基于模糊粒度相关向量机的缓变故障参数区间预测

为解决相关向量机(RVM)在多样本故障预测中存在的预测精度下降和运算效率低等不足，提出一种基于模糊粒度相关向量机(FGRVM)的缓变故障参数区间预测方法。首先，对参数初始时间序列进行模糊信息粒化(FIG)，并采用基于指数相似度的约简方法对训练集中的冗余数据进行约简；然后，使用自适应极值扰动和自适应变异对简化粒子群算法(tsPSO)进行改进，并以4折交叉验证误差最小为优化目标，采用该粒子群算法(itsPSO)实现相关向量机核宽度的自适应选择；最后，采用训练好的RVM预测缓变故障参数的变化区间。以3个经典的大规模、非线性、带噪声的时间序列及国航某航空发动机排气温度变化量(DEGT)为例对该方法的预测性能进行验证，仿真结果表明，相对于RVM和模糊粒度支持向量机(FGSVM)，该方法在预测精度和运算效率上都有较大的提高。