主成分分析和小波神经网络在气缸疲劳失效预测中的应用.pdfVIP

2015年 7月 机床与液压 Ju1．2015 第 43卷 第 13期 MACHINETOOL HYDRAULICS Ve1．43No．13 DOI：10．3969／j．issn．1001—3881．2015．13．040 主成分分析和小波神经网络在气缸疲劳失效预测中的应用 王洁，杨平，郁嵩，李倩 (电子科技大学机械电子工程学院，四川成都 611731) 摘要：对气缸疲劳失效的预测一方面可以为基于状态的维修 (CBM)提供重要参考 ，保证系统可靠运行，另一方面可 以在设计过程中针对性地提供所需的寿命值，防止气缸冗余设计。常用的基于失效样本的预测方法由于样本数据量相当有 限使得所建立的预测模型不具有说服力。通过主成分分析法 (PCA)和小波神经网络 (WNN)建立了一种失效预测方法， 并将其运用于气缸性能失效的预测。利用主成分分析法处理气缸运行过程中监测得到的多维性能参数，在保留信息完整性 的条件下选择出尽量少的主成分。对样本数据进行合理分组作为小波神经网络的输入。采用遗传算法 (GA)来获取小波 神经网络的初始权值和阈值 ；对小波神经网络进行训练和测试 ，完成对气缸性能失效预测；实验结果表明这种方法在气缸 的疲劳失效预测方面具有令人满意的效果。 关键词：主成分分析 ；小波神经网络；气缸；性能参数 ；失效预测 中图分类号：TH17；TH138．5 文献标志码：A 文章编号：1001—3881(2015)13-167—5 ApplicationofPrincipalComponentAnalysisandW aveletNeuralNetwork f0rPredictionofCylinderFatigueFailure WANGJie，YANGPing，YUSong，LIQian (SchoolofMechatronicsEngineering，UniversityofElectronicScienceandTechnologyofChina， ChengduSichuan611731，China) Abstract：TheaccuratepredictionofthecylinderfatiguefailureisakeypartofConditionBasedMaintenance(CBM)tokeephte system operatingreliably．Inadditional，itcanprovidepertinentservicevaluerequiredinthedesignprocessforpreventinghteredun- dancydesignofcylinders．Th ecommonusedfailurepredictionmethodbasedonfailuresamplesisquitelimitedashtesamplesdataare alwaystooraretobuildarational predictionmode1．A new fatiugefailurepredictionmethodbasedonPrincipal ComponentAnalysis (PCA)andWaveletNeuralNetwork(WNN)isestablished，whichisusedinpredictionofcylinderperformancefailure．Bytakingfull advantagesofthereal·timeperfomr naceparametersofhtecylinderinoperationobtainedthroughprocessingofPCAmehtod，thepraam- eters werereducedwihtoutlosingmuch keyinfomr ation athtebest，na dhtenthesma pledatagroupedrationallywereinputtothe WNN，whoseinitial