基于灰色支持矢量机金属构件寿命预测.docVIP

基于灰色支持矢量机金属构件寿命预测 　　摘要:基于灰色系统和支持矢量机理论,建立了基于计算机软件预测金属构件剩余寿命的灰色支持矢量机模型,并应用此模型预测了某大型设备连接件的模拟试件剩余寿命,得到了较高精度的预测结果,为小样本情况下金属构件的疲劳寿命在线预测提供了一种简单、可靠和实用的新方法;同时也为大型结构件的寿命预测提供了可靠的基础。 　　关键词:支持向量机 灰色支持向量机 疲劳寿命预测 小样本 　　中图分类号:O221.3文献标识:A 　　 　　0 引言 　　在某些大型设备中钢结构件是主要组成部件之一,这些连接件的疲劳失效是影响大型设备安全的重要破坏因素之一,因此,如何有效地估算金属构件的疲劳裂纹扩展寿命,对金属构件进而对整个机械系统进行正确的疲劳分析和剩余寿命预测都具有十分重要的现实意义和显著的经济效益,从而为大型设备的寿命预测提供新的思路。 　　疲劳裂纹扩展过程中,裂纹扩展速率受各种不确定性因素的影响,而且各参数大多具有分散性,因此裂纹扩展寿命是一个随机变量,属于不确定系统。同时针对金属构件的疲劳裂纹扩展寿命预测是基于小样本基础上的典型的非线性过程,将具有处理复杂非线性信号能力的灰色预测和能够较好地解决小样本、非线性、高维数和局部极小点等实际问题的支持矢量机算法结合起来用于带裂纹构件的扩展寿命预测,是十分合适的。 　　本文将灰色预测方法与支持矢量机算法相结合,利用灰色预测方法中“累加生成”的优点,削弱原始数据序列中随机扰动因素的影响,使离乱的原始数据中蕴涵的规律充分显露出来,增强数据的规律性,得到便于SVM学习的具有单调增长规律的新序列,进而建立优于单一SVM方法的预测模型。因此,本文创新性地提出了基于灰色支持矢量机的金属构件寿命预测新方法。 　　1 灰色支持矢量机模型(GM-SVM) 　　预测要追求的不是已知样本的拟合情况,而主要是对未知样本的预测能力(即泛化能力)。时间序列预测是由已有的时间序列数据推测下一时刻序列的未来值。比如设{x(i)│i=1,2…,n｝为时间序列,若采用的历史数据长度为n0,即用x(i-1),x(i-2),…,x(i-n0)来预测i时刻值,将x(i-1),x(i-2),…,x(i-n0)作为输入信息,x(i)的值作为i时刻预测期望值。 　　1.1 支持矢量机回归算法 　　给定m个独立同分布的样本数据{(x1,y1)(x2,y2)…(xm,ym)｝,其中xi∈Rn的n维向量,yi∈R为相对应的输出变量,i=1,2,…,m。回归算法的基本思想是通过一个非线性映射φ,将数据集映射到高维特征空间H,并在这个空间进行线性回归。具体的函数形式可表示为: 　　 f(x)=(ω,φ(xk))+b,φ:Rn→H,ω∈Rn (1) 　　b为阈值。这样,在高维特征空间的线性回归便对应于低维空间的非线性回归,且免去了在高维空间ω和φ的点积计算。 　　 因此,用于回归的支持矢量机等价于求解如下的优化问题: 　　minJ=‖ω‖2+C(ξi*+ξi) (2) 　　 (3) 　　式(2)第一项使函数更为平坦,从而提高泛化能力;第二项减少经验风险;自定义常数C0是惩罚系数,用来控制样本偏差和机器的泛化能力之间的平衡。C越大则对数据的拟合程度越高。ε用于控制回归逼近误差管道的大小,从而控制支持矢量的个数和泛化能力,其值越大,则支持矢量越少,但精度不高。 　　若样本点呈非线性关系,支持矢量机理论将原空间的非线性问题通过非线性变换转化为某个高维空间中的线性问题,采用适当的内积函数K(xi,xj)就可以实现某一非线性变换后的线性回归,从而实现对未来数据或无法观测的数据进行预测,而计算复杂度却没有增加。利用Lagrange乘子法把问题(2)的求解转化为其对偶问题的求解,也就是凸二次优化问题的求解。 　　1.2 灰色支持矢量机预测算法: 首先利用灰色预测方法将原始序列进行一次累加生成,然后利用支持矢量机拟合非线性数据能力的优势对新序列建立预测模型,最后将预测结果进行累减还原得预测值。算法的具体设计如下: 　　1.2.1 首先对原始序列X(0)={x(0)(1),x(0)(2),…,x(0)(n)｝,x(0)(i)0,i=1,2,…,n进行一次累加得生成序列X(1)={x(1)(1),x(1)(2),…,x(1)(n)｝,其中:x(1)(k)=x(0)(i),k=1,2…,n。将累加生成序列作为SVM的学习样本。 　　1.2.2 选择核函数K(xi,x)及SVM参数(C,ε,p1和回归精度); 　　1.2.3 采用支持矢量机方法,求解二次优化问题(见下式(3)),计算模型嵌入维数m,找出支持矢量xi,i=1,…,N; 　　 Min(αi*-αi)(αj*-αj)K(xi,xj)+ε(α