馬 峻 王 京

(北京電子科技職業(yè)學(xué)院汽車工程學(xué)院，北京100026)

機床的工作精度和使用壽命在很大程度上取決于其齒輪系統(tǒng)的壽命。傳統(tǒng)的壽命可靠性試驗是通過將樣品放在模擬或真實的工作環(huán)境下測量其在一定工作循環(huán)次數(shù)后的失效狀態(tài)，并利用次序統(tǒng)計量理論來進行可靠性特征的最后確定，統(tǒng)計失效率、平均可靠性指標(biāo)。這樣的實驗需要大量的樣本、時間以及繁瑣的分析過程，并且實驗所得數(shù)據(jù)還存在大量不完全明確的信息。

1 組合模型方法

為了得到更準(zhǔn)確的壽命信息，可以采用數(shù)學(xué)模型的方法進行分析預(yù)測［1］。隨著人們對數(shù)學(xué)模型研究的深入，可以用來進行說明預(yù)測的數(shù)學(xué)模型種類很多，如灰色模型、馬爾科夫模型、指數(shù)回歸模型等。但單一的數(shù)學(xué)模型往往具有一定的缺陷，無法進行高精度分析。例如灰色模型對于離散變量的預(yù)測精度無法較好控制，且一般只用于小樣本數(shù)據(jù)，當(dāng)數(shù)據(jù)較多，離散程度較大時，其灰度較大，預(yù)測精度較差［2］;馬爾科夫過程則偏重?zé)o后效性數(shù)據(jù)序列的預(yù)測［3-4］;指數(shù)回歸模型則要求大量的樣本且具有較好的分布規(guī)律［5］。近年來通過將不同模型預(yù)測方法進行優(yōu)化組合產(chǎn)生新的組合模型進行預(yù)測的方法發(fā)展迅速［6-9］，這為齒輪壽命的分析預(yù)測提供了新的思路。

2 遺傳粒子群-灰色馬氏鏈組合模型

2.1 灰色GM(1，1)模型預(yù)測

選取某品牌汽車自動變速箱某一檔位齒輪為壽命試驗對象，抽取100 個樣本進行失效個數(shù)為10 的無替換定數(shù)截尾實驗，齒輪壽命如表1 所示。

表1 實驗數(shù)據(jù)

以1 ～5 號數(shù)據(jù)為基礎(chǔ)，建立原始數(shù)列x(0)。

對x(0)進行一次累加(1 -AGO)生成x(1)。

x(1)的緊鄰均值生成序列:

式中:z(1)(k)=4，5。

對生成的序列x(1)建立GM(1，1)模型微分方程，即

根據(jù)z(1)和x(0)可列出

利用最小二乘估計參數(shù)列滿足方程a=(BTB)-1BTY，求解出a和b

則微分方程為

將其還原成GM(1，1)模型的預(yù)測值:

由式(8)求得的預(yù)測數(shù)據(jù)與實際數(shù)據(jù)的對比如表2 所示，根據(jù)GM(1，1)模型得出的預(yù)測值求出預(yù)測值與實際值之間的殘差ε(0)(k)=x(0)(k)-^x(0)(k)，進而求得殘差相對值

2.2 灰色馬氏鏈模型預(yù)測

馬氏鏈即馬爾科夫過程，于1906 年由前蘇聯(lián)數(shù)學(xué)家A.A.Markov 提出，經(jīng)過一百多年的演變，在理論上已十分完善，是隨機過程領(lǐng)域的重要組成，對于無后效性數(shù)據(jù)序列的預(yù)測精度較高。

在灰色模型的基礎(chǔ)上，將殘差相對值劃分為若干個狀態(tài)，每個狀態(tài)區(qū)間為σi=［Li，Ui)，結(jié)合表2 的數(shù)據(jù)，具體劃分為σ1=［-10%，-5%);σ2=［-5%，0);，σε=［0，5%)，σ4=［5%，10%)4 個狀態(tài)。殘差相對值所對應(yīng)的狀態(tài)劃分結(jié)果如表2 所示，建立馬氏鏈模型。

表2 灰色GM(1，1)模型預(yù)測結(jié)果及殘差

轉(zhuǎn)移1 步所對應(yīng)的概率矩陣

表3 轉(zhuǎn)移1 步后出現(xiàn)各狀態(tài)的概率

表4 灰色模型預(yù)測與灰色馬氏鏈模型預(yù)測值比較

對比兩種模型的預(yù)測值可以看出灰色馬氏鏈模型比單一的灰色模型預(yù)測精度更高，誤差更小?？梢娀疑R氏鏈模型更適合處理此類隨機波動性較大的問題。但任何預(yù)測模型都不能完全做到絕對準(zhǔn)確，因此，灰色馬氏鏈模型仍有改進的空間。

2.3 遺傳粒子群修正的灰色馬氏鏈模型預(yù)測

由上述計算可以發(fā)現(xiàn)對于殘差序列的狀態(tài)，中間值并不一定是最好的選取結(jié)果，最好的結(jié)果可能是狀態(tài)區(qū)間中的某一個值。若把狀態(tài)所在的區(qū)間σi=［Li，Ui)設(shè)定為結(jié)果不確定的灰區(qū)間，對這種灰區(qū)間的白化方法應(yīng)該表示為=(1 -ε)Li+εUi。式中:ε 稱為白化系數(shù)，應(yīng)滿足ε∈［0.1］?；疑R氏鏈模型的預(yù)測結(jié)果實際上是取ε=1/2。

對此類問題的優(yōu)化設(shè)計算法常見的有梯度法［10-11］、牛頓類法［12-13］、變尺度法［14］、懲罰函數(shù)法［15］、遺傳算法［16-17］等。在非線性問題優(yōu)化方法中，遺傳算法(GA)是對問題變量的編碼集進行操作，從一個點群開始尋優(yōu)，因此可以獲得全局最優(yōu)解，具有廣泛的實用性。粒子群算法(PSO)則是模擬鳥群在覓食過程中發(fā)現(xiàn)的。其通過個體間的相互競爭與協(xié)作來解決復(fù)雜空間中的最優(yōu)解的搜索問題［18］，而遺傳算法與粒子群算法的混合模式(GA -PSO)比其他類型算法的混合模式具有更好的優(yōu)化效果［19］。混合算法中以遺傳算法為基礎(chǔ)，進行原始種群的產(chǎn)生、選擇、交叉、變異等計算，同時為提高連續(xù)變量的優(yōu)化水平，選取部分基因，固定其中的離散變量值，再采用離子群法對連續(xù)變量值進行優(yōu)化計算，然后將結(jié)果替換原始種群，返回遺傳算法，循環(huán)上述規(guī)則，直至滿足終止條件。其總體流程如圖1 所示。

算法實現(xiàn):

步驟一:隨機產(chǎn)生多組編碼與固定的離散變量組成粒子群，每個粒子代表一個白化系數(shù)。

步驟三:更新粒子適應(yīng)度，用每個粒子當(dāng)前的適應(yīng)度值與自身當(dāng)前最好的適應(yīng)度值作比較，若當(dāng)前適應(yīng)度值較小，則取代最好適應(yīng)度，作為新的當(dāng)前最好適應(yīng)度，進而得到當(dāng)前白化系數(shù)的最優(yōu)解。

步驟四:更新粒子群適應(yīng)度，用每個粒子當(dāng)前最好適應(yīng)度與粒子群的最好適應(yīng)度作比較，得到當(dāng)前最優(yōu)白化系數(shù)值。

步驟六:判斷是否滿足終止條件，如果滿足，則終止循環(huán)，如果不滿足，則回到步驟二，直至找到最優(yōu)解，輸出優(yōu)化粒子群。

上面提到的4 個灰色區(qū)間為σ1=［-10%，-5%］;σ2=［- 5%，0］;σε=［0.5%〕，σ4=［5%，10%)，它們的白化表示為:

式中:εi∈［0，1］，i=1，2，3，4。

計算中，選取粒子長度為4，粒子數(shù)為500，學(xué)習(xí)因子c1=2;c2=2，加權(quán)因子ω=1，迭代次數(shù)為800，粒子更新位置最大為1，最小為0，粒子更新速度最大為0.01，最小為-0.01.通過MATLAB 計算，取ε =［ε1，ε2，ε3，ε4］=［0.4，0.4，0.5，0.7］

經(jīng)過計算后，其預(yù)測值如表5 所示。

3 結(jié)語

(1)使用單一的灰色GM(1，1)模型分析變速箱齒輪問題精度較差，標(biāo)準(zhǔn)差為7.2%。

表5 各種模型預(yù)測值、殘差值及標(biāo)準(zhǔn)差比較

(2)灰色馬氏鏈模型能夠有效提高分析預(yù)測的精度，使標(biāo)準(zhǔn)差下降到3.4%，這種組合模型更適合描述隨機性較大的問題。

(3)利用遺傳粒子群算法(GA-PSO)對灰色馬氏鏈模型的參數(shù)進行修正后，精度進一步提高，標(biāo)準(zhǔn)差僅為1.9%。計算表明該種修正后的組合模型對于變速箱齒輪壽命類隨機性較大的離散問題具有很好的分析水平和預(yù)測精度。

［1］謝常青，趙延明.車用電子設(shè)備電子器件壽命組合預(yù)測［J］.測試技術(shù)學(xué)報，2008(3):189 -193.

［2］劉思峰，郭天榜，黨耀國.灰色理論及應(yīng)用［M］. 北京:科學(xué)出版社，1999:44 -60.

［3］Wu Kai，Lin Zhenghui. Application of Markov chain in VLSI power estimation［J］. Computer Engineering，2003，29(13):162 -164.

［4］A T 巴魯查，賴特. 馬爾科夫過程論初步及其應(yīng)用［M］.上海:上?？茖W(xué)技術(shù)出版社，1979.

［5］陳玉祥，張漢亞. 預(yù)測技術(shù)與應(yīng)用［M］. 北京:機械工業(yè)出版社，1985:48 -50.

［6］謝敬東，唐國慶，徐高飛. 組合預(yù)測方法在電力負(fù)荷預(yù)測中的應(yīng)用［J］.中國電力，1998，31(6):3 -5.

［7］李振亮.組合預(yù)測方法在大氣環(huán)境評價中的應(yīng)用［J］. 數(shù)理統(tǒng)計與管理，1997，16(4):12 -15.

［8］王居平.組合預(yù)測方法及在圖書館管理中的應(yīng)用［J］. 情報雜志，2002(8):61 -63.

［9］袁文華，鄂加強，龔金科，等. 柴油機連桿軸頸磨損量組合預(yù)測模型及應(yīng)用［J］.湖南大學(xué)學(xué)報:自然科學(xué)版，2006，33(3):71 -74.

［10］Prager W ，Shield R T. Optimal design of multi - purpose structures［J］. Journal of Solids and Structures，1968，79 -82.

［11］Prager W，Taylor J E. Problems of optimal structural design［J］. Journal of Applied Mechanics，1985，gs(1)，115 -121.

［12］Fleury C，Sander G. Relations between optimality criteria and mathematical programming［C］. Proc. Symposium on Applications of Computer Methods in Engineering，University of Southern California，Los Angeles，California，1977，1121 -1125.

［13］Khot N S，Berke L，Venkayya V B. Comparison of optimality criteria algorithms for minimum weight design of Structures［C］. Structural Dynamics and Materials Conference，1978，179 -184.

［14］趙又紅，符煒，羅顯光. 二級圓柱齒輪減速器的多目標(biāo)優(yōu)化設(shè)計［J］. 湘潭大學(xué):自然科學(xué)學(xué)報，2003，21(2):81 -84.

［15］韓伯順.非線性規(guī)劃中的罰函數(shù)及填充函數(shù)方法［D］. 上海:上海大學(xué)，2006.

［16］Shi L S，Li Z Y. An improved pareto genetic algorithm for multi-objective TSP［A］. In Proceedings of the 5th International Conference on Natural Computation(ICNC2009).Tianjin，China. 2009:585-588

［17］Liu Q. Study on multi -object optimization of logistics network based on genetic algorithm［A］. Proceedings of 2008 International Conference on Computational Intelligence and Security(CIS2008).Suzhou，China，2008.

［18］任子暉，王堅，高岳林.馬爾科夫鏈的粒子群優(yōu)化算法全局收斂性分析［J］.控制理論與應(yīng)用，2011(4):462 -466.

［19］梁艷春，吳春國，時小虎.群智能優(yōu)化算法理論與應(yīng)用［M］.北京:科學(xué)出版社，2009.