减压阀是工业生产中常用和重要的稳压元器件之一。减压阀持续的泄漏或过大的泄漏会使其密封面遭受腐蚀,导致减压阀的功能部分丧失或完全丧失,从而引起安全事故,阻碍工业生产并对生命财产安全构成威胁。鉴于泄漏危害的严重性,ISO19973(全称:气动元件可靠性评价的实验方法)规定了通过实验评价气动减压阀可靠性的测试方法和失效标准。由此可见,研究减压阀泄漏的机理和本质,建立泄漏的数学模型,掌握其泄漏的变化规律,对于保护生命财产安全、保证工业生产的健康稳定运行具有积极的现实意义。特别是如果能建立泄漏的时间预测模型,就能够快速、准确地预测泄漏,进而做出维修或继续使用的决定,建立高效率的、低成本的维修制度。减压阀的泄漏过程是非线性、多变量、时变、强耦合的,并且涉及大量的不确定因素,因而该过程是典型的复杂过程。采用机理建模方法,有利于理解减压阀泄漏的机理和本质,揭示泄漏和诸多参数之间的关系,却难以获得精确的预测值。支持向量机是在预测建模领域出现的一种新的人工智能方法,由于其完备的理论基础在工程中获得了成功的应用,并受到了广泛的关注。因此,该方法为泄漏预测开辟了一条可能的有效途径。在研究支持向量机的基础上,本文针对泄漏预测建模中精度和速度等方面展开了一系列的研究工作,主要研究内容如下:(1)减压阀泄漏的机理预测模型。将泄漏分为两部分,经过泄放孔的排放量和端面密封引起的泄漏量。对第一部分,把泄放孔等效为收缩喷嘴,根据连续性方程得到经过泄放孔的泄漏。对第二部分,利用分形理论来描述随时间变化的密封端面的形貌,给出了密封端面上泄漏通道的数学表达式,将这些泄漏通道也抽象成收缩喷嘴,从而获得经过泄漏通道的泄漏量。(2)基于支持向量机和隐含信息的权重调整方法。减压阀在长期的运行过程中,端面形貌和密封间隙的几何形状都是不断变化的,因此其泄漏量理论模型很难求解。而在支持向量机领域,可用变权重方法来描述这种情况,不同时刻的样本数据,重要程度相差较大,对每个样本点应采用不同的权重系数。提出了隐含惩罚系数的概念。将隐含信息和样本映射到同一个高维空间,在这个空间中,使用标准的支持向量回归方法处理隐含信息,获得样本在隐含信息作用下的偏差,以该偏差作为权重函数的调整函数。分别进行了回归麦克-格拉斯混沌时间序列的仿真验证和回归机械密封实验装置泄漏量的实验验证。(3)基于双隐含信息的减压阀泄漏时间预测模型。针对机理预测模型和现代分析预测方法的不足和减压阀泄漏的特点,在支持向量回归加的基础上,结合基于隐含信息的权重函数调整方法,提出了基于支持向量机和双隐含信息的减压阀泄漏预测模型。给出了建立该模型的步骤和方法,包括隐含信息的选择、泄漏数据和压力差数据的预处理,以及求解和使用该模型的方法。讨论了遗传算法和粒子群算法在多参数优化背景下的性能比较。遗传算法和粒子群算法在优化两个或者三个待定参数时,性能比较没有一个统一的结论;在优化该模型的六个参数时,粒子群算法优于遗传算法。对减压阀泄漏失效进行预测实验,和其它预测建模方法相比,该模型能正确预测出最多个数的泄漏失效样本。详细分析了阀No.3的情况,从理论上讨论了隐含信息不起作用的原因。(4)贯序最小优化加算法。支持向量回归加充分利用了隐含信息,进一步提高了预测的精度。由于引入了隐含信息,需要处理的数据量增大,延长了训练模型的时间,使得难以快速获得模型的结果。提出了用于优化支持向量回归加的贯序最小优化加算法。通过分析支持向量机加优化问题的约束条件,并根据KKT优化条件,给出了判断支持向量和普通样本的标准,给出了贯序最小优化加算法中的违反KKT条件,讨论了满足KKT条件的几种情况。通过适当的数学变换,证明了支持向量机加和支持向量回归加有着相同形式的数学表达结构,使得贯序最小优化加算法既可以优化支持向量机加,又可以优化支持向量回归加。证明并解释了支持向量机加不存在最小二乘的形式。开发了贯序最小优化加算法软件,并对减压阀泄漏预测模型进行了实验。
