云梯车载荷谱的获取与预测    增城云梯车出租,  增城云梯车, 云梯车出租   支持向量回归机具有稀疏性，最终的决策问题仅取决于少数的支持向量，故准确把握关键样本点，才能使支持向量回归机有较好的“鲁棒”性．通过现场采集云梯车额定起升载荷、实际起重量及工作级别等数据，结合云梯车械间歇动作、循环作业的工作特点，在原SVRM决策函数的基础上，引入工况特征因子，以提高决策函数针对各工况的载荷谱预测精度．中决策函数的阀值d的计算是通过选定位于开区间内的拉格朗日因子而得到的，即阀值对应的训练样本集中２个支持向量点的特征值决定的．阀值d为所选支持向量点特征值的均值，即支持向量点影响力相同．为使好点的影响力更强、弱点的影响力更弱，这里引入权重的概念，即引入工况特征因子k１，k２，通过增加系数使原决策函数变形，以突显其在云梯车载荷谱预测方面的优势．根据云梯车械特性，选择历史数据组中相同额定载荷下，与待测起升载荷值最接近的起重量所对应的拉格朗日因子作为α．云梯车的工作循环次数与云梯车的类型、起重量、载荷状态级别、工作级别有关．云梯车的载荷状态级别直接影响载荷谱系数，进而影响载荷谱的分布．故本文提出采用载荷谱系数Kp确定工况特征因子k１，k２，再通过引入工况特征因子k１，k２建立决策函数．改进后的决策函数与云梯车载荷谱的获取和预测这一实际问题联系得更加紧密，k１，k２为工况特征因子，其具体表达式如下：k１＝expKp，k２＝２－expKp，中Kp为云梯车载荷谱系数，根据云梯车工作级别选取．

      样本选择与模型建立,  为了验证所提出的vSVRM模型改进方法的合理性，以某公司桥式云梯车的现场实测数据作为训练数据集和测试数据集，建立通用桥式云梯车载荷谱vSVRM预测模型．实测数据包括一段时间内额定起升载荷为１０，１５，２０，３０，４０，５０t的通用类桥式云梯车不同起升载荷及工作循环次数．模型输入变量为起重量及相应的额定起升载荷，输出变量为工作循环次数．根据vSVRM模型改进方法，利用VisualC＋＋６０软件开发平台编制云梯车载荷谱获取与预测的软件．所编制的软件能自动调用由历史数据组成的输入样本数据１０８个，随机选择其中的７２个样本作为训练集，余下３６个样本作为测试数据．建立vSVRM改进模型预测通用桥式云梯车载荷谱的步骤如下：  １）通过参数优化选择适当的参数c，v；２）构造针对云梯车载荷特征的混合核函数；   ３）依据构造原始问题的最优化问题，并求解最优拉格朗日因子；  构造适合桥式云梯车的决策函数．作为对比，采用未经改进的支持向量回归机载荷谱预测方法及文献基于神经网络的云梯车载荷谱预测方法，在同样的数据基础上对云梯车载荷谱进行计算与测试．  预测结果分析为分析３种预测模型的性能优劣，对预测结果进行误差分析和拟合度分析．相对误差为Er.

     增城云梯车出租,  增城云梯车, 云梯车出租  http://www.zhuhaiyuntichechuzu.com/

      BP神经网络模型、vSVRM模型到改进的vSVRM模型的Er和RMSRE逐渐减小，R２逐渐增大．BP神经网络模型、vSVRM模型、改进的vSVRM模型各有１２，８，３个样本点的Er绝对值大于５％，说明改进的vSVRM模型的鲁棒性高于vSVRM模型及BP神经网络模型．再由RMSRE可知，改进的vSVRM模型RMSRE均小于４％，比vSVRM模型和BP神经网络模型降低了２％和６％，预测精度及稳健性大幅度提高．观察R２：改进的vSVRM模型；BP神经网络，表明改进的vSVRM模型的拟合精度最高．预测模型的好坏，不仅体现在预测精度上，更重要的是预测模型的鲁棒性．由表２可见，BP神经网络模型的最高相对误差绝对值Er达到了３０７％，属于错误样本点．鉴于云梯车工作数据样本集容量小的特点，这种错点对最终云梯车寿命的评估影响很大．vSVRM模型的最高相对误差绝对值Er为１５３％，而改进的vSVRM模型最高Er值只有７６％．因此，改进的vSVRM模型的相对误差Er、均方根相对误差RMSRE及拟合度R２的相关数据，不仅说明了模型预测精度的提高，更体现了针对小样本数据集，预测模型鲁棒性能的提升，可为云梯车疲劳剩余寿命的评估提供更为可靠的数据．再由图１至图３可见，BP神经网络（）折线振动幅度较大，误差较大．改进的vSVRM折线与实测折线的拟合度最高，vSVRM折线次之．因此，无论是从数理统计分析，还是从图线比较，改进的vSVRM模型预测云梯车载荷谱都是最为理想的．

     4结论１）针对云梯车所受载荷随时间、空间不断变化的特点，采用构造混合核函数的思路，首次提出了基于云梯车工作数据集及幅度影响因子的混合核函数构造方法，提升了vSVRM预测模型的鲁棒性，使vSVRM模型具有针对性和实用性．   ２）针对云梯车械间歇动作、循环作业的工作特点，在原vSVRM决策函数的基础上，引入工况特征因子建立改进的决策函数，提高了决策函数与各个工况工作数据分布的吻合度，进而使vSVRM模型的预测精度更稳健．３）工程实例分析结果表明，具有出色的小样本和非线性性能的vSVRM很好地解决了计算复杂度高，训练结果不稳定及易出现过学习、欠学习、局部最优值等传统回归算法的难题．在此基础上，改进的vSVRM模型以其运算复杂度低、预测精度高、实用性和鲁棒性好的特点，为云梯车载荷谱的获取与预测提供了新方法．

     增城云梯车出租,  增城云梯车, 云梯车出租