基于文本数据挖掘的复杂工况螺纹连接力矩衰减预测方法 论文

针对冲击、振动或变载荷环境等复杂工况下螺纹连接易失效的问题，传统方法依赖实验和仿真，但这些手段难以高效、经济、准确地找出原因并预测衰减。在此背景下，利用人工智能技术在故障预测领域的优势，提出了一种基于数据挖掘的复杂工况螺纹连接力矩衰减预测方法。这一方法从原始数据中挖掘出其与螺纹连接故障的精确映射关系，准确找出螺纹连接发生失效的主要原因并预测力矩衰减。

该方法提出了一种规则化故障量化方法，特别考虑了导致文本极性变化的特殊语言结构。其次，结合螺纹连接力矩衰减专业领域词典，对力矩衰减进行基于文本描述的故障量化评级。接着，通过Logistic函数模型，构建了相关的力矩衰减特征集，并最终建立了基于随机森林和岭回归算法的Stacking集成学习预测模型。以重型卡车推力杆螺纹力矩衰减预测为实际案例，验证了该方法的可行性和有效性。结果显示，集成模型的预测准确率相比单一的随机森林和岭回归算法模型平均提升了53.39%。