论文部分内容阅读
本文针对电源车系统,目前存在微小异常诊断的不足、以及无法准确获取其剩余使用寿命等问题,借助于前期团队开发的120KW军用电源车系统仿真平台,结合深度置信网络(Deep Belief Networks,DBN)、迁移学习(Transfer Learning)、主元成分分析(Principal Component Analysis,PCA)、支持向量回归(Support Vector Regression,SVR)和门控循环单元(Gate Recurrent Unit,GRU)网络等方法,研究了电源车系统的异常诊断和剩余寿命预测等问题,研究成果对于提升电源车系统乃至其它复杂系统的健康管理水平具有重要的应用价值。主要工作及贡献点如下:1)基于DBN与迁移学习的电源车异常诊断方法研究针对电源车异常状态数据量不足且特征不明显的特点,本文提出了一种基于迁移学习的异常诊断方法。该方法基于已建立的DBN故障诊断模型,利用迁移学习和较少的异常数据,通过进一步训练获得电源车的异常诊断模型。经在电源车仿真系统上进行对比实验,结果表明结合迁移学习较直接使用经典的深度学习方法,对于在数据量不足的情形下的异常诊断有更高的准确率,在一定程度上为提高电源车安全性与可靠性提供保障。2)基于PCA-SVR的电源车寿命预测方法研究针对电源车系统退化数据冗杂、非线性显著且含有大量噪声的情形,本文提出了一种基于PCA-SVR的寿命预测方法。该方法在运用PCA对电源车系统退化数据降维降噪处理的基础上,结合SVR建立电源车系统的寿命预测模型,从而完成对电源车系统剩余使用寿命的预测。实验结果表明,基于PCA-SVR的电源车寿命预测模型能在较少训练样本的情形下,能获得较准确的寿命预测值,在一定程度上为电源车的健康维护提供参考。3)基于GRU网络的电源车寿命预测方法研究为了进一步准确地预测电源车系统的剩余使用寿命,考虑到电源车系统退化过程中的数据,不仅本身具有重要价值,其数据之间同样具有时间序列的关联性,本文提出了一种基于GRU网络的电源车寿命预测方法。该方法建立了基于GRU网络的电源车状态时间序列模型,可以有效获取数据本身及数据之间的重要特征。实验结果表明,基于GRU网络的电源车寿命预测模型能在训练样本充足的情形下,获得与实际剩余使用寿命十分接近的预测值,为提高电源车的健康维护提供更有参考意义的依据。