【摘要】：柴油發(fā)電機作為電源車的核心設備,對其進行合理的健康管理,不僅可以提高電源車運行的可靠性與安全性,也有利于電源車的運行、維護等工作科學合理的開展,更能減少盲目檢修給用戶帶來的經(jīng)濟損失,彌補電源車在健康管理策略方面的缺失。鑒于此,本文基于數(shù)據(jù)驅(qū)動的方法,借助于團隊開發(fā)的120KW某軍用電源車柴油發(fā)電機系統(tǒng)仿真平臺,從建立電源車柴油發(fā)電機的健康識別模型入手,識別柴油發(fā)電機健康、亞健康、故障三種狀態(tài),并根據(jù)距離丈量的概念量化評估其健康狀態(tài);在深入分析電源車柴油發(fā)電機退化狀態(tài)(亞健康-故障)的基礎上,引入影響退化數(shù)據(jù)有效性的測量誤差,建立其性能退化模型,研究了電源車柴油發(fā)電機的剩余壽命預測方法,并確定了柴油發(fā)電機壽命預測性能約束下測量誤差參數(shù)的可行域,具體工作包括:1)針對電源車柴油發(fā)電機健康評估問題,結合降噪自動編碼機(Denoise Auto-Encoder,DAE)與馬氏距離(Mahalanobis Distance,MD)算法,提出一種基于深度學習與距離融合的柴油發(fā)電機健康狀態(tài)量化評估方法。先通過DAE深度網(wǎng)絡提取柴油發(fā)電機不同健康狀態(tài)下的特征序列,建立柴油發(fā)電機健康狀態(tài)識別模型;又將MD算法引入,度量DAE模型輸出狀態(tài)與正常狀態(tài)特征序列之間的距離,進而給出了柴油發(fā)電機健康狀態(tài)的量化評估結果。仿真表明,通過DAE的分類和MD的計算實現(xiàn)了電源車柴油發(fā)電機各健康狀態(tài)的量化評估,為其剩余壽命預測研究奠定了基礎。2)針對電源車柴油發(fā)電機剩余壽命預測問題,基于非線性wiener過程研究了電源車柴油發(fā)電機的剩余壽命預測方法�？紤]到退化數(shù)據(jù)受到測量誤差的影響,在采用非線性wiener過程建立柴油發(fā)電機的退化模型的同時,引入測量誤差參數(shù),并在首達時間意義下,給出了考慮測量誤差時電源車柴油發(fā)電機剩余壽命的分布結果。仿真結果表明,根據(jù)wiener過程所建立的退化模型可實現(xiàn)對柴油發(fā)電機剩余壽命的準確預測,為其開展視情預防維護提供了依據(jù)。3)針對電源車柴油發(fā)電機壽命預測性能約束下的允許測量誤差可行域問題,基于集合相似性測度(Similarity Measure,SM)給出了相應的計算方法。首先分別確定帶測量誤差與不帶測量誤差的電源車柴油發(fā)電機剩余壽命分布;接著根據(jù)電源車在不同工作環(huán)境對其壽命預測需要滿足的性能要求,計算不同壽命預測性能約束下測量誤差參數(shù)的可行域。結果表明,測量誤差參數(shù)可行域的計算能以逆向的方式為柴油發(fā)電機剩余壽命預測提供指導,顯現(xiàn)出其潛在的工程應用價值。
【圖文】：

AE-MD 的電源車柴油發(fā)電機健康狀與距離丈量 MD 的計算有機結合，性與定量評估。電機健康狀態(tài)量化評估方法源車柴油發(fā)電機健康狀態(tài)識別信息提取方面有著強大的自提取能的健康識別模型，對柴油發(fā)電機的健識別模型損壞數(shù)據(jù)作為輸入，通過網(wǎng)絡訓練來編碼器（Auto-encoder，AE）[66]。中，AE 是經(jīng)典的三層神經(jīng)網(wǎng)絡，由下圖 2.2 所示。AE 的輸入目標和輸換為低維的編碼矢量，通過解碼網(wǎng)據(jù)。

圖 2.3 降噪自動編碼機結構示意圖樣本mx按照Dq 分布加入隨機噪聲，，使其變成含噪樣本， m m mDx q x xDq 為隨機隱含的噪聲，既柴油發(fā)電機的環(huán)境噪聲。過優(yōu)化以下目標函數(shù)完成 DAE 的預訓練，目標函數(shù)如下 ,argmin ,m mL x g f x 過引入噪聲進行重新編碼，可有效減少電源車柴油發(fā)電機聲等隨機因素對網(wǎng)絡訓練結果的影響，從而提高健康狀態(tài)準確性。E 模型的訓練主要步驟讓多個 DAE 網(wǎng)絡連接組成深度神經(jīng)網(wǎng)絡（DNN），先使其編碼為1mh ，接著使用1mh 訓練 DAE2，將其編碼為2mh ，N，當訓練滿足設定的最小訓練誤差時，訓練結束，將輸入
【學位授予單位】：蘭州理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP18;U469.6;U463.631

【參考文獻】

相關期刊論文 前10條

1 雷亞國;賈峰;周昕;林京;;基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J];機械工程學報;2015年21期

2 喻雄飛;邵利民;徐慧峰;;基于狀態(tài)評估的柴油機故障診斷系統(tǒng)[J];裝備制造技術;2015年04期

3 劉君強;謝吉偉;左洪福;張馬蘭;;基于隨機Wiener過程的航空發(fā)動機剩余壽命預測[J];航空學報;2015年02期

4 李勇;馬飛;KAZERANI Mehrdad;;車載電源性能測試平臺驅(qū)動電機調(diào)速系統(tǒng)控制策略研究[J];中國電機工程學報;2014年21期

5 彭宇;劉大同;;數(shù)據(jù)驅(qū)動故障預測和健康管理綜述[J];儀器儀表學報;2014年03期

6 周東華;魏慕恒;司小勝;;工業(yè)過程異常檢測、壽命預測與維修決策的研究進展[J];自動化學報;2013年06期

7 曹稼斌;鄭建榮;夏春明;張亮;;基于數(shù)據(jù)驅(qū)動的大型化工裝置健康評估與故障源診斷[J];計算機集成制造系統(tǒng);2013年05期

8 司小勝;胡昌華;周東華;;帶測量誤差的非線性退化過程建模與剩余壽命估計[J];自動化學報;2013年05期

9 黃志毅;劉小雄;王娟;章衛(wèi)國;;一種基于數(shù)據(jù)驅(qū)動的執(zhí)行機構健康管理技術研究[J];計算機測量與控制;2012年07期

10 李常有;徐敏強;郭聳;王日新;高晶波;;基于gamma過程及貝葉斯估計的實時可靠性評估[J];宇航學報;2009年04期

本文編號：2634502