航空保障特种装置的可靠性评估面临失效样本数据偏少的问题。为更加准确评估小样本情况下的可靠性,采用改进的平均秩次法计算样本的经验分布函数,在此基础上提出一种基于GM-SVR的三参数威布尔分布估计方法。该方法利用灰色模型(GM)在位置参数上的优势和支持向量回归(SVR)在小样本下的良好效果,对威布尔分布的3个参量进行精确估计。采用MATLAB工具箱对模型进行仿真实验,结果表明GM-SVR方法在故障数据样本较少情况下,参数估计精度高于传统的概率统计方法。以喷气偏流板为例,计算了威布尔分布的形状参数、尺度参数和位置参数,得到相关系数为0.9953,均方根误差为0.038,证明了在小样本情况下GM-SVR方法的拟合精度良好,可对航空保障特种装置的可靠性进行准确评估。

为了提高现代制造业的可靠性和效率,根据轴承剩余使用寿命预测(RUL),提出了一种基于联想神经网络的轴承剩余寿命预测模型。该模型在17个轴承数据集上随机选出4个轴承的数据作为模型的验证集,剩下的13个轴承数据来训练集,并采用5折交叉验证将这13个轴承数据划分为训练集和测试集。在训练神经网络时,采用了学习率衰减机制,并对比学习率衰减机制与固定学习率的差异。试验结果表明,该模型相比LASSO、随机森林回归(RFR)、支持向量回归(SVR)、深度学习等方法在RMSE和MAE两个方面具有明显的提高。

由于循环流化床锅炉燃烧系统预测模型的各输入变量具有较强关联性、耦合性,经典的锅炉NOx排放量建模方法中的模型参数调节难度较大,导致对NOx排放量浓度的预测精度不高。针对这一问题,提出支持向量回归(SVR)与双态粒子群算法(BPSO)相结合的BPSO-SVR建模方法。以一台循环流化床锅炉为研究对象,首先对用于建模的数据进行预处理后得到样本数据,然后利用BPSO-SVR训练出锅炉NOx排放量浓度模型。在Matlab平台上将此建模方法与PSOSVR建模方法、SVR建模方法、BP神经网络建模方法进行仿真对比,仿真结果表明该方法具有更高预测精度和更强的泛化能力。

针对小样本条件下的轴承寿命预测问题,提出一种基于多子种群混沌自适应果蝇算法的多变量相空间重构-多核支持向量回归轴承剩余寿命预测综合优化方法。对多个特征向量进行相空间重构从而更加完整地还原轴承退化特性;利用不同的SVR核函数进行排列组合得到一个组合多核函数,从而将多核函数的构造问题转换为权值系数的优化问题;将延迟时间、嵌入维数、SVR参数以及多核函数权值作为整体参数向量,利用多子种群混沌自适应果蝇算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后将得到的预测模型对轴承剩余寿命进行预测,结果证明了提出方法能够有效提升小样本条件下的轴承剩余寿命预测精度。

为保障机械设备工作的安全性与可靠性,剩余寿命预测技术是设备轴承维护中的重要环节。由于深度学习具有强大的数据处理能力,提出通过使用深度学习的数据驱动方法来提高预测的准确度。首先,将来自轴承的原始振动信号用作深层网络的输入,深度置信网络和深度自编码器用于提取深度特征;其次,基于提取的特征选择不同的回归模型进行回归;最后,用测试轴承进行测试,比较两种深度特征及传统特征在不同的回归模型上的表现。实验结果表明,深度置信神经网络特征准确性更高,支持向量回归模型效果较其他模型更优。

机器人在精准装配时,摩擦力影响着控制精度。利用LuGre摩擦模型进行关节力矩计算时,机器人关节摩擦力具有周期性纹波误差。针对此问题提出一种改进的LuGre摩擦模型,包括LuGre摩擦模型表示的稳态摩擦力,以及与速度相关的位置依赖项。对摩擦模型进行分步辨识,利用LuGre摩擦模型的特征,对稳态摩擦力参数进行辨识,通过SVM多类分类算法、支持向量回归(SVR)和最小二乘法求解方程组,对模型中的位置依赖项进行参数辨识。实验结果表明,机器人在不同负载下运行,使用改进模型及辨识方法计算关节摩擦力矩时,误差可以降低50%以上。

针对少量历史加工案例支撑下的工艺参数优化问题,提出一种融合支持向量回归和多目标蜻蜓算法的高速滚齿工艺参数优化方法。建立高速滚齿加工效果评价模型,设定ε-支持向量回归参数核函数类型、惩罚因子和松弛变量,利用多目标蜻蜓算法生成支持向量回归参数组,利用支持向量回归生成包括主轴转速、进给量在内的工艺参数组,计算包括加工质量、加工时间、加工成本、环境影响在内的目标值,运用多目标蜻蜓算法中的Pareto最优方法寻找非支配解,循环上述过程,满足终止条件得到支持向量回归参数和工艺参数非支配解集,即优化支持向量回归参数组和工艺参数组。通过与实际滚齿加工比较验证了所提方法的可行性,并通过与单独支持向量回归等算法的对比说明了该方法在少样本的情况下具备一定优势。

针对同步加载系统的控制提出一种MIMO系统的分散预测控制算法算法采用在线支持向量回归估计同步加载系统各加载通道的模型并提出了模型在线更新时训练样本的更新原则。通过对一种具有惯性、耦合和时滞特点模型的仿真试验验证了算法的控制精度和同步精度。

针对复杂不确定系统的控制问题，提出了一种基于在线支持向量回归的预测控制方法。该方法应用支持向量回归在线估计预测控制的预测模型，并实时更新。分析了预测时域和控制时域的选择对控制精度的影响，给出了控制参数设计原则。对电液力伺服加载系统的仿真试验表明，该方法有很好的控制性能。

针对多通道电液力伺服协调加载系统的控制算法，分析了加载系统的特性，提出了一种基于在线支持向量回归的分散预测控制算法。该算法应用在线支持向量回归进行各加载通道模型的在线估计，并将其作为分散预测控制的预测模型。仿真结果表明了该算法的有效性。