一种磨损预测的优化算法研究.pdfVIP

第28卷第6期 摩擦学学报 V01．28No．6 2008年11月 Tribology NOV，2008 一种磨损预测的优化算法研究 吕德峰，左洪福，蔡景，王烨 (南京航空航天大学民航学院，南京210016) 摘要：根据机械部件磨损机理复杂、磨损量预测难精确的特点，提出基于免疫粒子群参数优化的最小二乘支持向量机 方法预测磨损量．该算法采用免疫粒子群优化最小二乘支持向量机建模参数，避免了算法陷入局部最优解，实现了精 确度高、泛化能力强的磨损量预测模型．对轴承钢试件磨损进行了试验研究，试验数据分析结果表明，基于免疫粒子群 的最小二乘支持向量机预测方法优于前向反馈神经网络算法、遗传算法及蚁群算法，预测误差较小，具有很好的预测 能力． 关键词：磨损量；最小二乘支持向量机；免疫粒子群；优化 中图分类号：THll7，l 文献标志码：A 磨损是机械零部件的几种主要失效形式之一， 优化的IS．SVM用于磨损预测的先进性． 大约有80％的机械零件由各种磨损导致失效¨1．机 1建模参数免疫粒子群优化 械磨损是非常复杂的过程，准确预测磨损非常困难． 磨损领域众多学者进行了很多研究，比较典型的例 LS—SVM核函数选择径向基核函数．对径向基 如文献[2．3]． 核函数的参数进行优化． 预测的方法比较多，大多都是基于经典的数学 1．1 IA-PSO参数优化模型 方法和人工智能方法．但是由于经典数学方法对样 从LS．SVM算法№1中可看出其主要参数是正则 本数以及数据质量要求严格，实际应用效果有限；大 化参数以及核参数，这两个参数在很大程度上决 部分人工智能方法本身的问题以及实际应用中目标 定了IS—SVM的学习能力和预测能力．这两个参数 函数要求的不同而适用的不多．上世纪九十年代 的选择属于二维优化问题，由于无法得到建模参数 V提出了支持向量机H VectorMa— 之间的显示表达式，且不能保证变化的单调性和连 Vapnik o(Support 续性，所以无法使用牛顿法、最陡梯度法求解．有学 chine，SVM)预测方法．该方法采用结构风险最小化 代替经验风险最小化原则，解决了小样本导致的学 者采用遗传算法和模拟退火算法优化参数理论上虽 然取得了较好的效果，但实际上遗传算法容易陷入 习不足的问题，泛化能力很强．Sukyens在SVM基础 上提出了最小二乘支持向量机。(LeastSquareSup— 局部最优，模拟退火算法实现起来复杂∞J．本文提 Ventor 出基于免疫粒子群优化算法较好地避免了以上算法 prot Machine．LS，SVM)，LS．SVM用最小二乘 线性系统代替了SVM采用二次规划方法解决函数 中存在的问题． Swarm 粒子群优化算法(Particle 估计问题，解决了SVM存在的鲁棒性、稀松性问题． Optimization， AI- 简称PSO)编码简单、速度快、通用性强，但是容易陷 本文提出了一种基于免疫粒子群算法(Immunity Swarm 入局部最优点，达不到足够