关于我们

            

         136 0000 1358 恒越(花都)升降车租赁有限公司  花都升降车出租,花都升降车租赁,从化升降车出租,从化升降车租赁,增城升降车出租,增城升降车租赁。减速齿轮箱是升降车执行起升变幅回转等动作的关键传动部件之一。在工作过程中,齿轮箱经常受到重载冲击和交变载荷的作用,容易发生磨损故障,导致齿轮箱失效。齿轮箱的润滑油中蕴含着丰富的齿轮磨损信息,通过对润滑油的在线油液监测,可以掌握其磨损状态变化规律并提前作出故障预警,所以基于油液监测数据的在线磨损趋势预测对齿轮箱及升降车的安全维护具有重要意义。通过自回归求和滑动平均时间序列来预测齿轮箱的非平稳磨损趋势,但预测效率较低,且模型参数确定后不能对非线性时变序列进行跟踪预测。神经网络的多变量模型应用于航空发动机磨损趋势预测,但同样预测效率低,只适用于离线长期趋势预测。升降车减速齿轮箱的磨损机制复杂,其磨损状态变化往往具有时变性与非线性,因此传统的预测模型难以获得满意的效果。对于复杂时间序列,单一模型预测精度较低,而多模型组合可以提高预测精度。提出了一种神经网络修正灰色残差的组合模型预测方法,获得了较好的预测结果,但神经网络训练过程易陷入局部最小,且预测结果不稳定。能够在线学习并动态调整模型参数,具有在线自适应性。针对升降车减速齿轮箱磨损趋势预测,利用支持向量机局部核函数与全局核函数的特性。先采用全局核函数在线预测整体趋势。再用局部核函数对残差进行实时修正。从而提高总体预测精度与效率。支持向量回归原理将支持向量机推广到非线性回归估计中,称为回归型支持向量。把输入样本通过非线性映射到高维特征空间。其中。模型是在离线情况下对数据集进行批量训练的效率较低。而基于增量式在线学习的模型是逐一加入新数据进行优化训练的。当数据在线更新时。能够通过增加或删除一个样本实现模型的动态。

     

     

         花都升降车出租,花都升降车租赁,从化升降车出租,从化升降车租赁,增城升降车出租,增城升降车租赁。将样本分为三个子集;支持向量集,错误支持向量集。增量式在线学习算法包括递增算法和递减算法。递增算法的基本思想是当新样本加入训练集。升降车齿轮箱的磨损时间序列应该隐含着齿轮箱的摩擦学运动规律,为嵌入维数即重构相空间维数。复杂非线性时间序列预测的实质便是通过运动系统的状态逆向重构原系统的模型。所以对下一步进行预测就是构建以下预测模型。其中,重构的预测模型。即通过相空间重构方法将非线性时间序列映射到了高维空间,而支持向量机能有效解决非线性+高维数等问题。因此将重构预测模型与支持向量回归模型结合起来可以有效提高时间序列的预测精度。核函数的类型及影响支持向量机通过核函数的内积映射。在升降车减速齿轮箱磨损趋势预测中的应用。为了验证组合核函数模型在磨损趋势预测中的效果。以某升降车用的主起升减速齿轮箱润滑油的铁谱监测数据为例。可以看出齿轮箱工作一段时间后产生了剧烈磨损。因此磨粒的监测序列有较强的非线性与时变特征。具有一定随机性和突变性。

     

          通过在线预测可以提前发现磨损异常。进而作出相关检查与维护。为了便于预测算法的运算以及后续不同算法比较。首先对原始数据作归一化处理。之后给出具体模型预测参数。在线时间序列的长度与嵌入维数对于时间序列的预测精度和效率起着关键作用。采用最终误差预报准则结合交叉验证。方法确定最佳在线时间序列的在线建模长度进而确定邻域残差序列的建模长度。嵌入维数用前,数据作为初始训练样本,通过实时更新,在线单步预测之后的数据,其单步预测值与原始值。虚线左侧为初始训练数据。右侧为预测值与原始数据。可以看出原始数据初始状态平稳。在个样本后有急剧上升趋势,之后波动较大。而在此过程中模型很好地跟踪预测了磨粒监测的单步变化情况。由于是在线样本实时滚动建模。所以过往数据影响较小。采用的组合核函数算法能动态修正模型参数适应数据变化。说明模型具有较强的在线自适应能力及较好的预测精度。为了比较新算法性能。采用单一核函数算法和灰色神经网络,组合算法对相同序列在线对比预测。


         花都升降车出租,花都升降车租赁,从化升降车出租,从化升降车租赁,增城升降车出租,增城升降车租赁