14、基于支持向量机和模糊C均值聚类的退化建模与剩余寿命预测案例分析

基于支持向量机和模糊C均值聚类的退化建模与剩余寿命预测案例分析

1. 疲劳裂纹扩展数据应用

在疲劳裂纹扩展数据的研究中，选取5#、10#和15#裂纹作为特定个体进行寿命预测，其余18条裂纹作为相似产品的性能退化数据。
- 离线阶段
- 确定归一化测量时间为前11次测量（m = 11），仅1#和2#裂纹需要归一化处理。
- 基于WK - SVR模型为各裂纹获取的最优参数，对1#和2#裂纹分别进行归一化处理。
- 对18条裂纹的归一化特征向量进行FCM聚类，加权指数q = 2，迭代停止阈值δ = 10⁻⁵，确定最优聚类数为12，聚类可使实时阶段的加权计算量减少1/3。
- 利用基于GA优化的SVR的退化路径建模方法对12个聚类中心进行退化路径建模。
- 在线阶段
- 令t₀ = 6，即特定个体的前6次测量用于建模，第6次测量之后的数据用于测试模型精度，随后逐次增加一次测量实现实时建模，后续测量用于测试模型精度。
- 分别使用DWM和EWM进行建模实验，并基于PL模型使用相同数据进行实时建模和预测。
- 对5#裂纹进行5次实时建模后，对比三种方法的预测结果。通过分析三种方法对特定个体在未来归一化测量时间的预测误差，发现DWM对三个特定个体的预测精度最高，EWM对10#裂纹的预测精度最差，PL对5#和15#裂纹的预测精度最差。总体而言，DWM的建模精度高于EWM，且DWM更稳健。

裂纹编号	方法	相对估计误差/%（el）