吉林大学学报(工学版) ›› 2015, Vol. 45 ›› Issue (3): 829-836.doi: 10.13229/j.cnki.jdxbgxb201503021

• • 上一篇    下一篇

基于PSO算法和SVR模型的加工中心可靠性模型参数估计

杨兆军1, 2, 杨川贵1, 2, 陈菲1, 2, 郝庆波1, 3, 郑志同1, 2, 王松1, 2   

  1. 1.吉林大学 机械科学与工程学院,长春 130022;
    2.吉林大学 机械工业数控装备可靠性技术重点实验室,长春 130022;
    3.空军航空大学 飞行器与动力系,长春 130022
  • 收稿日期:2014-03-28 出版日期:2015-05-01 发布日期:2015-05-01
  • 通讯作者: 陈菲(1970-),女,副教授.研究方向:数控装备可靠性理论.E-mail:chenfeicn@jlu.edu.cn E-mail:yzj@jlu.edu.cn
  • 作者简介:杨兆军(1956-),男,教授,博士生导师.研究方向:数控装备可靠性理论.
  • 基金资助:
    吉林省科技发展计划项目(20130302009GX); 吉林大学研究生创新基金项目(2014053)

Parameter estimation of reliability model of machining center based on particle swarm optimization and support vector regression

YANG Zhao-jun1, 2, YANG Chuan-gui1, 2, CHEN Fei1, 2, HAO Qing-bo1, 3, ZHENG Zhi-tong1, 2, WANG Song1, 2   

  1. 1.College of Mechanical Science and Engineering, Jilin University, Changchun 130022, China;
    2.Key Laboratory of CNC Equipment Reliability Technique of Machinery Industry, Jilin University, Changchun 130022, China;
    3.Department of Mechanics, Aviation University of Air Force,Changchun 130022,China
  • Received:2014-03-28 Online:2015-05-01 Published:2015-05-01

PDF (PC)

278

摘要： 针对加工中心可靠性模型,提出了一种基于支持向量回归模型的参数估计方法,并利用改进的局部最优粒子群优化算法对支持向量回归模型的参数进行优化,以提高其对可靠性模型参数的估计精度。与标准的局部最优粒子群优化算法比较,改进的局部最优粒子群优化算法引入了变异操作和自适应调节惯性因子,提高了算法的全局最优解搜索能力。将提出的方法与最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型进行了对比试验。试验结果表明:该方法的参数估计精度高于最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型。最后,将该方法用于估计实际加工中心可靠性模型的参数,得出了相应的平均故障间隔时间的评估数值。

关键词: 数控机床, 加工中心可靠性, Weibull模型, 支持向量回归, 粒子群优化

Abstract: Based on the Support Vector Regression (SVR) model, a method is proposed to assess the parameters of the reliability model of machining centers by analyzing censored data. An improved Local best Particle Swarm Optimization algorithm (improved lbest PSO) is developed to tune parameters of the SVR model to keep working efficiently. The improved Lbest PSO, developed from the local best PSO (lbest PSO), introduces a mutation operation and an adaptive inertia fact to improve its ability to search the global optimal solution. Additionally, the Least Square Model (LSM), the Maximum Likelihood Model (MLM), the SVR model selected by the Lbest PSO and the Genetic Algorithm (GA) are employed to compare their estimation performance with the proposed method. Results show that the proposed method is superior to all the other models. Finally, this method is used to estimate the parameters of the reliability model of a type of machining center and obtain its mean time between failures.

Key words: computer numerial control machine tool, machining center reliability, Weibull model, support vector regression, particle swarm optimization

中图分类号: 

  • TG659
[1] 杨兆军,陈传海,陈菲,等. 数控机床可靠性技术的研究进展[J]. 机械工程学报,2013,49(20):130-139.
Yang Zhao-jun, Chen Chuan-hai, Chen Fei, et al. Progress in the research of reliability technology of machine tools[J]. Journal of Mechanical Engineering,2013,49(20):130-139.
[2] Balakrishnan N, Kateri M. On the maximum likelihood estimation of parameters of Weibull distribution based on complete and censored data[J]. Statistics & Probability Letters,2008,78(17):2971-2975.
[3] Wu H C. Fuzzy reliability estimation using Bayesian approach[J]. Computers & Industrial Engineering,2004,46(3):467-493.
[4] Vapnik V. Statistical Learning Theory[M]. New York: Wiley, 1998.
[5] 杨兆军, 李小兵, 许彬彬,等. 加工中心时间动态可靠性建模[J]. 机械工程学报,2012,48(2):16-22.
Yang Zhao-jun, Li Xiao-bing, Xu Bin-bin, et al. Time dynamic reliability modelling of machining center[J]. Chinese Journal of Mechanical Engineering,2012,48(2):16-22.
[6] Bryan D. The Weibull Analysis Handbook[M]. ASQ Quality Press, 2006.
[7] Smola Alex J, Bernhard S. A tutorial on support vector regression[J]. Statistics and Computing, 2004, 14(3):199-222.
[8] 吴坚, 赵阳, 何睿. 基于支持向量机回归算法的电子机械制动传感器系统故障诊断[J]. 吉林大学学报:工学版, 2013,43(5):1178-1183.
Wu Jian, Zhao Yang, He Rui. Fault detection and diagnosis of EMB sensor system based on SVR[J]. Journal of Jilin University (Engineering and Technology Edition), 2013,43(5): 1178-1183.
[9] Kennedy J, Mendes R. Population structure and particle swarm performance[C]∥Proceedings of the 2002 Congress on Evolutionary Computation, Honolulu HI,USA,2002:1671-1676.
[10] 寇晓丽, 刘三阳. 基于模拟退火的粒子群算法求解约束优化问题[J]. 吉林大学学报:工学版,2007,37(1):136-140.
Kou Xiao-li, Liu San-yang. Particle swarm algorithm based on simulated annealing to solve constrained optimization[J]. Journal of Jilin University(Engineering and Technology Edition),2007,37(1):136-140.
[11] 王凌, 刘波. 微粒群优化与调度算法[M]. 北京:清华大学出版社, 2008.
[12] Engelbrecht A P. Fundamentals of Computational Swarm Intelligence[M]. Hoboken:John Wiley & Sons, 2006.
[13] Lins I D, Moura M C, Zio E, et al. A particle swarm‐optimized support vector machine for reliability prediction[J]. Quality and Reliability Engineering International,2012,28(2):141-158.
[1] 赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[2] 刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[3] 黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[4] 刘颖, 张凯, 于向军. 基于代理模型的中空轴式大型静压轴承多目标优化[J]. 吉林大学学报(工学版), 2017, 47(4): 1130-1137.
[5] 黄璇, 郭立红, 李姜, 于洋. 改进粒子群优化BP神经网络的目标威胁估计[J]. 吉林大学学报(工学版), 2017, 47(3): 996-1002.
[6] 张家旭, 李静. 基于混合优化方法的UniTire轮胎模型参数辨识[J]. 吉林大学学报(工学版), 2017, 47(1): 15-20.
[7] 卢英, 王慧琴, 秦立科. 高大空间建筑火灾精确定位方法[J]. 吉林大学学报(工学版), 2016, 46(6): 2067-2073.
[8] 李洪洲, 杨兆军, 许彬彬, 王彦鹍, 贾玉辉, 侯超. 数控机床可靠性评估试验周期设计[J]. 吉林大学学报(工学版), 2016, 46(5): 1520-1527.
[9] 蒋荣超, 王登峰, 秦民, 蒋永峰. 基于疲劳寿命的轿车后悬架扭转梁轻量化设计[J]. 吉林大学学报(工学版), 2016, 46(1): 35-42.
[10] 邵鹏, 吴志健, 周炫余. 基于反向学习的粒子群算法对线性相位低通FIR滤波器的优化[J]. 吉林大学学报(工学版), 2015, 45(3): 907-912.
[11] 吴一全, 吴诗婳, 张宇飞. 基于混沌粒子群优化的Contourlet域红外图像自适应增强[J]. 吉林大学学报(工学版), 2014, 44(5): 1466-1473.
[12] 许芳1, 2, 靳伟伟2, 陈虹1, 2, 张振威2. 一种模型预测控制器的FPGA硬件实现[J]. 吉林大学学报(工学版), 2014, 44(4): 1042-1050.
[13] 陈传海, 杨兆军, 陈菲, 郝庆波, 许彬彬, 阚英男. 基于Bootstrap-Bayes的加工中心主轴可靠性建模[J]. 吉林大学学报(工学版), 2014, 44(01): 95-100.
[14] 安如, 王慧麟, 王盈, 陈春烨, 张琴, 徐晓峰. 16阶归一化互信息和改进PSO算法的快速图像匹配[J]. 吉林大学学报(工学版), 2013, 43(增刊1): 357-364.
[15] 李娟, 南旭良, 毕思远, 吴微. 改进多目标粒子群优化算法及在图像融合中的应用[J]. 吉林大学学报(工学版), 2013, 43(增刊1): 477-480.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 《吉林大学学报(工学版)》编辑部
地址：长春市人民大街5988号　电话：+86-431-85095297　传真：+86-431-85094074　E-mail: xbgxb@jlu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发