基于KPCA-FSVM的液压泵可靠性寿命分布识别

摘要/Abstract

摘要：

为了准确快速识别出液压泵的可靠性寿命分布模型，提出了一种基于核主元分析和模糊支持向量机的可靠性寿命分布模型识别方法。该方法充分利用核主元分析非线性特征提取的优势和模糊支持向量机良好的分类能力，建立了适合可靠性寿命分布识别的模糊支持向量机模型，并将其应用于液压泵可靠性寿命分布模型识别。仿真实验结果表明，该模型能够降低计算的复杂度，具有良好的泛化能力，能够准确地识别出液压泵无故障工作时间数据所属的寿命分布类型。

关键词: 核主元分析, 模糊支持向量机, 寿命分布模型, 液压泵, 无故障工作时间

Abstract:

Aiming at identifying the reliability life distribution model of the hydraulic pump accurately and efficiently, an algorithm of KPCA and FSVM was brought forward. The recognition model of the reliability life distribution model was designed by making full use of advantages of the KPCA nonlinear feature extraction and the FSVM classification capacity, and might be used for identifying the reliability life distribution model of the hydraulic pump. The simulation results show that, the proposed method can reduce computation complexity, has good ability for generalization, and identify the life distribution type of life on time between failures of hydraulic pump accurately.

Key words: kernel principal component analysis（KPCA）, fuzzy support vector machine（FSVM）, life distribution model, hydraulic pump, time between failures

中图分类号:

景涛, 曹克强, 胡良谋, 高斌. 基于KPCA-FSVM的液压泵可靠性寿命分布识别[J]. 中国机械工程, 2015, 26(19): 2595-2600.

Jing Tao, Cao Keqiang, Hu Liangmou, Gao Bin. Identification of Reliability Life Distribution of Hydraulic Pump Based on KPCA and FSVM[J]. China Mechanical Engineering, 2015, 26(19): 2595-2600.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/

http://www.cmemo.org.cn/CN/Y2015/V26/I19/2595

参考文献

[1]沈燕良.飞机系统原理[M]. 北京：国防工业出版社，2010.
[2]何庆飞，陈桂明，陈小虎，等. 基于灰色支持向量机的液压泵寿命预测方法[J]. 润滑与密封，2012，37(4)：75-77.
He Qingfei, Chen Guiming, Chen Xiaohu, et al. Life Prediction Method of Hydraulic Pump Based on Grey Support Vector Machines[J]. Lubrication Engineering, 2012，37(4)：75-77.
[3]朱家元，张恒喜，田松，等. 基于复合神经网络的数据分布模式仿真识别[J]. 系统工程与电子技术，2002，24（10）:96-99.
Zhu Jiayuan, Zhang Hengxi, Tian Song, et al. Data Distribution Simulation Identification Using Combined Structure Neural Networks[J]. Systems Engineering and Electronics，2002，24（10）:96-99.
[4]朱家元，张恒喜，张喜斌. 基于智能复合结构的可靠性分布模式自动识别[J]. 航空学报，2003，24（3）：207-211.
Zhu Jiayuan, Zhang Hengxi, Zhang Xibin. Reliability Distributions Automatic Identification Based on Intelligent Combined Structure Model[J]. Journal of Aviation， 2003，24（3）：207-211.
[5]韩强，祝华远，孙明礼，等. 基于支持向量机的小样本数据概率分布模式自动识别[J]. 科学技术与工程，2009，9（10）：2766-2769.
Han Qiang, Zhu Huayuan, Sun Mingli, et al. Modeling Distributions Identification for Small Samples Based on SVM[J]. Science Technology and Engineering, 2009，9（10）：2766-2769.
[6]郝惠敏, 汤晓君, 白鹏, 等. 基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析[J]. 光谱学与光谱分析，2008，28（6）：1286-1289.
Hao Huimin, Tang Xiaojun, Bai Peng, et al. Quantitative Analysis of Multi-component Gas Mixture Based on KPCA and SVR[J]. Spectroscopy and Spectral Analysis, 2008，28（6）：1286-1289.
[7]彭涛，杨慧斌，李建宝，等. 基于核主元分析的滚动轴承故障混合域特征提取方法[J]. 中南大学学报（自然科学版），2011，42（11）：3385-3391.
Peng Tao，Yang Huibin，Li Jianbao，et al. Mixed—domain Feature Extraction Approach to Rolling Bearings Faults Based on Kernel Principle Component Analysis[J]. Journal of Central South University(Science and Technology), 2011，42（11）：3385-3391.
[8]宋平，文妍，谭继文. KPCA和遗传BP神经网络在滚珠丝杠故障诊断中的应用研究[J]. 机床与液压，2014，42（9）：159-162.
Song Ping，Wen Yan，Tan Jiwen. Application Research of KPCA and GA-BP Network in Ball Screw Fault Diagnosis[J]. Machine Tool ＆ Hydraulic，2014，42（9）：159-162.
[9]周欣，吴瑛. 基于KPCA和LDA的信号调制识别[J]. 系统工程与电子技术，2011，33（7）:1611-1616.
Zhou Xin, Wu Ying. Signal Modulation Recognition Based on KPCA and LDA[J]. Systems Engineering and Electronics, 2011，33（7）:1611-1616.
[10]张曦，阎威武，刘振亚，等. 基于核主元分析和邻近支持向量机的汽轮机凝汽器过程监控和故障诊断[J]. 中国电机工程学报，2007，27（14）：56-61.
Zhang Xi，Yan Weiwu，Liu Zhenya，et al. Process Monitoring and Fault Diagnosis of Condenser Using KPCA and PSVM[J]. Proceeding of the CSEE, 2007，27（14）：56-61.
[11]Scholkopf B, Smola A, Muller K-R. Nonlinear Component Analysis as a Kernel Eigenvalue Problem[J]. Neural Computation, 1998，10(5)：1299-1319．
[12]陈家德，吴小俊. 自适应模糊支持向量机算法研究[J]. 计算机工程与应用，2010，46（25）: 191-194.
Chen Jiade，Wu Xiaojun. Study on Adaptive Fuzzy Support Vector Machine Algorithm[J]. Computer Engineering and Applications, 2010，46（25）: 191-194.
[13]Inoue T, Abe S. Fuzzy Support Vector Machines for Pattern Classification[C]//International Joint Conference on Neural Networks. Killarney，Ireland，2001：1449-1454.
[14]吴月明，王毅群，李莉. BP神经网络与广义RBF神经网络在产品寿命分布模型识别中的应用研究[J]. 中国机械工程，2006，17（20）：2140-2143.
Wu Yueming, Wang Yiqun, Li Li. Application Study on BP Network and Generalized RBF Network in Estimating Distribution Model of Mechanical Products[J]. China Mechanical Engineering, 2006，17（20）：2140-2143.

[1]	单增海, 李志远, 张旭, 黄亦翔, 李彦明, 刘成良, 张轩. 基于多传感器信息融合和多粒度级联森林模型的液压泵健康状态评估[J]. 中国机械工程, 2021, 32(19): 2374-2382.
[2]	刘思远1,2;王广达1,2;孙红梅3;刘建勋4;姜万录1,2. 基于润滑机理的智能液压元件本体性能预测方法[J]. 中国机械工程, 2020, 31(08): 952-959.
[3]	刘思远1,2,3;何跃1,2;李晓明4;卢明立3;卢正点3. 基于故障机理的液压泵多信息烈度特征状态评估方法[J]. 中国机械工程, 2019, 30(12): 1460-1465,1473.
[4]	周玉伟;章青;石云飞. 连续顶升液压控制系统仿真分析与验证[J]. 中国机械工程, 2018, 29(16): 1936-1942.
[5]	俞亚新1;姜建雨1;金波2,3;陈行2;冯毅雄2,3. 球形叶片液压泵流量特性[J]. 中国机械工程, 2018, 29(08): 930-936.
[6]	刘志强, 姜万录, 谭文振, 朱勇, . 基于多特征融合多核学习支持向量机的液压泵故障识别方法[J]. 中国机械工程, 2016, 27(24): 3355-3361.
[7]	刘思远, 杨梦雪, 王闯, 张文文. 正弦变载荷工况下液压泵振动信号的形态学滤波方法[J]. 中国机械工程, 2016, 27(19): 2557-2563.
[8]	王余奎, 李洪儒, 叶鹏. 基于多尺度排列熵的液压泵故障识别[J]. 中国机械工程, 2015, 26(4): 518-523.
[9]	王余奎, 李洪儒, 许葆华. 基于LPP与VPMCD的液压泵故障模式识别[J]. 中国机械工程, 2015, 26(24): 3327-3335.
[10]	谢苗, 刘治翔, 鲁启通, 田丰旭, 毛君, 黄增平. 换向阀启闭特性对流量测量试验的影响分析[J]. 中国机械工程, 2015, 26(20): 2699-2704,2710.
[11]	何庆飞, 陈桂明, 陈小虎, 姚春江. 基于改进灰色神经网络的液压泵寿命预测[J]. 中国机械工程, 2013, 24(4): 500-506.
[12]	田海雷, 李洪儒, 许葆华. 基于小波包-混沌支持向量机的液压泵压力信号预测[J]. 中国机械工程, 2013, 24(08): 1085-1089.
[13]	田海雷, 李洪儒, 许葆华. 基于集总经验模式分解和支持向量机的液压泵故障预测研究[J]. 中国机械工程, 2013, 24(07): 926-931.
[14]	刘涛;;姜继海;孙辉;. 基于后向建模的并联式液压混合动力车辆再生制动策略研究[J]. J4, 2009, 20(15): 0-1770.
[15]	牛慧峰;姜万录;. 免疫支持向量机方法在液压泵故障诊断中的应用[J]. J4, 2008, 19(14): 0-1763.