改进GM-Markov模型在道路交通事故预测中的应用研究

针对随机波动性数据对灰色GM(1.1)模型预测精度的影响问题,提出了基于BX数据处理方法与马尔可夫链理论的灰色预测模型(BXGrey-Markov模型)。首先,引入BX数据生成法对原始数据进行处理,以弱化原始数据之间的随机性。在灰色预测方法的基础上,引入马尔可夫链预测理论,建立了灰色马尔可夫预测模型,它是将灰色预测模型与马尔可夫预测方法优化组合,灰色预测模型用于预测随机序列数据的总体发展趋势,而用马尔可夫链模型预测各数据在总体趋势下的随机波动性变化,得到随机时间数列趋势预测模型的解。通过上海市交通事故预测实际数据进行了验证表明:灰色马尔可夫预测模型预测精度高于GM(1,1)模型的预测精度。GM(1,1)模型的平均预测精度为42.29%,BX GM(1,1)-Markov模型的平均预测精度为86.9%。     

液压挖掘机臂杆结构疲劳寿命预测方法研究

液压挖掘机臂杆结构承受复杂的冲击载荷,其疲劳寿命存在许多不确定性因素。首先采用Miner准则,依据实验载荷谱和有限元方法对液压挖掘机工作装置寿命进行了预测。其次研究了结构疲劳寿命变化过程和灰色理论预测模型内在规律的一致性,建立了液压挖掘机工作装置疲劳寿命的灰色预测GM模型,并分别运用GM模型的两种形式--GM(1,1)线性模型及GM(1,1)幂模型对液压挖掘机工作装置进行疲劳寿命预测。分析比较Miner准则、GM(1,1)线性模型及GM(1,1)幂模型三种预测方法。结果表明,三种预测方法结果基本一致,灰色系统模型同Miner准则模型相比误差明显减小且非线性幂模型具有更高的预测精度。基于灰色理论的GM(1,1)幂模型考虑了非线性因素,更适合于液压挖掘机工作装置结构疲劳寿命预测。     

基于灰色线性回归组合模型的集成电路封装设备故障趋势预测

针对集成电路封装打孔机冲针监测数据的特点,分别构建灰色GM(1,1)模型和线性回归模型,开展故障趋势预测;在此基础上,采用组合预测的思想,运用灰色关联度方法融合灰色GM(1,1)模型和线性回归模型,建立灰色线性回归组合模型对设备进行故障趋势预测。结果表明,灰色线性回归组合模型的预测精度优于单一预测模型,可以用于集成电路打孔机设备的故障趋势预测。     

灰色模型在不确定性疲劳寿命预测中的研究

考虑影响疲劳寿命因素的不确定性,应用灰色理论进行疲劳寿命预测。提出了基于线性GM(1,1)模型和非线性灰色Verhulst模型预测构件疲劳寿命的新方法。利用试验数据进行分析和计算,结果表明:基于传统Miner方法的疲劳寿命预测误差为61.4%;基于线性GM(1,1)模型的预测误差为24.1%;基于非线性灰色Verhulst模型的预测误差降低到17.5%。基于灰色模型预测的结果均偏向安全,说明灰色模型在不确定性疲劳寿命预测中具有较好的预测精度和潜在的工程实用价值。     

制动器摩擦衬片磨损量的等维灰色预测

为评估制动器摩擦性能和工作可靠性,采用灰色系统理论分别建立了摩擦衬片磨损量预测的灰色GM(1,1)模型及等维灰色GM(1,1)模型(包括等维灰数递补GM(1,1)模型和等维新息GM(1,1)模型).计算结果表明,灰色预测模型的计算值与实际测定值之间非常接近,而等维灰色预测模型较单一GM(1,1)模型在多步预测时具有较高的精度;等维新息GM(1,1)模型较等维灰数递补GM(1,1)模型具有更高的预测精度,其具有动态性,可对摩擦制动器的工作状态实施在线实时监控.     

灰色马尔可夫预测模型及在我国用水总量预测中的应用

通过将灰色预测GM(1,1)模型和马尔可夫预测方法相结合,建立了一种对GM(1,1)模型修正的Markov-Grey模型,并利用原始数据对2007年至2010年中国用水总量进行预测.从预测结果分析可以看出,经过Markov-Grey模型对GM(1,1)模型修正后,预测精度有明显提高.     

灰色GM(1,1)模型在齿轮疲劳寿命预测中的应用

在齿轮疲劳寿命预测中,需要大量的齿轮疲劳试验数据.运用灰色GM(1,1)模型预测疲劳试验数据,可以大幅度缩短试验时间,节约试验费用,快速获得齿轮可靠性指标.文中简要介绍了灰色GM(1,1)模型的原理,通过具体实例建立了齿轮疲劳寿命GM(1,1)模型.预测结果表明,将灰色系统理论用于齿轮的疲劳寿命试验数据预测是可行的,理论上为有效缩短齿轮疲劳寿命试验时间提供了一个快速有效的方法.     

灰色马尔可夫预测模型及在我国用水总量预测中的应用

通过将灰色预测GM(1,1)模型和马尔可夫预测方法相结合,建立了一种对GM(1,1)模型修正的Markov-Grey模型,并利用原始数据对2007年至2010年中国用水总量进行预测.从预测结果分析可以看出,经过Markov-Grey模型对GM(1,1)模型修正后,预测精度有明显提高.     

GM(1,1)模型在数控磨床可靠性预测中的应用

简述了数控磨床可靠性预测的重要性、灰色系统理论以及GM(1,1)模型的原理。针对数控磨床故障数据样本量少、预测困难的特点,提出了运用灰色GM(1,1)模型预测数控磨床下一次发生故障的时间点,并通过实例验证了灰色GM(1,1)模型预测的实用性,为数控磨床维修人员提供了依据,提前对磨床进行维护,减少不必要的时间浪费,节约成本。     

基于微粒群算法的GM(1,1,λ)模型的机械产品寿命预测

GM(1,1)模型用于机械产品寿命的预测,不仅需要的数据量较少,而且可以节约试验费用、减少大量的试验时间.该文用差分格式将灰色模型GM(1,1)拓广为GM(1,1,λ)模型,并应用微粒群算法(PSO)求解最优的λ值,对机械产品寿命进行预测.实例计算表明,基于PSO的GM(1,1,λ)模型的优化方法优于现有的灰色预测方法.     

一种疲劳试验数据处理的仿真方法

由于疲劳寿命试验具有难度较大,其实验数据具有分散性强的特点,如果直接用灰色预测模型（ＧＭ（１,１））作预测,其预测值与真实结果的误差较大。在此提出一种试验仿真的新方法。首先将数据处理成对数据序列,以降低低其数据分散性;然后再用灰色预测模型进行预测。     

基于改进灰色神经网络的液压泵寿命预测

改进了GM(1,1)模型,提高了其精度和适应范围;将改进的GM(1,1)模型与神经网络预测模型相结合来构建灰色神经网络组合预测模型;提出了基于支持向量机的液压泵寿命特征启发式搜索策略,以液压泵寿命特征参数特征集的交叉验证错误率为评价指标,从液压泵的特征参数（振动、压力、流量、温度、油液信息等）中选取寿命特征因子;运用小波阈值降噪法进行降噪处理,提取典型的小波包能量特征作为模型的输入。以齿轮泵为例,将改进的灰色神经网络预测模型与原始GM(1,1)模型和改进GM(1,1)模型比较可知,灰色神经网络预测模型预测精度最高,达到98.42%。     

基于灰色线性回归组合模型的故障率预测

针对武器装备在使用过程中故障率变化的复杂性,提出了灰色线性回归组合模型的故障率预测方法。该模型用线性回归方程和指数方程的和来拟合故障率曲线,它可以改善线性回归模型中没有指数增长趋势和GM（1,1）模型中没有线性因素的不足。通过对装备备件故障率的预测分析表明,灰色线性回归组合模型在故障率预测精度上优于单一的灰色模型和线性回归模型,且不要求对所提供的历史数据具有典型的分布规律。该模型的预测结果可以为装备的维修工作提供决策依据。     

基于灰色神经网络的传感器分段标定

针对大量程高精度传感器不能一次完成标定实验的情况,提出一种将优化灰色GM(1,1)模型与BP神经网络相结合来预测分段标定过程中特征值缺失的方法,从而实现传感器的分段标定。首先,根据实验数据建立传统灰色GM(1,1)模型,对待标定传感器和标准传感器的测量值进行缺失数据的预测;然后,为弱化传统灰色GM(1,1)模型序列变化的幅度,提高模型的预测精度,利用中心逼近的思想对传统的GM（1,1）模型进行优化;最后,利用BP神经网络对优化的灰色GM(1,1)残差序列进行修正,以较高的精度实现对分段标定过程中缺失特征值的预测。结果表明,待标定传感器和标准传感器组合预测模型的平均残差分别为0.023%和0.401%,证明了组合预测模型的有效性。所提出方法为解决大量程高精度传感器分段标定时静态特性曲线的拟合提供了一种新思路。     

基于灰色残差修正模型的机床切削力预测与仿真

介绍了一种基于灰色残差修正模型的机床切削力预测的建模方法。仿真结果表明,这种新的建模方法具有较高的精度,为高度复杂的非线性模型化提供了一条新途经。此方法利用某一机床厂具体的数据进行硷验,得到了满意的结果。     

灰色系统模型在机床热误差建模中的应用

提出了采用灰色系统模型进行机床热误差建模的基本原理及方法，以及其在机床热误差补偿建模中的应用。论述了如何利用实测的热误差序列，通过对全数据GM（1，1）模型、新信息GM（1，1）模型和新陈代谢GM（1，1）模型进行机床热误差建模和预报，得出了新陈代谢GM（1，1）模型是机床热误差补偿建模最理想模型的结论。     

基于小波变换的刀具磨损检测方法

提出采用切削力信号的奇异性指数作为衡量刀具磨损的参量。利用小波变换对切削力信号进行分析 ,变换结果的模极大值点反映了刀具发生磨损或破损的时刻 ,而其奇异性指数的大小则反映了刀具的磨损状况。试验结果表明了该方法的有效性。