基于组合核函数OSVR算法的起重机减速齿轮箱磨损趋势预测

中国机械工程 ›› 2015, Vol. 26 ›› Issue (5): 641-646.

基于组合核函数OSVR算法的起重机减速齿轮箱磨损趋势预测

曹劲然1;冯毅1;陆宝春1;张登峰1;吴建2;石胜征2;关德壮2

1.南京理工大学，南京，210094
2.南通润邦重机股份有限公司，南通，226013

出版日期:2015-03-10 发布日期:2015-03-06
基金资助:
国家自然科学基金资助项目（51275245，61374133）

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

Cao Jinran1;Feng Yi1;Lu Baochun1;Zhang Dengfeng1;Wu Jian2;Shi Shengzheng2;Guan Dezhuang2

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

Online:2015-03-10 Published:2015-03-06
Supported by:
National Natural Science Foundation of China（No. 51275245，61374133）

摘要/Abstract

摘要：

针对起重机减速齿轮箱的磨损过程具有非线性与时变性，传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题，提出了一种基于组合核函数的在线支持向量机回归（online support vector regression，OSVR）预测算法。OSVR的在线学习算法能够适应时间序列的时变性并提高执行效率，同时可利用不同的核函数性能，通过组合模型提高预测精度。采用实际齿轮箱铁谱数据对预测算法进行验证，结果表明，基于组合核函数的OSVR预测算法具有很好的预测精度和适应性，能有效预测起重机齿轮箱的磨损故障，且相比于单一OSVR算法和灰色神经网络组合算法有更高的效率和预测精度。

关键词: 齿轮箱, 磨损趋势预测, 在线支持向量机回归, 核函数

Abstract:

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.

Key words: gearbox, wear trend prediction;online support vector regression(OSVR), kernel function

中图分类号:

TP181

曹劲然, 冯毅, 陆宝春, 张登峰, 吴建, 石胜征, 关德壮. 基于组合核函数OSVR算法的起重机减速齿轮箱磨损趋势预测[J]. 中国机械工程, 2015, 26(5): 641-646.

Cao Jinran, Feng Yi, Lu Baochun, Zhang Dengfeng, Wu Jian, Shi Shengzheng, Guan D. Wear Trend Prediction of Crane Gearbox Based on OSVR Method with Combined Kernel Functions[J]. China Mechanical Engineering, 2015, 26(5): 641-646.

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/I5/641

参考文献

[1]时均莲,刘卓,乔新燃,等.海上平台起重机齿轮箱零部件失效形式分析及对策[J].起重运输机械,2012(7):73-76.
Shi Junlian,Liu Zhuo,Qiao Xinran,et al. Offshore Crane Gearbox Parts Failure Analysis and Countermeas-ures[J]. Hoisting and Conveying Machinery,2012(7):73-76.
[2]陈宏军,涂群章.基于油液分析的在线磨损监测技术研究现状与发展趋势[J]. 矿山机械,2008(24):22-25.
Chen Hongjun,Tu Qunzhang. Current Research and Development of the On-line Abrasion Monitoring Technique Based on Oil Analysis[J]. Mining & Processing Equipment, 2008(24):22-25.
[3]张菊,钟新辉,张峰.灰色系统在发动机铁谱分析监测中的应用[J].内燃机,2013(3):39-40,53.
Zhang Ju,Zhong Xinhui,Zhang Feng.Application of Gray System in Engine Ferrography Monitoring[J].Internal Combustion Engines, 2013(3):39-40,53.
[4]王金涛,吕晓军,谢友柏,等.在线铁谱监测系统中的非平稳磨损趋势分析[J].西安交通大学学报,2003,37(5):463-466.
Wang Jintao,Lü Xiaojun,Xie Youbai,et al. Nonstationary Wear Trend Analysis Method in On-Line Ferrograph Monitoring System[J]. Journal of Xi'an Jiaotong University,2003,37(5):463-466.
[5]陈果,杨虞微.航空发动机复杂磨损趋势的神经网络多变量预测模型[J].中国机械工程,2007,18(1):70-74.
Chen Guo，Yang Yuwei. Artificial Neural Network Multi-variable Forecasting Model of Aero-engine Complex Wear Trend[J]. China Mechanical Engineering, 2007,18(1):70-74.
[6]刘玉兵,陈亚忠,王晓东,等.BP神经网络修正灰色残差组合模型方法在油液光谱分析中应用的研究[J].润滑与密封,2007,32(3):172-174.
Liu Yubing，Chen Yazhong，Wang Xiaodong，et al. Research on Oil Spectral Analysis Prediction Based on Remnant Difference Correct Combined Model of BP Neural Network[J]. Lubrication Engineering, 2007, 32(3): 172-174.
[7]Debasish B，Srimanta P，Dipak C P.Support Vector Regression[J]. Neural Information Processing-Letters and Reviews, 2008, 11(10):203-224.
[8]刘大同,彭宇,彭喜元,等.基于残差预测修正的局部在线时间序列预测方法[J].电子学报,2008,36(12A):81-85.
Liu Datong，Peng Yu，Peng Xiyuan，et al. Local Online Time Series Prediction Based on the Residual Compensation with Online SVR[J]. Acta Electronica Sinica,2008,36(12A):81-85.
[9]Giovanni M，Francesco P.Learning to Trade with Incremental Support Vector Regression[J]. Lecture Notes in Computer Science, 2008,5271:591-598.
[10]Takens F.Detecting Strange Attractorin Turbulence[J]. Lecture Notes in Mathematics, 1981, 898(2): 361-381.
[11]张芬,陶亮,孙艳.基于混合核函数的SVM及其应用[J].计算机技术与发展,2006, 16(2):176-178.
Zhang Fen,Tao Liang,Sun Yan. SVM and Its Application Based on Mixtures of Kernels[J]. Computer Technology and Development, 2006, 16(2):176-178.
[12]王旭辉,黄圣国,曹力,等.基于LS-SVM的航空发动机气路参数趋势在线预测[J].吉林大学学报(工学版),2008,38(1):239-244.
Wang Xuhui，Huang Shengguo，Cao Li，et al. LS-SVM Based Online Trend Prediction of Gas Path Parameters of Aero Engine[J]. Journal of Jilin University(Engineering and Technology Edition),2008, 38(1):239-244.

[1]	唐浩, 谭建军, 李浩, 朱才朝, 叶伟, 孙章栋. 应用滑动轴承的风电齿轮箱行星轮系动力学建模及解耦方法[J]. 中国机械工程, 2024, 35(04): 591-601.
[2]	沈子钰, 张砦, 王友仁, 李泓锟. 行星轮齿轮箱太阳轮齿根裂纹传递特性分析[J]. 中国机械工程, 2023, 34(18): 2177-2185.
[3]	谭建军, 李浩, 杨书益, 朱才朝, 宋朝省, 孙章栋. 重载工况下行星齿轮传动啮合偏载分析[J]. 中国机械工程, 2023, 34(13): 1513-1524.
[4]	齐咏生, 单成成, 贾舜宇, 刘利强, 董朝轶, . 一种基于增强型最大二阶循环平稳盲解卷积的齿轮箱复合故障诊断[J]. 中国机械工程, 2022, 33(24): 2927-2941,2952.
[5]	孔帅;崔洪宇;季顺迎. 船体结构冰载荷反演方法及试验验证[J]. 中国机械工程, 2020, 31(03): 281-288.
[6]	陈雪峰, 郭艳婕, 许才彬, 商红兵. [学科发展]风电装备故障诊断与健康监测研究综述[J]. 中国机械工程, 2020, 31(02): 175-189.
[7]	金棋, 王友仁, 王俊. [设备健康管理]基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法[J]. 中国机械工程, 2019, 30(02): 196-204.
[8]	王友仁;王俊;黄海安. 基于非线性短时傅里叶变换阶次跟踪的变速行星齿轮箱故障诊断[J]. 中国机械工程, 2018, 29(14): 1688-1695.
[9]	于军1，2;于德水1. 流向图在行星齿轮箱故障诊断中的应用[J]. 中国机械工程, 2018, 29(10): 1208-1213.
[10]	贾子文;顾煜炯. 基于数据挖掘的风电机组齿轮箱运行状态分析[J]. 中国机械工程, 2018, 29(06): 650-658.
[11]	王轩1,2;王细洋1. 面向故障诊断的行星齿轮扭振信号测量与分析[J]. 中国机械工程, 2018, 29(01): 49-56.
[12]	寇发荣;梁津;魏冬冬;王星;田蕾. 一种并联式半主动悬架作动器研究[J]. 中国机械工程, 2017, 28(19): 2318-2324.
[13]	何群1;郭源耕1;王霄1,2;任宗浩1;李继猛1. 基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断[J]. 中国机械工程, 2017, 28(13): 1528-1534.
[14]	王友仁, 陈伟, 孙灿飞, 孙权, 黄海安. 基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断[J]. 中国机械工程, 2017, 28(12): 1484-1490.
[15]	杨宇, 罗鹏, 程军圣. 广义变分模态分解及其在齿轮箱复合故障诊断中的应用[J]. 中国机械工程, 2017, 28(09): 1069-1073.