杨兆军，杨川贵，陈 菲，郝庆波，郑志同，王 松

(1.吉林大学 机械科学与工程学院，长春130022;2.吉林大学 机械工业数控装备可靠性技术重点实验室，长春130022;3.空军航空大学 飞行器与动力系，长春130022)

0 引 言

准确地对加工中心可靠性模型进行参数估计，有利于正确评估加工中心的可靠性水平，对加工中心制造企业实施可靠性增长具有重要的意义［1］。可靠性估计的准确程度与所选择的可靠性模型及其参数估计方法有关。已有研究结果表明，威布尔(Weibull)模型能较好地描述加工中心的可靠性分布，其准确性依赖于对分布参数的估计精度。在参数估计方面，常用的方法有最小二乘法(LSM)、最大似然估计(MLM)［2］和贝叶斯方法［3］。其中，前两种是基于经验风险最小原则发展起来的经典统计方法，但是在样本数量较少的情况下，上述方法很难获得可靠性模型的最优参数。贝叶斯方法在小样本实验数据条件下体现出其优势，但其估计精度取决于所选择的先验分布。支持向量回归(Support vector regression，SVR)模型［4］在小样本情况下有很好的归纳能力，与性能优越的优化算法进行耦合能得到比较准确的参数估计值。

目前为止，鲜有文献将支持向量回归模型用于可靠性模型的参数估计。为此，本文尝试将其用于估计加工中心可靠性模型的参数，并将其与本文提出的改进的局部最优粒子群优化算法(Improved local best particle swarm optimization，Improved lbest PSO)耦合，实现支持向量回归模型的参数优化。Improved lbest PSO 算法在局部最优粒子群优化算法(lbest PSO)的基础上引入了变异操作和自适应调整惯性因子，以抑制算法的早熟并提高算法的全局最优解搜索能力。……