針對可靠性建模中廣泛應(yīng)用的混合分布模型的參數(shù)估計問題,為解決其重數(shù)選擇主觀性強(qiáng)、參數(shù)識別初值敏感性高、參數(shù)識別效率低等難題,融合人工智能方法,提出了一種新型參數(shù)估計方法。引入核密度估計對數(shù)據(jù)進(jìn)行非參數(shù)擬合,以最小化平均積分平方誤差為目標(biāo),獲得核密度估計的最優(yōu)帶寬,以最優(yōu)帶寬為組距對原始數(shù)據(jù)進(jìn)行分組,做出統(tǒng)計直方圖,并由此確定分布密度函數(shù)的混合重數(shù)。采用K-均值聚類方法對統(tǒng)計直方圖進(jìn)行聚類,由聚類結(jié)果計算獲得混合分布模型的權(quán)重,接著應(yīng)用引力搜索算法對混合模型各重子模型的參數(shù)進(jìn)行辨識。以實測商用車車橋位移譜信號為例,對其概率密度函數(shù)和累計分布函數(shù)進(jìn)行混合模型建模和模型參數(shù)識別。在車橋位移譜模型參數(shù)識別的基礎(chǔ)上,分別計算決定系數(shù)、KS值和平均相對誤差3個指標(biāo),驗證了本文參數(shù)估計方法的有效性,為商用車可靠性的疲勞載荷譜編制和實驗室臺架試驗奠定了基礎(chǔ),同時,可以為相關(guān)可靠性建模和模型參數(shù)識別問題提供參考。

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 可靠性統(tǒng)計分布模型
    1.1 核密度估計模型
    1.2 可靠性混合模型
        1.2.1 混合正態(tài)分布模型
        1.2.2 混合威布爾分布模型
2 參數(shù)識別方法
    2.1 聚類和權(quán)重系數(shù)的確定
    2.2 引力搜索算法
    2.3 新型參數(shù)識別方法具體步驟
3 實測位移譜數(shù)據(jù)建模及參數(shù)估計
    3.1 位移譜測量試驗
    3.2 數(shù)據(jù)處理及分組
    3.3 混合模型參數(shù)估計結(jié)果
    3.4 擬合優(yōu)度檢驗
        3.4.1 決定系數(shù)
        3.4.2 KS檢驗
        3.4.3 平均相對誤差
        3.4.4 擬合優(yōu)度結(jié)果對比
4 結(jié)束語



本文編號：4040752