怎么获取和预测路灯车当量载荷谱??     珠海路灯车租赁,  路灯车出租,  路灯车租赁       为验证所提出方法的可行性，采用现场统计技术记录半个月内路灯车起升载荷的变化历程，获取载荷谱特征参数，即同类型路灯车不同起升载荷对应的工作循环次数。模型输入变量为额定起升载荷和起升载荷，输出变量为工作循环次数。研究对象不同，统计获得的小样本载荷谱数据不同，这是由路灯车自身工作性能参数决定的。采用PSOＲVM构造的模型对路灯车小样本载荷谱数据进行训练，随机选取25组数据对构成的模型进行训练，用剩余5组数据验证预测模型的可行性。为保证机器学习训练结果的稳定性，对样本数据重复训练15次，统计每次优化训练后混合核函数中参数γ、d、λ的取值，求平均值获得PSOＲVM模型的最优参数。在此参数基础上继续对样本数据进行训练，直到训练结果保持稳定。通过相对误差E、均方根相对误差Ｒmse、拟合度Ｒ2等值分析训练模型的准确性。当研究对象为QD50/10t－22．5m通用路灯车时，预测模型的均方根相对误差为0．0265，拟合度为0．996，相对误差保持在0．01和0．05之间。当研究对象为100/40t－28．5m铸造路灯车时，预测模型的均方根相对误差为0．0255，拟合度为0．8736，相对误差保持在0．002和0．0553之间。上述两个模型的训练相对误差均保持在0．06内，符合工程误差要求。分别将构建的训练模型应用到测试数据的回归预测中。在上述构建的两个模型中，PSOＲVM的路灯车当量载荷谱预测结果与实际值的变化趋势一致，测试数据的相对误差保持在误差允许范围内，验证了所提出方法的可行性及适用性。

     结果讨论,  为进一步说明所提出方法的优点，在同样数据基础上采用BP神经网络、SVM等方法进行回归预测，并通过计算误差和拟合度的值对比分析结果。其中相对误差E、均方根相对误差Ｒmse、拟合度Ｒ2的表达式分别为:E=(Ni－Ni')/Ni(33)Ｒmse=1k∑ki=1Ni－Ni(')/Ni()2(34)Ｒ2=1－∑ki=1Ni－Ni(')2/∑ki=1Ni－Nequal()2(35)Nequal=1k∑ki=1Ni(36)式中:k—测试样本数，Ni—实测工作循环次数，Ni'—预测工作循环次数，Nequal—测试工作集循环次数均值。分别以QD50/10t－22．5m通用路灯车和100/40t－28．5m铸造路灯车为研究对象，BP神经网络训练时，输入层有两个神经元，隐含层包括六个神经元，输出层含一个神经元，最大迭代次数500，训练目标最小误差0．001，学习速率为0．01。SVM和ＲVM的核函数采用径向基核函数，PSOSVM采用径向基单一核函数。在Matlab环境中编写不同模型的程序。考虑到上述机器学习方法预测结果具有不稳定性，为保证模型的可靠性，需要多次计算求平均值。因此采用上述不同方法预测15次，计算5种预测模型的平均值。

     PSOＲVM预测的结果整体相对误差的取值范围最小。为准确比较5种方法的预测精度，给出铸造路灯车整个样本的相对误差取值，从左至右5种模型预测结果的相对误差大于4%的个数分别为6，6，5，6，5。均方根相对误差Ｒmse反映测量的精密度，其值越小，测量精度越高。拟合度Ｒ2表示预测结果与实测值的吻合程度，其值越大说明拟合度越高。在两种不同研究对象的前提下，PSOＲVM的预测值与实际值间的均方根相对误差最小、拟合度最高。从图4、图5也可看出PSOＲVM预测结果更接近实测值。综上，由PSOＲVM构成的路灯车当量载荷谱预测方法取得的误差更小、拟合度更高、预测精度更高。(下转第198页)391E建模，再导入ANSYS有限元分析，找出多组承受力薄弱点，采用多个位置的应力变化进行取值，提高研究的可靠性。不仅考虑到中间位置这一个危险点，同时兼顾其他位置应力的一个变化情况。桥架实测计算结果与有限元分析软件ANSYS计算得到的结果进行对比分析，认为其运行状态正常，结构主要性能指标在目前工作环境下和额定工作负荷工况下处在安全状态。

   珠海路灯车租赁,  路灯车出租,  路灯车租赁 http://www.13600001358.com/

        通过对现役SVW3型路灯车进行三维建模分析、结构强度试验、有限元计算、无损检测等设备安全评估工作，最终依据试验和计算结果，分析了该路灯车的结构安全性能。通过MATLAB对测试数据的分析研究，实现了对路灯车金属结构安全评估，并结合工程检测结果进行实例分析。评估结果表明，针对路灯车金属结构安全评估这类小样本、模糊非线性问题，该方法为起重可靠性与结构强度安全评估做好前期准备，为结构可靠性与寿命安全评估提供新理论新思路，具有一定的实用价值。

       结论:  (1)以相关向量机为基础，提出粒子群优化相关向量机的路灯车当量载荷谱获取方法，解决了路灯车工作级别难以确定、作业环境复杂多变以及现场试验条件差，导致路灯车大规模载荷谱难以获取的问题。(2)针对单一核函数的局限性，从核函数的构造、核参数的选取方面，构建基于粒子群优化相关向量机的预测模型，并将其应用到路灯车当量载荷谱的预测中，克服了传统机器学习方法中易出现欠学习、过学习、局部最优等现象，提高了预测精度、泛化能力与鲁棒性。(3)工程实例分析结果表明，相比于BP神经网络、支持向量机、相关向量机、粒子群优化支持向量机等方法，采用基于粒子群优化相关向量机的预测模型的预测结果误差更小、拟合度更高、准确性更高，为获取和预测路灯车当量载荷谱提供了一种新的方法。

      珠海路灯车租赁,  路灯车出租,  路灯车租赁