如何基于性能退化的寿命预测研究升降车齿轮箱箱体材料??   江门升降车租赁,   江门升降车租赁价格,   升降车租赁         对升降车齿轮箱箱体材料基于性能退化的寿命预测研究进行深入的阐述。材料的拉伸与疲劳损伤过程具有明显的演化特性，且由于箱体材料失效数据少、关键表征数据少、服役周期长、试验成本高、需要进行实时无损的寿命预测等特点，本研究选用基于性能退化的寿命预测方法，用声发射信号来表征箱体材料拉伸与疲劳损伤的性能退化过程，利用人工智能等方法对箱体材料疲劳损伤过程不平衡数据进行处理，建立箱体材料拉伸损伤与疲劳损伤的基于性能退化的寿命预测模型，进行寿命预测研究。

       基于Ａｄａｂｏｏｓｔ样本分布调整的不平衡数据回归方法不平衡数据，其实就是指数据对象中的各类别数据不均衡。在实际分类问题中，少数类数据往往包含更重要的信息，通过解决不平衡数据问题，可以充分发挥包含更重要信息的少数类数据的作用。我们所常见的问题中，罕见病调查数据、吉样物投票、以及不可维修长期服役结构的失效信息等，这些问题都是典型的不平衡数据问题。这里定义，在这些不平衡数据问题中，对于表征目的具有重要信息的这类数据，叫做关键表征数据。上述问题中，关键表征数据与非关键表征数据严重不平衡，是典型的二分类不平衡数据问题，可以认为关键表征数据为不平衡数据中的正样本，而非关键表征数据为不平衡数据中的负样本，可以采用一定的方法通过数据中正负样本分布调整，来充分挖掘正样本中的数据信息。处理不平衡数据问题的方法主要包括数据层面和算法层面两类。数据层面主要通过相应采样方法使样本数据更均衡；算法层面是利用各种算法改变样本分布或调整权值等来挖掘数据中的信息以解决数据不平衡带来的问题。为了能够尽量多的保留原始数据量及数据中的信息，尽量避免因为采样而导致信息的丢失，以使这些不平衡数据在进行不平衡数据处理后能够更好地进行后续回归建模等研究，本研究中将采用算法层面的方法来处理不平衡数据问题，且针对典型的二分类不平衡数据问题开展研究。研究中，将借鉴Ａｄａｂｏｏｓｔ分类器方法的思想，通过不断更新样本权值来改变正负样本分布，来解决不平衡数据问题，最终利用不平衡数据建立回归模型。Ｂｏｏｓｔｉｎｇ方法是一种能够对弱分类算法准确度进行提高的方法。Ｂｏｏｓｔｉｎｇ方法通过一个预测函数系列的构造，并通过一定的方式将预测函数系列组合成一个新的准确度较高的预测函数。它属于框架算法的一种，主要是通过操－９８－作样本集，获得样本子集，进而一系列的基分类器可以通过弱分类算法在样本子集上训练生成。其它弱分类算法的准确率也可以通过Ｂｏｏｓｔｉｎｇ算法来提高，在Ｂｏｏｓｔｍｇ框架下，其它的弱分类算法可以作为基分类算法，可以通过Ｂｏｏｓｔｉｎｇ框架对训练样本集的操作来得到不同的训练样本子集，再用该样本子集去训练，生成基分类器；这样当一个样本集产生，进入该基分类算法进行运算，产生一个该样本集的基分类器，以此经过＾轮训练后，Ｗ个基分类器就得到了，进而对Ｗ个基分类器进行加权融合，产生最终分类器。虽然Ｗ个基分类器中的每个单个分类器的识别率可能较低，但在Ｂｏｏｓｔｍｇ算法的综合后，可以实现分类结果具有有很高的识别率，这一过程可以认为是通过弱分类器的联合，实现了强分类算法能够达到的结果。Ｂｏｏｓｔｍｇ算法的灵活性在于基分类器的产生，可以用相同的或不同的基分类算法。可以看出，Ｂｏｏｓｔｍｇ算法有简单易用，基分类算法选择灵活，只有迭代次数Ａ？需要确定。其算法思想即是要将初步的、效果一般的、简单的、偏经验的初级预测方法，在一定的规则框架下，得到一个精确度很高的高级预测方法。作为一个基础框架，Ｂｏｏｓｔｉｎｇ方法演化为多种方法，Ａｄａｂｏｏｓｔ分类器方法即是其中之一，被广泛应用。该方法能够自适应的调整弱学习算法的错误率，使其在弱学习算法学习的过程中经过若干次迭代以后整体错误率能够达到我们的期望值Ａｄａｂｏｏｓｔ分类器方法通过新的“弱分类器”的不断地加入，直到达到某个设定的误差要求，最终联合生成一个强分类器。在弱分类器训练时，其算法如下，在构造下一训练集时，对于被准确分类的样本点，要降低其权重；反之，对于未被准确分类的样本点则要提高其权重。然后，样本集及其样本点的更新权重进入下一个分类器进行训练，该过程不断迭代直至达到识别误差要求.

   江门升降车租赁,   江门升降车租赁价格,   升降车租赁

    箱体材料拉伸损伤的寿命预测,   本研究中，对箱体材料拉伸损伤的寿命预测研究将采用提出的基于性能退化的故障诊断与寿命预测研究框架，开展具体的箱体材料拉伸损伤寿命预测研究。应用基于性能退化的方法进行寿命预测研究，需要首先确定箱体材料的性能退化特征参量及失效标准，在此基础上，建立箱体材料的性能退化模型，通过性能退化模型外推并与失效标准比较，可以得到箱体材料拉伸损伤的寿命预测结果。已经对箱体材料的拉伸损伤过程进行了特征提取，得到拉伸损伤过程的性能退化特征参量和失效标准，本节中将应用上述结论，进而建立基于性能退化的寿命预测模型，并利用插值、均值更新补偿等方法对寿命预测模型进行自适应更新。

       箱体材料拉伸损伤基于性能退化的寿命预测模型本研究将采用基于性能退化的方法，对箱体材料的拉伸损伤过程建模并进行寿命预测。搭载声发射系统的箱体材料拉伸损伤过程中，不断采集到声发射信号，并经过计算形成箱体材料拉伸损伤过程的性能退化特征参量，即相关系数中值序列序列的数值变化开始较大，最后将趋于稳定。 己经阐述可以用峰频信号作为触发信号，在触发后，可以利用拟合的Ｃｍｅｄ序列来作为表征箱体材料拉伸损伤过程的基于性能退化的寿命预测模型。对一次拉伸试验数据，需要采用合适的拟合方式来拟合序列模型，由于在峰频高值信号触发后，相关系数中值Ｃｍｅｄ序列呈现单调振荡下降趋势，变化形式相对简单，因此选用指数拟合、对数拟合、线性拟合等方式对Ｃｍｅｄ序列进行了拟合，选取１５个样本，对从峰频信号触发后至弹性与屈服分界点处的声发射信号进行拟合，结果显示，指数拟合的拟合误差平方和ＳＳＥ的值最小，１５个样本的ＳＳＥ的平均结果为０．００２０４，因此本研究中选用指数拟合方法对声发射信号的相关系数中值序列进行拟合，来建立箱体材料拉伸损伤过程基于性能退化的寿命预测模型。采用指数拟合方法，利用一次搭载声发射系统的拉伸试验中已经采集到的声发射信号数据来拟合相关系数中值序列Ｃｍｅｄ模型，并结合给出的箱体材料拉伸损伤的性能退化失效标准Ｃ＼与拟合Ｃｍｅｄ序列进行比对，进而得出拉伸过程的寿命预测结果及其相应的可靠度，以及某一时刻材料服役的可靠性。搭载声发射系统的拉伸试验共进行了１５次，将这１５次样本数据每次取１４个作为训练数据，求得ＣＴ及其概率分布：用剩下的１个作为测试数据，在接收到峰值频率高值成功触发后，取样本在弹性与屈服分界点处以前的声发射信号的前６０％的数据，进行Ｃｍｅｄ序列拟合，将拟合模型的结果与进行比较得到弹性与屈服分界点的预测寿命及相应的可靠度，也可以得到对应某一时刻的服役可靠性。

      对拉伸试样的弹性与屈服阶段分界点的预测，用常规的指数曲线拟合得到的结果不是很理想，个别样本数据不能对寿命进行预测，个别样本预测寿命值与实际值差值高于３０ｓ，有一半左右的样本的预测寿命值与实际值差值在２５ｓ以内，并且少数的预测值发生在真实值以后。仔细分析原因，主要是由两方面原因造成的：一是，一些样本的Ｃｍｅｄ序列值在分界点附近整体高于或低于ＣＴ均值，导致出现较大的预测偏差；二是，有些样本拉伸试验时间较短，数据量过少，用于拟合的样本更少，因此拟合误差大。上述两个原因的根源都在于材料自身的分散性，客观情况不可避免，但通过原因分析，可以提出有针对性的解决方法，提高寿命预测模型的准确度。

    江门升降车租赁,   江门升降车租赁价格,   升降车租赁