EDP​​ SCIENCES徽标
开放访问
金博宝问题
金博宝
体积22日,2021
文章编号 29.
数量的页面(年代) 9
DOI https://doi.org/10.1051/meca/2021028
网上发布 4月14日4月14日

©J. Kang等人,由EDP Sciences发表2021

许可创造性公共这是一篇基于知识共享署名许可协议(https://creativecommons.org/licenses/by/4.0.)提供任何介质中的不受限制使用,分发和再现,所以提供了正确的工作。

1介绍

活塞环缸衬垫系统是高性能内燃机的芯部件。活塞环缸衬里系统的磨损效果了能量变换,降低了冰的可靠性。因此,如何有效地降低磨损率,监测和评估缸衬里的磨损对冰的服务性能具有重要意义。

在谢的操作过程中,活塞环缸衬里系统的磨损对能量转换具有显着影响。根据参考文献,活塞环缸衬里的摩擦可以占内燃机总机械摩擦的约50%的含量[1- - - - - -3.].为了获得较好的摩擦学性能,学者们正致力于建立摩擦磨损模型,研究摩擦与能量消耗之间的关系[4- - - - - -8]研究了润滑对活塞环 - 缸衬里摩擦摩擦的影响[910.].为了监测磨损状态,一些学者分析了油中磨料颗粒的磨损信息,评价了冰的磨损[11.- - - - - -14.].在上面的作品中,最多的学者专注于系统的摩擦和活塞环缸衬里的磨损。汽缸衬里的磨损直接从活塞环到气缸衬里的间隙增加,并且它也影响润滑,密封,表面形貌,活塞环和气缸衬套之间的活塞二次运动。这些因素对冰的效率,生活和可靠性产生了强烈影响。因此,需要监测气缸衬套的磨损以提高活塞环缸衬里系统的可靠性。然而,很难在短期内收集大量磨损数据。2007年,Giorgio等人。[15.]提出了一种计算汽缸衬套可靠性的方法,建立了累积损坏模型来描述磨损过程。通过估计气缸衬套的可靠性,可以调整汽缸衬里的检查和更换,以降低额外的费用损失。随后,Giorgio等人。[16.- - - - - -19.建立了国家依赖磨损模型,年龄和州依赖性马尔可夫模型和贝叶斯估计模型,以预测汽缸衬套的劣化过程。他们在汽缸衬垫磨损的降解性能和可靠性方面做了很多卓越的工作。同时,模糊集和故障模式,效果和临界分析(FMECA)方法用于分析柴油发动机涡轮增压器的可靠性[20.,将专家知识引入到模型中。通过分析计算,提出了一种预测柴油机涡轮增压器可靠性的新方法。参考文献[15.- - - - - -20.]最多的学者建立了气缸衬垫磨损模型,研究了降解过程。然而,不确定性因素不被视为柴油发动机的运作过程,这对气缸衬套的磨损产生了很大影响。昌等人。[21.]提出了一种利用性能退化数据预测气缸寿命分布的计算模型。为预测气缸套的磨损过程,建立了随机模型,并根据预测模型制定了维修计划[22.].Zhang等[23.]提出了一种具有非均相复合泊松过程的跳跃扩散过程,以利用随机发生的跳跃来模拟劣化过程,使用数值例子来验证所提出的方法的有效性。基于磨损的小样本数据,Wiederkehr等人。[24.[介绍了一种用于建模工具粒磨损的基于点的方法。

近年来,机器学习算法和统计方法迅速开发,广泛用于预测设备的磨损[25.26.].采用故障树分析(FTA)和故障模式与影响分析(FMEA)方法对发动机的可靠性进行分析,采用人工神经网络(ANN)对主机气缸排气温度特征参数进行预测[27.].Kong等人[28.提出了一种基于隐式半马尔可夫模型(HSMM)的铣削刀具磨损估计方法。实验表明,该方法在刀具磨损评价中具有较高的精度。在他们的工作中,采用核主成分分析(KPCA)技术来降低噪声的影响。采用高斯过程回归(GPR)和相关向量机(RVM)预测刀具磨损[29.30.].上述工作为工业上的磨损预测提供了有效的方法,活塞-缸套系统的磨损特性与刀具磨损相似,可为缸套的磨损提供参考。支持向量机在解决小样本、非线性和高维问题方面具有很大的优势。考虑到缸套磨损的特点,支持向量机适合于缸套磨损的诊断和预测。在文献[31.[提出了机床工具的状态监测方法,并使用支持载体回归(SVR)来预测侧面磨损的切削工具。Zhang等[32.],利用SVR预测磨合时的磨损量,利用优化方法得到不同参数下的最优结果。为了预测磨损率,建立了ANN-SVR模型[33.[结果表明,所提出的模型具有优异的性能而不是ANN模型。建立了集成模型,以预测基于SVR的工具的磨损和剩余寿命[34.,并研究了信号特征量与刀具磨损量的关系。Zhang等[35.]在运行之前和之后建立了表面形貌的参数预测模型,采用SVM来模拟磨损过程。

在冰中,磨损信息与活塞缸衬套系统的摩擦学,动态特性和操作状态密切相关。因此,磨损能力显示不确定性特征。本文提出了一种基于SVR的模型来预测汽缸衬套磨损。为了有效地预测磨损,提出了一种新的模糊SVR模型来通过将不确定性信息结合到所提出的模型中来评估磨损。为了实现最佳结果,PSO算法用于优化模型参数。使用BPNN与所提出的模型进行比较,以验证有效性。数值结果表明,所提出的模型可以预测汽缸衬垫有效磨损。

2理论分析

2.1 SVR模型

支持向量机基于结构风险最小化原则,具有良好的学习模型泛化能力。更重要的是,它可以很好地处理小样本数据。作为支持向量机的一个分支,支持向量机的主要目的是通过收集数据拟合出一个合理的结构模型。SVR的理论如下:(1)(2)在哪里ω.为权向量,x是输入变量矩阵,b是偏见。y是目标值,fx)为预测值。的fx)是未知的函数,这取决于样本数据。如果在两个超平面内的示例数据(请参阅图。1),错误可以忽略错误。它可以表达为

(3)

在哪里ε.是精度。通过以上分析,可以将回归问题转化为经验风险的最小化问题。它可以由(4)

当。。。的时候ε.是,方程是(4)可以通过任何适当的算法解决。为了解决实际问题,我们已经扩展了上述数学模型,并且可以将详细的推导过程视为附录AB

缩略图 图。1

SVR模型。

3模糊不确定性模型

磨损是逐步的过程,它与设备的操作性能有关。服务条件和材料参数可以影响磨损率,这在同一时间段内导致耐磨容量不同。换句话说,在相同条件下磨损不确定,它对磨损容量产生负面影响。然而,定量描述这种不确定性是不现实的。为了减少超出允许范围的样本数据的影响,隶属函数旨在表达模糊不确定性因素(负载,速度,润滑状态)。

缸套磨损过程中经历了不同程度的磨损(初始磨损、稳定磨损、严重磨损)。当磨损量接近技术文件规定的最大磨损量时,磨损量呈现模糊不确定性特征。为模拟这一现象,给出了两个假设:(1)磨损处于初始和稳态阶段时,磨损量不能超过允许范围;(2)磨损处于严重阶段时,磨损量可以超过允许范围。假设的目的是为了消除由于工作条件突然变化而造成的预测不准确,即确定模型的适用范围。在假设的基础上,采用模糊函数来描述磨损过程中磨损能力的不确定性。如果样本数据超过了给定的阈值,隶属度函数需要发挥作用,使其处于指定的范围内(参见图2),模糊功能的成员函数可以表示为:(5)在哪里一个1一个2是气缸衬套的磨损能力。我们定义了系统安全,当磨损容量在最大磨损的95%以内,当磨损容量达到最大磨损的95%至110%之间时,系统具有潜在风险。当给出最大磨损容量时,磨损容量是单调的增加,一个2一个1确定。基于此,一个2一个1总是积极的,凸起μ.一个x)不会改变。当系统的磨损量超过设定的范围时,系统将失效。

在考虑不确定性因素的情况下,将隶属度函数引入到SVR模型中,将SVR与隶属度函数模型相结合,建立了一种新的SVR模型。可以用as表示(6)

缩略图 图2

隶属函数的示意图。

4数值应用

气缸衬套磨损对活塞环缸系统的性能产生了很大的影响,并且磨损可能导致系统的故障。因此,汽缸套的磨损容量是冰的重要参数。由于烟灰颗粒,磨损颗粒,热载荷和润滑不足,气缸套的顶部死头是最糟糕的工作区域,并且在该区域总是发生最大磨损能力。因此,为了防止突然发生故障,监测圆柱衬里顶部死亡中心的磨损容量,以诊断冰的操作状态。在文献中[16.[报道,圆柱衬垫的磨损数据被报道,在类似的载荷,环境和操作条件下,汽缸衬里配备了GRIMALDI集团的三艘相同的货船。从1999年1月到2006年1月收集了数据集,测量精度为0.05毫米,并且磨损数据随着气缸衬套的操作时间累积,如图所示图3.

缩略图 图3.

磨损32缸衬套的数据。

5结果和讨论

5.1磨损数据分析

为了模拟磨损过程并预测圆柱衬垫磨损的痕迹,首先分析磨损数据。可以看出图3.磨损量随工作时间呈非线性增加,线性方法无法实现缸套磨损量的评估。多项式拟合可以处理非线性问题,我们尝试用多项式拟合的方法来处理收集的数据。磨损数据按时间顺序从小到大排序,并采用多项式函数拟合气缸套磨损与运行时间的关系,结果如下所示图4..结果图4.展示多项式函数可以适合平均磨损路径,不能准确地评估下一个采样点中的耐磨能力。残余分析图4.B也表明多项式回归法不适合评价缸套磨损。(残差越接近0,结果越好。)的多项式回归函数图4.可以通过方程式表示(7).我们可以看到等式(7)不能满足空缺的约束t = 0, and the regression function is only to find the average wear path from all the wear data. If it satisfies the constraint of being null att= 0时,拟合误差更大。通过对图4.,不同的磨损能力表明系统磨损方面存在不确定性。因此,为了实现气缸衬套磨损的评估,我们需要找到更有效的回归方法来分析样本数据。(7)

缩略图 图4.

汽缸衬套磨损的多项式拟合曲线。(a)多项式配件。(b)残余分析。

5.2粒子群算法的SVR

基于以上分析,传统的回归方法难以实现缸套磨损过程的评价。因此,采用新的支持向量机模型对所提出的问题进行了分析。由于SVR具有较高的非线性,因此采用核函数技术来处理非线性SVR。本文选用高斯径向基核函数(GRBKF),因为它在处理非线性问题方面具有较强的性能。在新的支持向量机模型中,模型参数对模型至关重要,它们决定着支持向量机的性能。但由于没有有效的方法确定参数值,因此将优化方法引入到SVR模型中。PSO算法的灵感来自于鸟群活动的规则[36.37.].它是一种进化计算技术,通过使用群智能建立,主要使用群体的个人信息共享来优化问题。为了获得更好的后果,PSO算法用于优化模型参数。均方误差(MSE)和平方相关系数(R2)用于判断评估结果,可以给出(8)(9)

文献中的磨损数据[16.]用于评估模型参数。汽缸衬里的材料特性和结构是相同的,因此忽略了不同汽缸衬里对磨损的影响。通常,训练集中的样本数量应该足够,并且训练样本的数量至少大于总数的50%。因此,选择了70%的样本数据进行模型训练,并且剩余部分用于本文测试模型。图5.显示了新型SVR气缸衬垫磨损的训练结果。图5.A显示了训练集上测量和汽缸衬套磨损训练值之间的比较。为了观察所提出的模型的错误,在图中给出了90%的预测间隔。从图中可以看出,误差非常小,训练模型可以反映气缸衬套的磨损。为了更清楚地了解训练和测量数据之间的错误,测量和培训数据之间的比较显示在图5.湾我们可以得出结论图5.训练模式是可靠的。为了说明培训模式的可用性,MSER2计算,结果显示在表格1.为了讨论参数对解的影响,我们通过改变粒子速度来提高粒子的全局搜索能力。不同速度下的最佳结果列于表2..与其他结果相比,已有结果是最优的。

图6.给出了运用该训练模型进行汽缸磨损试验的结果。在图6.A,测量数据几乎与测试值一致,磨损容量的变化趋势指示预测数据是可靠的。可以看出,误差很小,这进一步说明了所提出的模型的可用性。测量数据与测试集上的测试数据之间的比较是特征在于图6.B,小偏移距离揭示了训练模型对于评估汽缸衬垫磨损是准确的。在测试集中,MSER2分别为0.010和0.968,可以说明模型参数的有效性。

通过对气缸衬套磨损数据的分析,所提出的SVR模型可以评估冰的圆筒衬垫磨损能力。无论是在培训或测试集中,结果都与实际值略有不同;它可以反映气缸衬套磨损的基本条件。比较多项式回归的提出方法,显然,所提出的模型可以在不同时间更准确地描述气缸衬里的磨损能力。

缩略图 图5.

缸套磨损的SVR训练结果。(a)训练集上的训练数据与实测数据的比较。(b) SVR对训练集的性能。

表格1

MSER2SVR模型的训练集的值。

表2.

MSER2以不同的速度设定训练。

缩略图 图6.

气缸衬套磨损的SVR测试结果。(a)测试集上的测试和测量数据的比较。(b)SVR在测试集上的性能。

5.3 BPNN分析

BPNN是一种经典预测算法,一般来说,BPNN获得的后果是可靠的。为了进一步验证所提出的模型的有效性,反向传播神经网络算法用于预测汽缸衬垫磨损。为了与所提出的模型进行比较,训练和测试集的示例数据设置为与SVR模型相同。通过使用BPNN处理训练数据来获得训练网络。基于已建立的培训网络,采用预测的计算取决于测试数据。图7.给出了气缸套磨损的BPNN测试结果。在图7.a,我们可以看到测试和测量数据具有相同的变化趋势,然而,误差比SVR模型相对大。给出了BPNN对测试集的性能图7.湾测量数据的相对距离显着大于图中的测试数据,这表示误差相对较大。图8.是在测试集上的SVR和BPNN之间的测试结果的比较。可以看出图8.结果表明,SVR模型获得的预测数据优于BPNN。表3列出MSER2测试集上SVR和BPNN模型的值。经过综合分析,发现SVR对汽缸衬套磨损预测具有更好的性能。

缩略图 图7.

气缸衬套磨损的BPNN测试结果。(a)测试集上的测试和测量数据的比较。(b)BPNN在测试集上的性能。

缩略图 图8.

对SVR和BPNN的测试结果进行了比较。

表3

MSER2SVR和BPNN模型在测试集中的值。

六,结论

基于本文的SVR建立了一种新颖的磨损评估模型。为了评估不确定性的影响,可以在小样本条件下将外部因素视为所提出的模型。采用气缸衬套磨损的实验数据来评估所提出的模型的有效性。粒子群优化(PSO)算法用于优化所提出的模型的参数。为了验证所提出的模型的优越性,与BPNN的比较是就业的。结果表明,新颖的SVR具有更好地评估均方误差和平方相关系数的性能,以及在模糊不确定性条件下的较高的回归性能,可以有效地评估内燃机的汽缸衬垫磨损。

致谢

中国天然科学基金(批准号51775428),中国陕西省重点研发方案(授予2020戈斯-106)和制造系统工程国家重点实验室的开放项目,支持这项工作(授权号SKLMS2020010)。

附录A模型扩展

在本文中,等式(4)但是,给出了SVR的数学模型,但并非所有采样点都在±内ϵ范围。如果样本点超出±ϵ范围,松弛因子ξξξξ≥0)必须引入以满足方程式(3).因此,方程(3)可以写成(.)

因此,最小化方程问题(4)可以写成(a)在哪里C是惩罚因素(C> 0),惩罚因素的目的是控制采样点的惩罚程度。当考虑放松因子时,在±外部的样本点ϵ被称为“ε.- 敏感损失功能(参见图a . 1)。它可以表达为[38.(a)

缩略图 图a . 1

ε-不敏感损耗功能。

这个方程(a)是凸优化问题,引入了拉格朗日乘法器来解决方程。因此,拉格朗日功能可以描述如下(各)在哪里η.η.α., 和α.是拉格朗日乘数,还有η.≥0,η.≥0,α.≥0,和α.≥0。

为了获得提出问题的最佳后果,Lagrange函数的部分导数与原始变量(ω.bξ)必须为零。它可以通过(A.5)(A.6)(A.7)(A.8)

最后,直线回归函数可表示为

(A.9)

当样本点存在非线性特性时,可以写入回归函数(A.10)在哪里Kxx)是内核功能。

SVR附录B内核功能

事实上,在SVR模型中,最归属的问题是没有线性而不是简单的线性回归。在这些情况下,需要计算方法将样本数据映射到高维特征空间中。在介绍这样的映射之后,不需要解决真实的映射函数,但只需要知道内核函数。以这种方式,只需要给出特定的内核功能,这减少了极大的求解回归方程的难度。常用的内核函数主要分类为以下类别:

(1)线性内核(责任)

(2)多项式内核功能(b.2)在哪里c≥0,如果c> 0,K是非均匀多项式内核功能。如果c= 0,K是齐次多项式核函数。P是任意正整数,可以控制VAPnik-Chervonenkis(VC)尺寸的数量。

高斯径向基核函数(GRBKF)(b.3)

高斯径向基核函数具有很高的灵活性,它的灵活性可以通过控制σ。在哪里σ.是方差。

(4)SIGMOID核心功能(B.4)

通常,不同的内核功能将产生不同的后果。因此,选择适当的内核功能是非常重要的。

参考文献

  1. D.E.Richardson,对活塞和环摩擦和润滑油粘度对燃料经济性的影响的文献综述。87.2619 - 2638 (1978)[谷歌学术]
  2. J. Biberger, H.J. Fußer, Tribol旋转摩擦计对活塞环与缸套接触进行真实、单参数依赖分析的测试方法的开发。Int。113.,111-124(2017)[谷歌学术]
  3. E. Tomanik,艾莉姆。Mansori,R. Souza等,波动和粗糙度对圆柱衬垫摩擦,摩擦的影响。Int。120.547 - 555 (2018)[谷歌学术]
  4. M. Yousfi, S. Mezghani, I. Demirci等,平整度和平台度对分层螺旋滑块和平台磨光缸套磨合摩擦和磨损的贡献,磨损332.,1238-1247(2015)[谷歌学术]
  5. M. Soderfjall,A. Almqvist,R. Larsson,摩擦处现实速度仿真对活塞环缸衬摩摩擦模拟的组件试验。Int。104.,57-63(2016)[谷歌学术]
  6. Y.Z.张,A.Koverev,N.Hayashi等人,在混合润滑下贯通贯穿中的表面磨损和粗糙度参数的数值预测,J. Tribol。140.061501 (2018)[谷歌学术]
  7. B. Zabala,A. Igartua,X.Fernandez等人,顶部死亡中心的活塞环/气缸衬套的摩擦和磨损:实验研究和建模,摩托。Int。106.,23-33(2017)[谷歌学术]
  8. Y. Hamid,A. Usman,S.K.AFAQ等人。,基于数字低粘度绝热热学性能分析,高发动机速度,摩擦速度高发动机裙边系统润滑。Int。126.,166-176(2018)[谷歌学术]
  9. C. Liu,Y.J.Lu,Y.f.张等人,考虑到石油运输,ASME J. Tribol撰写林林系统摩擦学性能的数值研究。141.,011701(2019)[谷歌学术]
  10. C. Liu,Y.J.Lu,Y.f.张等人。,对内燃发动机,能量的纹理织地带环形衬垫结合的摩擦性能调查12.,2761(2019)[谷歌学术]
  11. B. FAN,S. FENG,Y.T.Che等人,发动机热试验的磨损评估的石油监测方法,INT。J. Adv。制造。技术。94.,3199-3207(2018)[谷歌学术]
  12. O.Altıntas,M. Aksoy,E. Uner等人,通过监测发动机润滑剂的介电性能,测量通过监测机车维护的人工神经网络方法,测量145.,678-686(2019年)[谷歌学术]
  13. H. Raposo, J.T. Farinha, I. Fonseca等,基于石油分析预测条件的案例研究,Tribol。Int。135.65 - 74 (2019)[谷歌学术]
  14. W.Cao,H.张,N. Wang等人,齿轮箱磨损状态监测和评估,基于在线磨损碎片特征,磨损4261719 - 1728 (2019)[谷歌学术]
  15. M.Giorgio,M.Guida,G. Pulcini,一种用于评估船用柴油发动机中缸套可靠性的磨损模型,IEEE Trans。依据。56.,158-166(2007)[谷歌学术]
  16. M.Giorgio,M。Guida,G. Pulcini,一种国家依赖磨损模型,用于船用发动机缸衬垫,Technometrics52.,172-187(2010)[谷歌学术]
  17. M.Giorgio,M.Guida,G. Pulcini,在非解释形式的单位可变性形式存在下,转化的伽玛工艺,Qual。依据。Eng。Int。34.,1-20(2018)[谷歌学术]
  18. M.Giorgio,G. Pulcini,一种新的国家依赖退化过程和相关模型错误识别问题,EUR。J. Oper。res。267.,1027-1038(2018)[谷歌学术]
  19. M.Giorgio,M.Guida,F. Postiglione等人,贝叶斯估计和预测转化的伽马劣化过程,Qual。依据。Eng。Int。34.,543-562(2018)[谷歌学术]
  20. 李玉峰,黄海忠,张海林等,柴油机增压器可靠性预测的模糊集方法及其应用,机械工程学报。Eng。2013年216192 (2013)[谷歌学术]
  21. 多发性硬化症。张,J.H.Shin,Y.I.kwon等,使用性能下降数据,int的可靠性估计。J. precis。Eng。制造。14.,2081-2086(2013)[谷歌学术]
  22. S. Hermann, F. Ruggeri,缸套的建模磨损,Qual. Reliab。Eng。Int。33.,839-851(2017年)[谷歌学术]
  23. Z.X.张,C.H.胡,X.何等人,终身预测用于恶化系统的劣化随机跳跃,依毛。Eng。系统。SAF。167.338 - 350 (2017)[谷歌学术]
  24. P.Wiederkehr,T.Siebecht,N.Potthoff,几何物理研磨模拟中的谷物磨损的随机建模,CIRP ANN。67.,3253-3258(2018)[谷歌学术]
  25. 徐学军,赵志忠,徐学兵等,基于多数据驱动模型的船舶柴油机磨损故障诊断,知识。为基础的系统。190,105324(2020年)[谷歌学术]
  26. A. Panda,A.K.SAHOO,I. Panigrahi等,考虑振动信号,机械考虑振动信号的硬盘上的在线切割工具和机加工表面状态监测的预测模型。Ind。21.520(2020)[谷歌学术]
  27. I. Lazakis,Y.Raptodimos,T.Varelas,通过分析可靠性工具和人工神经网络预测船舶机械系统条件,Ocean Eng。152.404 - 415 (2018)[谷歌学术]
  28. D.D.Kong,Y.J. Chen,N. Li,铣削过程中刀具磨损估计的隐藏半马尔可夫模型方法,INT。J. Adv。制造。技术。92.,3647-3657(2017)[谷歌学术]
  29. D.D.康,Y.J.陈,N.Li,高斯工艺回归工具磨损预测,机械。系统。信号过程。104.,556-574(2018)[谷歌学术]
  30. D.D.康,Y.J. Chen,N. Li等,刀具磨损预测的相关矢量机,机械。系统。信号过程。127.573 - 594 (2019)[谷歌学术]
  31. S. Dutta,S.K.PAL,R. SEN,使用纹理分析和支持向量回归的机加工表面图像的侧面磨损的机床预测,PRECIS。Eng。43.,34-42(2016)[谷歌学术]
  32. G.P.张,J.Wang,S.P.Chang,在少量训练样本下,用基于SVMR的模型预测续航卷积。Int。128.,349-355(2018)[谷歌学术]
  33. 刘志强,刘志强,刘志强。基于神经网络的磨耗率回归模型。计算机集成制造系统。Int。138.211 - 214 (2019)[谷歌学术]
  34. 杨云飞,郭玉龙,黄志平,等。铣刀磨损与寿命的综合预测模型研究145.178 - 189 (2019)[谷歌学术]
  35. 张广平,刘学军,陆文龙,基于表面形貌的磨合参数预测模型,工程学报。Tribol。227.1047 - 1055 (2013)[谷歌学术]
  36. J. Kennedy, R. Eberhart,粒子群优化,1995年IEEE国际神经网络会议,珀斯,1995,第1942-1948页[谷歌学术]
  37. R. Eberhart,J.Kennedy是一种新的优化器,使用粒子群理论,在第六届微机器和人类科学研讨会上,1995年,39-43[谷歌学术]
  38. 杨晓松,《数据挖掘与机器学习算法导论》,学术出版社,2019,pp. 129-138[谷歌学术]

引用本文:J.康,Y.Lu,H. Luo,J. Lu,Y.Hou,Y. Zhang,模糊不确定性,力学和工业下的内燃机气缸衬套磨损评价模型金博宝22.,29(2021)

所有表格

表格1

MSER2SVR模型的训练集的值。

表2.

MSER2以不同的速度设定训练。

表3

MSER2SVR和BPNN模型在测试集中的值。

所有的数据

缩略图 图。1

SVR模型。

在文中
缩略图 图2

隶属函数的示意图。

在文中
缩略图 图3.

磨损32缸衬套的数据。

在文中
缩略图 图4.

汽缸衬套磨损的多项式拟合曲线。(a)多项式配件。(b)残余分析。

在文中
缩略图 图5.

缸套磨损的SVR训练结果。(a)训练集上的训练数据与实测数据的比较。(b) SVR对训练集的性能。

在文中
缩略图 图6.

气缸衬套磨损的SVR测试结果。(a)测试集上的测试和测量数据的比较。(b)SVR在测试集上的性能。

在文中
缩略图 图7.

气缸衬套磨损的BPNN测试结果。(a)测试集上的测试和测量数据的比较。(b)BPNN在测试集上的性能。

在文中
缩略图 图8.

对SVR和BPNN的测试结果进行了比较。

在文中
缩略图 图a . 1

ε-不敏感损耗功能。

在文中

当前的使用指标显示文章视图的累积计数(包括HTML视图,包括HTML视图,PDF和EPUB下载,根据可用数据)和Vision4press平台上的摘要视图。

数据对应于2015年之后的Plateform上的用法。在线出版物后48-96小时可用,并在一周日每天更新。

初始下载度量可能需要一段时间。