基于最小二乘支持向量机的小样本威布尔可靠性分析

中国机械工程

基于最小二乘支持向量机的小样本威布尔可靠性分析

张新锋1,赵彦2

1.长安大学汽车运输安全保障技术交通行业重点实验室,西安,710064
2.西安电子科技大学,西安,710071

出版日期:2012-08-25 发布日期:2017-05-27
基金资助:
中央高校基本科研业务费专项资金资助项目（CHD2010JC066,72105473);长安大学基础研究支持计划专项基金资助项目；汽车运输安全保障技术交通行业重点实验室开放基金资助项目
Fundamental Research Funds for the Central Universities( No. CHD2010JC066,72105473 )

Weibull Reliability Analysis in Small Samples Based on LSSVM

Zhang Xinfeng1;Zhao Yan2

1.Key Laboratory of Automotive Transportation Safety Enhancement Technology of the Ministry of Communication,Chang'an University,Xi'an,710064
2.Xidian University,Xi'an,710071

Online:2012-08-25 Published:2017-05-27
Supported by:

Fundamental Research Funds for the Central Universities( No. CHD2010JC066,72105473 )

摘要/Abstract

摘要： 在图估法的基础上,提出了基于最小二乘支持向量机的威布尔可靠性分析方法,在MATLAB平台上绘制了威布尔概率纸,通过程序化的方式分析估计威布尔概率参数;进行了可靠性寿命分析,并对比分析了基于最小二乘支持向量机、支持向量机和最小二乘法威布尔可靠性分析的效果。实例分析结果显示,在威布尔可靠性分析中,最小二乘支持向量机的拟合精度不仅优于传统的最小二乘法的拟合精度,而且优于支持向量机的拟合精度,表明该方法可以提高可靠性分析效率和精度，可作为威布尔可靠性分析的一种新方法，特别适用于小样本的情况。

关键词: 最小二乘支持向量机, 支持向量机, 威布尔分析, 可靠性评估, 小样本

Abstract: Based on LSSVM,a method of improved Weibull reliability analysis was proposed.The parameters
of Weibull distribution and reliability life were analyzed by the Weibull probability paper drawn by MATLAB.The analysis result comparisons were made by LSSVM,SVM and least square method.The numerical results show that the precision of the method based on LSSVM is higher than that of the least square method,and higher than that of SVM.The method based on LSSVM can improve the analysis precision and efficiency in small samples.The reliability analysis based on LSSVM is another choice of Weibull reliability analysis.

Key words: least square support vector machine(LSSVM), support vector machine(SVM), Weibull analysis, reliability evaluation, small samples

中图分类号:

张新锋1,赵彦2. 基于最小二乘支持向量机的小样本威布尔可靠性分析[J]. 中国机械工程.

Zhang Xinfeng1;Zhao Yan2. Weibull Reliability Analysis in Small Samples Based on LSSVM[J]. China Mechanical Engineering.

参考文献

[1]Lemon G H. Maximum Likelihood Estimations for the Three Parameters Weibull Distribution Based on Censored Samples[J]2. Technometrics, 1975,17 ( 2 ) .. 247-254.
[2]费鹤良,陈迪.三参数威布尔分布的参数估计方法[J].上海师范大学学报：自然科学版,1996,0(2):1-8.
[3]周广涛.计算机辅助可靠性设计[M].北京:宇航出版社,1990:102-106.
[4]傅惠民[1],高镇同[2].确定威布尔分布三参数的相关系数优化法[J].航空学报,1990,11(7):A323-A327.
[5]Vapnik V N. Statistical Learning Theory[M]. New York:J. Wiley, 1998.
[6]Cristianini N,Shawe Taylor J. An Introduction to Support Vector Machines and Other Kernel--based Learning Methods[M. Oxford: Cambridge Univer-sity Press,2000.
[7]Gunn S R. Support Vector Machines {or Classification and Regression[R]. Southampton: University o South- ampton, 1997.
[8]Dumais S, Platt J, Heckerman J, et al. Inductive Learning Algorithms and Representations for Text Categorization [ C ]//Proceedings of ACM -- CIKM98. New York, 1998 : 148-155.
[9]Cao L J,Tay F E H. Support Vector Machine with Adaptive Parameters in Financial Time Series Fore- casting [J]. IEEE Transactions on Neural Net- works, 2003,6(14) : 1506-1518.
[10]Vapnik V. The Nature of Statistical Learning The- oryEM]. New York: Springer-- Verlag, 1995.
[11]Sch61kop{ B,Smola A J. Learning with Kernels--sup- port Vector Machines, Regularization, Optimization and Beyond-M]. Cambridge: MIT Press, 2002.
[12]王霄锋.汽车可靠性工程基础[M].北京:清华大学出版社,2007:61-92.
[13]Zou Xinyao, Yao Ruohe. Shape Parameter Evalua- tion of Weibull Distribution Based on Least Squares Support Vector Machine[J]. Test and E- auiDment, 2008,33 (6) : 501-505.
[14]冼广铭[1].基于最小二乘小波支持向量机的数据拟合实验[J].计算机工程与应用,2008,44(18):36-38.

[1]	丁嘉鑫;王振亚;姚立纲;蔡永武. 广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断[J]. 中国机械工程, 2021, 32(02): 147-155.
[2]	刘元铭, 王振华, 王涛, 刘文礼, 熊晓燕. [成形质量的闭环与自适应控制技术]热轧带钢出口凸度数据驱动建模及智能化预测分析[J]. 中国机械工程, 2020, 31(22): 2728-2733.
[3]	王新刚, 张鑫垚, 杨禄杰, 马瑞敏. 竞争失效条件下针对磨损退化数据的刀具可靠性分析[J]. 中国机械工程, 2020, 31(14): 1672-1677,1746.
[4]	余杭卓1;秦圣峰1,2;丁国富1;江磊1;梁红琴1. 侧铣加工刀具回转轮廓误差预测技术研究[J]. 中国机械工程, 2020, 31(03): 306-313.
[5]	王福斌1;潘兴辰1;孙宇舸2;郭宝军3. 钢坯拉速模糊信息粒化及钢坯定重切割的极限学习机预报[J]. 中国机械工程, 2019, 30(24): 2968-2973.
[6]	朱永国1;邓斌1;霍正书1;周结华2. 小样本检测数据驱动的飞机结构件装配关键偏差源诊断[J]. 中国机械工程, 2019, 30(22): 2725-2733.
[7]	张琪1;吴义忠2;刘鑫2;乔平2. 基于最小样本空间的Johnson分布拟合方法[J]. 中国机械工程, 2019, 30(21): 2560-2566,2576.
[8]	宁静;冉伟;种传杰;陈春俊. 基于S变换的高速列车小幅蛇行识别方法[J]. 中国机械工程, 2019, 30(09): 1097-1102,1110.
[9]	何刘海;吴桂娇;王平. 基于支持向量机决策树的航空发动机轴心轨迹识别方法[J]. 中国机械工程, 2019, 30(08): 969-974.
[10]	王福斌1, 2;孙海洋1;TU Paul2. 边缘扩展的皮带撕裂支持向量机视觉检测[J]. 中国机械工程, 2019, 30(04): 455-460.
[11]	唐秋华1,2,3;成丽新1,2,3;张利平1,2,3. 扰动累积下基于机器学习的重调度方式选择[J]. 中国机械工程, 2019, 30(04): 472-479.
[12]	葛亮, 苗瑞, 葛秋原, 吴易洲. [质量优化]窄搭接焊缝涡流信号的特征提取与缺陷识别[J]. 中国机械工程, 2019, 30(02): 225-229.
[13]	张旭刚, 敖秀奕, 张华, 江志刚, . [机械装备再制造]考虑失效特征的废旧零部件再制造成本预测模型研究[J]. 中国机械工程, 2018, 29(21): 2594-2599.
[14]	郭锐1，2;张荣兵1，3;赵静一1，2，4;汪晋锋1，3. 单失效数据情形下蓄能器可靠性评估[J]. 中国机械工程, 2018, 29(16): 1891-1899.
[15]	石琴, 仇多洋, 吴冰, 李一鸣, 刘炳姣. [智能感知]基于粒子群优化支持向量机算法的行驶工况识别及应用[J]. 中国机械工程, 2018, 29(15): 1875-1883.