基于SVM的典型机械联接结构寿命预测研究-机械工程专业论文.docxVIP

声 明 本 人郑 重声 明： 此 处所 提交 的硕 士学 位 论文 《基 于 SVM 的 典型 机械 联 接结构寿命预测研究》，是本人在西南科技大学攻读硕士学位期间，在导师指 导下进行的研究工作和取得的研究成果。据本人所知，除了文中特别加以标 注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得西南科技大学或其他教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并 表示了谢意。本学位论文成果是本人在西南科技大学读书期间在导师指导下 取得的，论文成果归西南科技大学所有，特此声明。 学位论文作者签名： 日 期： 关于学位论文使用授权的说明 本人完全了解西南科技大学有关保留、使用学位论文的规定，即：①学 校有权保管、并向有关部门送交学位论文的原件与复印件；②学校可以采用 影印、缩印或其它复制手段复制并保存学位论文； ③学校可允许学位论文被 查阅或借阅；④学校可以学术交流为目的,复制赠送和交换学位论文；⑤同意 学校可以用不同方式在不同媒体上发表、传播学位论文的全部或部分内容。 (涉密的学位论文在解 密后遵守此规定) 作者签名： 导师签名： ； 日 期： 日 期： ； 摘 要 本 文 研 究 的 内 容 来 源 于 国 家 自 然 科 学 基 金 与 中 国 工 程 物 理 研 究院联合 基金项目“基于核函 数的结构特征 参数辨识及其变 化预测 方法 ”(项目编 号，该项目 主要是对长 期贮存的大型 装 备进行健康状态检测与变化预测 分析。本文的主要研究内容如下： (1) 对机器学 习问题、支持向量 机算法、核函数理 论和多参数 优化方法 进行探讨和分 析。重点研究 支持向量机算 法对小样本数据 的处理能力。 (2) 支持向量 机是一种多参 数的机器学习算 法。通过研究 支持 向量机模 型参数相互之 间的约束关系 ，结合径向 基核函数支持 向量 机的 渐近性 能，找到 最优参 数组合 的“ 好区”，再 采用改 进人工蜂 群优化算 法在“好区”内搜寻最 优参数。从而，构建出支 持向量机 模型参数的优化体系，即 L-ABC-SVM 方法。 (3) 为了探究 环境因素对贮 存装备联接结构 产生的影响，依据 加 速寿 命 腐蚀 试 验标 准 ，搭 建 三 种联 接 方式 (铆 接、 焊 接、 螺 栓联 接 )的 加速 寿 命试 验 平台 。 建立 数据 预 处理 流 程方 案 ，对 试 验数 据 进行预 处理，再采用 L-ABC-SVM 方法构 建对联接结构 寿命预测的 数学模型 。最后，通过不同的回 归预测方法 、不同的核函数和 参数 对该方法的性能进行比较分析， 验证方法的可行性和有效性。 (4) 将 L-ABC-SVM 方法作 为软件的核 心内容，在 VC6.0 的平 台上开发预测软件。 关键词：支持向量 机 人工蜂群 参数优化 联接结构 寿命预测 Abstract This paper was supported by the National Natural Science Foundation of China and China Academy of Engineering Physics Mutual Funds under Grant (NSAF) “Research on the identificationof the mechanical structural characteristic parameters and its prediction based on kernel function” (NO. This project mainly aims to predict and monitor the health status of mechanical structures of large weapon equipments. The main research contents of this paper are as follows. This paper dealed with machine learning, kernel function theory, support vector machine (SVM) and multi parameter optimization theory. It focuses on the small sample data processing capability of SVM. SVM is a kind of machine learning algorithm with multiple