亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于特征融合與HPO-RVM的滾動(dòng)軸承剩余壽命預(yù)測

        2023-10-07 04:37:48栗子旋高丙朋
        機(jī)床與液壓 2023年17期
        關(guān)鍵詞:特征優(yōu)化模型

        栗子旋,高丙朋

        (新疆大學(xué)電氣工程學(xué)院,新疆烏魯木齊 830017)

        0 前言

        滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械的關(guān)鍵部件,決定著機(jī)械設(shè)備能否安全平穩(wěn)運(yùn)行。在復(fù)雜的運(yùn)行工況下,隨著服役時(shí)間的增加,軸承性能逐步退化,發(fā)生故障甚至導(dǎo)致失效。對滾動(dòng)軸承的剩余使用壽命(Remaining Useful Life,RUL)進(jìn)行預(yù)測,可以確定最佳維修點(diǎn),實(shí)現(xiàn)預(yù)測性維護(hù),減少事故的發(fā)生和經(jīng)濟(jì)損失,提高設(shè)備的可靠性[1]。

        基于數(shù)據(jù)驅(qū)動(dòng)的滾動(dòng)軸承剩余壽命預(yù)測技術(shù)的研究包含2個(gè)重要方面:運(yùn)行狀態(tài)的特征提取和剩余壽命預(yù)測模型的建立。特征提取是關(guān)鍵,壽命預(yù)測是目標(biāo)。良好的特征能夠反映軸承的運(yùn)行狀態(tài)和退化趨勢,而壽命預(yù)測模型則能夠根據(jù)退化特征挖掘軸承的退化規(guī)律,實(shí)現(xiàn)準(zhǔn)確地預(yù)測滾動(dòng)軸承的剩余使用壽命。文獻(xiàn)[2]通過雙樹復(fù)小波重構(gòu)原始信號,得到去噪后的信號,提取相應(yīng)的特征,采用BP網(wǎng)絡(luò)對破碎機(jī)轉(zhuǎn)軸進(jìn)行壽命預(yù)測。文獻(xiàn)[3]提取時(shí)域特征描述軸承的退化過程,并采用濾波器進(jìn)行降噪處理,然后采用優(yōu)化算法得到支持向量回歸的參數(shù),訓(xùn)練多個(gè)模型進(jìn)行軸承壽命預(yù)測。為了能夠更好地描述軸承的退化特征,提取時(shí)域、頻域以及時(shí)頻域特征共同構(gòu)成特征矩陣。然而多維特征容易導(dǎo)致維數(shù)災(zāi)難。為了兼顧全面反映軸承的運(yùn)行狀態(tài)和計(jì)算效率,對特征矩陣進(jìn)行降維處理。JENSSEN[4]提出了核熵成分分析(Kernel Entropy Component Analysis,KECA),該算法將原始非線性數(shù)據(jù)經(jīng)過核函數(shù)映射到高維特征空間中,在最大保留原始信息的情況下進(jìn)行降維融合。

        壽命預(yù)測階段,有學(xué)者從軸承初期開始進(jìn)行壽命預(yù)測[5-6],但是軸承初始運(yùn)行階段狀態(tài)平穩(wěn),對它進(jìn)行壽命預(yù)測沒有實(shí)際工程意義,并且非退化數(shù)據(jù)的引入將造成壽命預(yù)測的精度下降。文獻(xiàn)[7]采用退化階段前期的數(shù)據(jù)訓(xùn)練模型,然后預(yù)測軸承的剩余使用壽命。文獻(xiàn)[8]采用時(shí)變卡爾曼濾波進(jìn)行壽命預(yù)測,構(gòu)造基于線性和二次函數(shù)的卡爾曼濾波模型,自動(dòng)適應(yīng)切換濾波模型,以處理軸承的正常運(yùn)行階段和加速退化階段的監(jiān)測數(shù)據(jù),從而達(dá)到有效預(yù)測剩余壽命的目的。

        相關(guān)向量機(jī)(Relevance Vector Machine,RVM)是在貝葉斯框架下發(fā)展起來的支持向量機(jī)的另一種改進(jìn)形式[9]。該模型結(jié)合了貝葉斯原理、自動(dòng)相關(guān)決策機(jī)制和最大似然等理論[10],能夠處理高維,非線性、小樣本等問題;具有良好的稀疏性、泛化能力和較高的預(yù)測精度,RVM的核函數(shù)不受限于Mercer條件,在核函數(shù)的選擇和構(gòu)建中更為靈活[11]。核函數(shù)在很大程度上決定著RVM模型的預(yù)測性能[12],因此采用獵食者-獵物優(yōu)化(Hunter-Prey Optimization,HPO)算法去尋優(yōu)得到RVM的核參數(shù),該方法主要思想結(jié)合了獵食者向著獵物的方向調(diào)整自己的位置,而獵物則是向著安全的地方調(diào)整自己的位置[13]。

        綜上,本文作者提出一種基于特征融合和HPO優(yōu)化RVM的滾動(dòng)軸承剩余壽命預(yù)測方法。提取多域特征,利用特征篩選和核熵成分分析相結(jié)合,提取軸承的退化狀態(tài)信息。利用HPO優(yōu)化算法自適應(yīng)地確定相關(guān)向量機(jī)(Relevance Vector Machine,RVM)的最佳核寬度,通過訓(xùn)練軸承得到壽命預(yù)測模型,將測試軸承的退化特征輸入到模型中,實(shí)現(xiàn)軸承的壽命預(yù)測。

        1 特征提取和融合

        1.1 多域特征提取

        1.1.1 時(shí)域特征

        時(shí)域特征包括有量綱和量綱一化2種,特征值的大小可以反映設(shè)備的運(yùn)行狀態(tài),提取均值、方差、均方根、標(biāo)準(zhǔn)差、最大值、最小值、峰峰值、波形指標(biāo)、峭度指標(biāo)等16個(gè)時(shí)域特征,記為F1-F16。

        1.1.2 頻域特征

        對原始振動(dòng)信號進(jìn)行快速傅里葉變換,然后計(jì)算相關(guān)的頻域特征,包括頻率均值、頻率標(biāo)準(zhǔn)差、頻率重心等能夠反映頻域振動(dòng)能量大小、頻譜分散或集中程度以及頻帶位置變化的13個(gè)頻域特征。記為F17-F29。

        1.1.3 時(shí)頻域特征

        小波包分解是一種時(shí)頻域分析方法,可以實(shí)現(xiàn)信號的高頻部分和低頻部分同時(shí)分解,采用這種分解方式既不會(huì)造成信息冗余,也不會(huì)造成信息疏漏。計(jì)算3層小波包分解的能量熵、奇異譜熵和8個(gè)頻帶的能量,共10個(gè)特征。記為F30-F39。

        1.2 特征篩選

        良好的退化特征應(yīng)具有較強(qiáng)的魯棒性和時(shí)間相關(guān)性。提取的多個(gè)特征并不全都能滿足這2個(gè)特性,因此利用魯棒性和相關(guān)性評價(jià)指標(biāo)對特征進(jìn)行篩選。

        魯棒性:反映特征對噪聲或異常值的抗干擾能力,表達(dá)式為

        (1)

        式中:K為樣本個(gè)數(shù);XT(tk)是經(jīng)過平滑處理后的趨勢項(xiàng);XR(tk)是波動(dòng)項(xiàng);X(tk)=XT(tk)+XR(tk)。

        相關(guān)性:表示特征與時(shí)間序列的相關(guān)度,采用Spearman相關(guān)系數(shù),計(jì)算公式為

        (2)

        di=rankXi-rankTi(i=1,…,K)

        (3)

        式中:X、T分別表示2個(gè)時(shí)間序列;di代表2個(gè)序列變量在排序后的秩差。

        由于單個(gè)指標(biāo)只能夠評價(jià)特征在某個(gè)方面的特性,因此使用自適應(yīng)加權(quán)方法構(gòu)建綜合評價(jià)指標(biāo):

        J=ω1Rob(X)+ω2Cor(X,T)

        (4)

        式中:ωi為評價(jià)指標(biāo)的權(quán)重。

        采用Critic方法自適應(yīng)確定權(quán)重。該方法綜合考慮了指標(biāo)間的差異性和相關(guān)性,如式(5)所示:

        (5)

        式中:σj為指標(biāo)j的方差;ζij為相關(guān)系數(shù)。然后計(jì)算權(quán)重,如式(6)所示:

        (6)

        式中:ωj表示指標(biāo)j的權(quán)重。

        1.3 核熵成分分析

        KECA是基于Renyi二次熵和Parzen窗函數(shù)提出來的。Renyi二次熵?cái)?shù)學(xué)形式如式(7)所示:

        (7)

        式中:p(x)為樣本集D={x1,x2,…,xN}的概率密度函數(shù)。將式(7)中的積分部分定義為

        (8)

        式(8)可以改寫為以下等式:

        (9)

        (10)

        式中:K為N×N的核矩陣;I是N×1的向量。對K進(jìn)行特征分解:

        K=EDET

        (11)

        式中:D=diag(λ1,λ2,…,λN);E是特征向量矩陣,E={e1,e2,…,eN}。將式(11)代入式(9)可以得到:

        (12)

        式中:λi和ei是按照二次熵的估值降序排列得到的。選擇滿足要求的前k個(gè)特征值與特征向量進(jìn)行投影變換可以得到Φeca:

        (13)

        2 HPO算法優(yōu)化相關(guān)向量機(jī)

        2.1 相關(guān)向量機(jī)

        tn=y(xn;w)+εn

        (14)

        式中:t=(t1,…,tN);w=(w0,…,wN);y(xn;w)為非線性函數(shù);εn為高斯噪聲。假設(shè)tn服從高斯分布:

        p(t|x)=N(t|y(x),σ2)

        (15)

        由貝葉斯定理,數(shù)據(jù)集的似然估計(jì)可以寫成:

        (16)

        式中:Φ是核矩陣;Φnm=K(xn,xm-1),Φn1=1。

        根據(jù)貝葉斯規(guī)則獲得權(quán)重的后驗(yàn)概率:

        p(w|t,α,σ2)=(2π)-(N+1)/2|Σ|-1/2·

        (17)

        Σ=(ΦTBΦ+A)-1

        (18)

        μ=ΣTBt

        (19)

        式中:A=diag(α0,α1,…,αN);B=σ-2IN;Σ為后驗(yàn)方差;μ為均值。

        對權(quán)重積分,獲得超參數(shù)邊緣概率分布:

        p(t|α,σ2)=(2π)-N/2|B-1+ΦA(chǔ)-1ΦT|-1/2·

        (20)

        通過迭代計(jì)算得到超參數(shù)α和σ2的最優(yōu)解:

        (21)

        (22)

        式中:Σii表示協(xié)方差矩陣Σ中第i個(gè)對角元素。

        相關(guān)向量機(jī)的核函數(shù)主要分為局部核函數(shù)和全局核函數(shù)兩類:局部核函數(shù)學(xué)習(xí)能力強(qiáng),泛化能力弱;全局核函數(shù)泛化能力強(qiáng),學(xué)習(xí)能力弱。采取加權(quán)組合核函數(shù),選取一個(gè)全局核函數(shù)多項(xiàng)式核函數(shù)和局部核函數(shù)高斯核函數(shù)進(jìn)行加權(quán)組合,來提高模型的預(yù)測精度和魯棒性,形式如下:

        (23)

        2.2 HPO算法原理

        獵食者-獵物優(yōu)化算法是于2022年提出的一種新的優(yōu)化算法,具有收斂速度快、尋優(yōu)能力強(qiáng)的特點(diǎn),并且人工設(shè)置參數(shù)少。

        隨機(jī)生成種群的初始位置。

        xi=rand(1,d)·(ub-lb)+lb

        (24)

        式中:d為目標(biāo)個(gè)數(shù);ub、lb分別為搜索空間的上邊界和下邊界。

        獵食者根據(jù)下式進(jìn)行搜索:

        xi,j(t+1)=xi,j(t)+0.5{[2CZPpos(j)-xi,j(t)]+

        [2(1-C)Zμ(j)-xi,j(t)]}

        (25)

        其中:x(t)為當(dāng)前獵食者的位置;x(t+1)為獵食者下一個(gè)位置;Ppos為獵物的位置;μ為所有位置的平均值;Z是由下式計(jì)算的自適應(yīng)參數(shù)。

        P=R1

        Z=R2?δIDX+R3?(~δIDX)

        (26)

        其中:R1和R3是[0,1]內(nèi)的隨機(jī)向量;δIDX是滿足條件P=0向量R1的索引值;C是探索和開發(fā)之間的平衡參數(shù),計(jì)算如下:

        (27)

        其中:εit是當(dāng)前迭代值;εitmax是最大迭代次數(shù)。

        計(jì)算所有位置的平均值:

        (28)

        計(jì)算歐幾里得距離:

        (29)

        距離位置平均值最大的搜索代理視為獵物Ppos:

        Ppos=xi|iis index of Max(end)sort(Deuc)

        (30)

        為了解決則算法延遲收斂性的問題,考慮一種遞減機(jī)制,如下式所示:

        kbest=round(C×N)

        (31)

        其中:N是搜索代理的數(shù)量。因此,獵物的位置計(jì)算公式可寫為

        Ppos=xi|iis soredDeuc(kbest)

        (32)

        為了選擇獵人和獵物,結(jié)合式(25)和式(30)提出式(33):

        xi(t+1)=

        (33)

        其中:R5是[0,1]內(nèi)的隨機(jī)數(shù);β是調(diào)節(jié)參數(shù)。

        2.3 RVM參數(shù)優(yōu)化

        采用HPO算法對混合核參數(shù)進(jìn)行尋優(yōu)。優(yōu)化的具體流程如圖1所示,優(yōu)化步驟如下:

        圖1 參數(shù)優(yōu)化流程

        步驟1,設(shè)置種群數(shù)、迭代次數(shù)以及優(yōu)化參數(shù)的上下界、目標(biāo)函數(shù)。

        步驟2,計(jì)算適應(yīng)度值,記錄最優(yōu)位置。

        步驟3,利用式(26)和(27)更新參數(shù)Z和C。

        步驟4,根據(jù)式(33)更新獵食者或獵物的位置,并計(jì)算適應(yīng)度值和最優(yōu)位置。

        步驟5,判斷是否滿足停止條件,如果滿足,則輸出最優(yōu)解,跳轉(zhuǎn)至步驟6,否則重復(fù)步驟3-4。

        步驟6,利用最優(yōu)解構(gòu)建RVM預(yù)測模型。

        3 壽命預(yù)測流程

        剩余使用壽命定義為

        RUL=Tend-Ti

        (34)

        (35)

        式中:Tend為軸承失效時(shí)刻;Ti為當(dāng)前監(jiān)測點(diǎn)。為減少不同軸承間的差異,采用式(35)將軸承的剩余壽命進(jìn)行歸一化處理。

        基于特征融合與HPO-RVM的軸承剩余壽命預(yù)測步驟如下:

        步驟1,提取時(shí)域、頻域、時(shí)頻域特征。

        步驟2,計(jì)算每個(gè)特征的魯棒性和相關(guān)性,采用Critic方法確定評價(jià)指標(biāo)的權(quán)值,然后計(jì)算每個(gè)特征的綜合得分。

        步驟3,選取得分最高的前15個(gè)特征采用KECA降維融合,并以貢獻(xiàn)率大于90%的主成分作為退化特征。

        步驟4,采用3σ方法確定軸承的初始故障時(shí)刻,當(dāng)故障發(fā)生以后啟動(dòng)剩余壽命預(yù)測機(jī)制。

        步驟5,根據(jù)訓(xùn)練數(shù)據(jù),采用HPO尋優(yōu)得到RVM核參數(shù),代入RVM中得到HPO-RVM壽命預(yù)測模型。

        步驟6,將測試集代入訓(xùn)練好的模型中進(jìn)行剩余壽命預(yù)測,如圖2所示。

        圖2 壽命預(yù)測流程

        步驟7,模型性能評價(jià)。

        評價(jià)指標(biāo):均方根誤差δRMSE、平均絕對誤差δMAE、決定系數(shù)R2。前2個(gè)評價(jià)指標(biāo)越小說明模型的預(yù)測能力越好,第3個(gè)評價(jià)指標(biāo)越大說明模型的預(yù)測能力越好[14]。

        (36)

        (37)

        (38)

        4 實(shí)驗(yàn)仿真驗(yàn)證

        4.1 數(shù)據(jù)集介紹

        文中實(shí)驗(yàn)驗(yàn)證采用的是XJTU-SY全壽命滾動(dòng)軸承數(shù)據(jù)集,圖3所示為搭建的實(shí)驗(yàn)平臺。測試所采用滾動(dòng)軸承的型號為LDK UER204。實(shí)驗(yàn)共測試了3種工況共計(jì)15個(gè)軸承,具體工況信息如表1所示。傳感器為PCB 352C33加速度傳感器,采樣頻率25.6 kHz,每間隔1 min,采樣1.28 s。詳細(xì)實(shí)驗(yàn)過程和信息參考文獻(xiàn)[15]。

        以工況1中的5個(gè)軸承為研究對象進(jìn)行滾動(dòng)軸承的剩余壽命預(yù)測研究,分別命名為軸承1-1、軸承1-2、軸承1-3、軸承1-4、軸承1-5。

        4.2 退化特征的構(gòu)建

        以工況1為例,提取時(shí)域、頻域、時(shí)頻域39個(gè)特征,然后歸一化。軸承1-1的特征如圖4—6所示。然后根據(jù)評價(jià)指標(biāo)魯棒性和相關(guān)性計(jì)算每個(gè)特征的得分,采用Critic方法確定2個(gè)評價(jià)指標(biāo)的權(quán)重,然后得到綜合評價(jià)指標(biāo)。

        圖4 軸承1-1時(shí)域特征

        圖5 軸承1-1頻域特征

        圖6 軸承1-1時(shí)頻域特征

        根據(jù)式(4)計(jì)算工況1下5個(gè)軸承各個(gè)特征綜合得分的平均值。如圖7所示,選出前15個(gè)得分最高的特征,依次為37、36、29、22、2、10、1、3、17、34、6、33、32、26、35??梢钥闯觯汉Y選出的特征包括時(shí)域特征、頻域特征和時(shí)頻域特征。

        圖7 工況1軸承特征篩選

        利用KECA方法將篩選出來的特征指標(biāo)進(jìn)行降維融合,從圖8中可以看出:工況1的各個(gè)軸承第一主成分的貢獻(xiàn)率都大于90%,因此選取第一主成分作為軸承的健康指標(biāo)。為降低不同軸承間的差異性,對健康指標(biāo)進(jìn)行歸一化處理。為了降低噪聲或異常值引起的指標(biāo)波動(dòng),采用局部加權(quán)回歸方法進(jìn)行平滑處理,得到工況1的健康指標(biāo)如圖9所示。

        圖8 工況1各軸承主成分貢獻(xiàn)率

        圖9 工況1軸承健康指標(biāo)

        軸承運(yùn)行初期,退化特征不明顯,特征指標(biāo)平穩(wěn),對它進(jìn)行壽命預(yù)測工程意義不大。當(dāng)發(fā)生早期故障以后,軸承開始退化,啟動(dòng)剩余壽命預(yù)測。在進(jìn)行壽命預(yù)測時(shí)只是用退化階段的數(shù)據(jù),避免了非退化數(shù)據(jù)對壽命預(yù)測的精度造成干擾。文中采用3σ方法檢測軸承的早期故障時(shí)刻,從而確定壽命預(yù)測的初始時(shí)間,具體方法參考文獻(xiàn)[16]。得到軸承1-1到軸承1-5發(fā)生故障的時(shí)刻為70、36、59、121、34 min。因此將發(fā)生早期故障以后的退化指標(biāo)歸一化作為剩余壽命預(yù)測的數(shù)據(jù),從而提高預(yù)測的精度。

        4.3 滾動(dòng)軸承壽命預(yù)測

        壽命預(yù)測階段,以前4個(gè)軸承作為訓(xùn)練集訓(xùn)練壽命預(yù)測模型,最后1個(gè)軸承作為測試集,驗(yàn)證模型的預(yù)測性能。采用HPO算法尋優(yōu)得到RVM的組合核參數(shù),HPO算法的種群數(shù)設(shè)置為100,最大迭代次數(shù)為100,得到的最優(yōu)參數(shù)用于RVM預(yù)測模型的訓(xùn)練。將待測數(shù)據(jù)輸入到模型中進(jìn)行預(yù)測,得到的壽命預(yù)測結(jié)果如圖10所示??梢钥闯觯侯A(yù)測的總體趨勢與實(shí)際壽命百分比接近,大部分實(shí)際值都在預(yù)測結(jié)果95%的置信區(qū)間內(nèi)。

        圖10 所提出的預(yù)測模型預(yù)測結(jié)果

        將文中提出的預(yù)測模型與BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)ELM、支持向量機(jī)SVM、最小二乘支持向量機(jī)LSSVM、相關(guān)向量機(jī)RVM、優(yōu)化支持向量機(jī)、優(yōu)化最小二乘支持向量機(jī)、優(yōu)化高斯核函數(shù)的相關(guān)向量機(jī)等預(yù)測模型進(jìn)行對比。預(yù)測結(jié)果如圖11所示。

        由圖11可以看出:文中所提的模型預(yù)測結(jié)果更加接近真實(shí)值,文中模型具有一定的優(yōu)勢。然后計(jì)算各個(gè)模型預(yù)測性能評價(jià)指標(biāo)。δRMSE和δMAE值越小越好,R2越大越好。由圖12可以看出:文中所提的模型δRMSE和R2均為最優(yōu)結(jié)果,δMAE指標(biāo)僅次于基于高斯核函數(shù)的相關(guān)向量機(jī)模型,但結(jié)果相近,總體上文中所提的模型更具優(yōu)勢。

        圖12 不同預(yù)測模型預(yù)測結(jié)果評價(jià)

        將文中采用的HPO優(yōu)化算法與常用的經(jīng)典優(yōu)化算法粒子群優(yōu)化算法(PSO)、遺傳優(yōu)化算法(GA),以及較新的優(yōu)化算法哈里斯鷹優(yōu)化算法(HHO)、晶體結(jié)構(gòu)優(yōu)化算法(CRYSTAL)等進(jìn)行對比試驗(yàn),得到預(yù)測結(jié)果的評價(jià)指標(biāo)如圖13所示??梢钥闯觯篐PO優(yōu)化算法可以取得較好的預(yù)測結(jié)果。

        圖13 不同算法優(yōu)化模型預(yù)測結(jié)果評價(jià)

        文中是以最小均方根誤差作為HPO優(yōu)化RVM核參數(shù)的目標(biāo)函數(shù),實(shí)際應(yīng)用中可以根據(jù)需要設(shè)置不同的目標(biāo)函數(shù),如δRMSE、δMAE、1-R2、δRMSE+δMAE+(1-R2)等最小值作為目標(biāo)函數(shù)。當(dāng)采用以上目標(biāo)函數(shù)訓(xùn)練模型,測試模型的預(yù)測性能如圖14所示??梢钥闯觯涸谟?xùn)練模型時(shí)采用不同的目標(biāo)函數(shù)可以使相應(yīng)的指標(biāo)達(dá)到最小值,以滿足相應(yīng)的需求。

        圖14 不同目標(biāo)函數(shù)優(yōu)化模型預(yù)測結(jié)果評價(jià)

        5 結(jié)論

        文中提出基于特征融合與HPO-RVM的滾動(dòng)軸承剩余壽命預(yù)測方法,利用軸承全壽命數(shù)據(jù)集進(jìn)行方法驗(yàn)證,得出以下結(jié)論:

        (1)采用綜合評價(jià)指標(biāo)篩選出來的特征包含時(shí)域、頻域、時(shí)頻域特征,將篩選出來的特征進(jìn)一步用KECA降維融合,選取能夠反映90%以上特征信息的主成分作為退化特征,不僅降低了計(jì)算量,而且特征信息更加豐富,避免了單一特征不能較好地反映軸承的退化特征。

        (2)采用檢測到軸承發(fā)生故障以后再進(jìn)行壽命預(yù)測的策略,避免了非退化特征對剩余壽命預(yù)測精度的影響。

        (3)HPO優(yōu)化混合核RVM的預(yù)測模型,其預(yù)測精度優(yōu)于BP、ELM、SVM等模型;所采用的優(yōu)化算法在此實(shí)驗(yàn)中優(yōu)于PSO、GA等算法;并討論了不同的目標(biāo)函數(shù)對預(yù)測模型的影響。綜合說明文中所提的壽命預(yù)測模型具有一定的優(yōu)勢。

        猜你喜歡
        特征優(yōu)化模型
        一半模型
        超限高層建筑結(jié)構(gòu)設(shè)計(jì)與優(yōu)化思考
        民用建筑防煙排煙設(shè)計(jì)優(yōu)化探討
        關(guān)于優(yōu)化消防安全告知承諾的一些思考
        一道優(yōu)化題的幾何解法
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        如何表達(dá)“特征”
        不忠誠的四個(gè)特征
        抓住特征巧觀察
        亚洲av五月天一区二区| 999精品免费视频观看| 天堂女人av一区二区| 国产不卡视频在线观看| 人妻精品久久无码区| 欧美精品久久久久久久自慰| 亚洲无码视频一区:| 一卡二卡国产av熟女| 欧美日韩精品乱国产| 69久久夜色精品国产69| 高清国产亚洲va精品| 综合激情五月三开心五月| 领导边摸边吃奶边做爽在线观看| 国产成人av 综合 亚洲| 久久精品美女久久| 91熟女av一区二区在线| 久久综合九色综合久99| 男女超爽视频免费播放| 亚洲粉嫩av一区二区黑人| 蜜桃av人妻精品一区二区三区| 国产网红主播无码精品| 99久久久国产精品免费蜜臀| 日本中文字幕一区二区在线观看| 亚洲色图三级在线观看| 久久99精品国产麻豆宅宅| 亚洲av美女在线播放啊| 日韩精品自拍一区二区| 亚洲精品成人无限看| 2019最新国产不卡a| 成人精品免费av不卡在线观看| 精品极品一区二区三区| 久久香蕉国产线看观看精品yw| 亚洲丁香婷婷综合久久小说| 国产精品亚洲在钱视频| 丰满少妇高潮惨叫久久久| 无码精品a∨在线观看十八禁| 狠狠色欧美亚洲综合色黑a| 亚洲av毛片在线网站| 日韩成人无码| 亚洲区偷拍自拍29p| 杨幂一区二区系列在线|