[J].西安交通大學(xué)學(xué)報,2003,37(5):463-466.

WangJintao,LüXiaojun,XieYoubai,etal.NonstationaryWearTrendAnalysisMethodinOn-LineFerrographMonitoringSystem[J].JournalofXi'anJiaotongUniversity,2003,37(5):463-466.

[5]陳果,楊虞微.航空發(fā)動機(jī)復(fù)雜磨損趨勢的神經(jīng)網(wǎng)絡(luò)多變量預(yù)測模型[J].中國機(jī)械工程,2007,18(1):70-74.

ChenGuo，YangYuwei.ArtificialNeuralNetworkMulti-variableForecastingModelofAero-engineComplexWearTrend[J].ChinaMechanicalEngineering, 2007,18(1):70-74.

[6]劉玉兵,陳亞忠,王曉東,等.BP神經(jīng)網(wǎng)絡(luò)修正灰色殘差組合模型方法在油液光譜分析中應(yīng)用的研究[J].潤滑與密封,2007,32(3):172-174.

LiuYubing，ChenYazhong，WangXiaodong，etal.ResearchonOilSpectralAnalysisPredictionBasedonRemnantDifferenceCorrectCombinedModelofBPNeuralNetwork[J].LubricationEngineering, 2007, 32(3): 172-174.

[7]DebasishB，SrimantaP，DipakCP．SupportVectorRegression[J].NeuralInformationProcessing-LettersandReviews, 2008,11(10):203-224.

[8]劉大同,彭宇,彭喜元,等.基于殘差預(yù)測修正的局部在線時間序列預(yù)測方法[J].電子學(xué)報,2008,36(12A):81-85.

LiuDatong，PengYu，PengXiyuan，etal.LocalOnlineTimeSeriesPredictionBasedontheResidualCompensationwithOnlineSVR[J].ActaElectronicaSinica,2008,36(12A):81-85.

[9]GiovanniM，F(xiàn)rancescoP.LearningtoTradewithIncrementalSupportVectorRegression[J].LectureNotesinComputerScience,2008,5271:591-598.

[10]TakensF.DetectingStrangeAttractorinTurbulence[J].LectureNotesinMathematics, 1981, 898(2): 361-381.

[11]張芬,陶亮,孫艷.基于混合核函數(shù)的SVM及其應(yīng)用[J].計算機(jī)技術(shù)與發(fā)展,2006, 16(2):176-178.

ZhangFen,TaoLiang,SunYan.SVMandItsApplicationBasedonMixturesofKernels[J].ComputerTechnologyandDevelopment,2006, 16(2):176-178.

[12]王旭輝,黃圣國,曹力,等.基于LS-SVM的航空發(fā)動機(jī)氣路參數(shù)趨勢在線預(yù)測[J].吉林大學(xué)學(xué)報(工學(xué)版),2008,38(1):239-244.

WangXuhui，HuangShengguo，CaoLi，etal.LS-SVMBasedOnlineTrendPredictionofGasPathParametersofAeroEngine[J].JournalofJilinUniversity(EngineeringandTechnologyEdition),2008, 38(1):239-244.

(編輯王艷麗)

Wear Trend Prediction of Crane Gearbox Based on OSVR Method with Combined Kernel Functions

Cao Jinran1Feng Yi1Lu Baochun1Zhang Dengfeng1Wu Jian2Shi Shengzheng2Guan Dezhuang2

1.Nanjing University of Science and Technology，Nanjing，210094 2.Nantong Rainbow Heavy Machine Company，Nantong，Jiangsu,226013

For the nonlinear and nonstationary crane gearbox wear process, prediction precision and efficiency cannot be effectively balanced by using traditional prediction methods. An OSVR prediction method based on combined kernel functions was proposed. The OSVR algorithm can be adapted to time-varying time series and the efficiency can be improved. Simultaneously, the kernel-combined model would be able to improve the prediction accuracy. Experimental results show that the trend of the crane gearbox wear process can be predicted effectively by using the new method, and the prediction is more accurate than the results of the OSVR method with single kernel function and the gray-neural network method.

gearbox; wear trend prediction;online support vector regression(OSVR); kernel function

2013-12-17

國家自然科學(xué)基金資助項(xiàng)目(51275245，61374133)

TP181DOI：10.3969/j.issn.1004-132X.2015.05.013

曹勁然，男，1989年生。南京理工大學(xué)機(jī)械工程學(xué)院博士研究生。主要研究方向?yàn)榇笮凸こ虣C(jī)械故障診斷與預(yù)測。馮毅，男，1989年生。南京理工大學(xué)機(jī)械工程學(xué)院博士研究生。陸寶春，男，1965年生。南京理工大學(xué)機(jī)械工程學(xué)院教授、博士研究生導(dǎo)師。張登峰，男，1973年生。南京理工大學(xué)機(jī)械工程學(xué)院副研究員、博士研究生導(dǎo)師。吳建，男，1967年生。南通潤邦重機(jī)有限公司董事長。石勝征，男，1971年生。南通潤邦重機(jī)有限公司海工技術(shù)總監(jiān)。關(guān)德壯，男，1969年生。南通潤邦重機(jī)有限公司設(shè)計部主任。