由于航天器在高溫、高壓等惡劣環(huán)境中工作,采用傳統(tǒng)故障檢測方法自主性相對較差,缺少對故障特征的分析,導(dǎo)致檢測精準(zhǔn)度較低;提出了基于深度學(xué)習(xí)及GPU計算的航天器故障檢測技術(shù),依據(jù)航天器故障信號特征分析與檢測原理,在GPU計算技術(shù)支持下,獲取GPU圖像,并在深度置信網(wǎng)絡(luò)模型中引入該計算方法;根據(jù)構(gòu)建的深度置信網(wǎng)絡(luò)模型,預(yù)測軸承故障位置,經(jīng)過GPU計算技術(shù)下提取的故障特征用于深度置信網(wǎng)絡(luò)故障預(yù)測基本數(shù)據(jù),將原始數(shù)據(jù)進(jìn)行歸一化處理,分析航天器軸承故障特征,并在不同參數(shù)支持下,利用深度學(xué)習(xí)算法自動確定網(wǎng)絡(luò)關(guān)鍵參數(shù),由此識別軸承故障,并學(xué)習(xí)故障特征,實現(xiàn)航天器故障檢測;由實驗結(jié)果可知,該技術(shù)檢測精準(zhǔn)度最高可達(dá)到98%,具有較強(qiáng)魯棒性。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1GPU圖像

GPU計算技術(shù)是顯卡的中心，與圖形處理器類似，只不過GPU是專門為執(zhí)行幾何計算而設(shè)計的。時下GPU具有3D特征提取功能，通過在坐標(biāo)位置中確定一個特征，那么利用GPU技術(shù)就可以迅速計算出該圖形所有像素，并在指定位置獲取相應(yīng)特征[7]。獲取的GPU圖像如圖1所示。針對航天器在運行過程....

圖2深度置信網(wǎng)絡(luò)模型

圖2所示為3個隱含層和1個可視層組成的深度置信網(wǎng)絡(luò)模型。由圖2可知，3個隱含層為無監(jiān)督形式預(yù)訓(xùn)練階段，而1個可視層為有監(jiān)督形式的微調(diào)階段。在這兩個階段下，對航天器軸承故障問題展開分析。深度置信網(wǎng)絡(luò)模型具有若干個隱變量層的生成模型，該單元通常是二值的，只有一個隱藏層存在一個隱含層。....

圖3軸承故障

在對不同故障任務(wù)進(jìn)行識別時，需設(shè)置不同網(wǎng)絡(luò)參數(shù)，在正常情況下需通過人工經(jīng)驗來耗費大量時間。因此，需設(shè)計一個具有參數(shù)自適應(yīng)能力診斷模型，以此提高軸承故障識別適應(yīng)性。軸承故障如圖3所示。由圖3可知，軸承故障位置依次為外圈、密封處、內(nèi)圈和滾動體。根據(jù)該故障位置，提出的一種基于深度學(xué)習(xí)及....

圖4軸承綜合特性指標(biāo)

將NASA預(yù)測數(shù)據(jù)庫中的軸承全壽命實驗數(shù)據(jù)作為樣本數(shù)據(jù)進(jìn)行檢測分析，根據(jù)運行時間最長的軸承作為研究對象，通過多次檢測數(shù)據(jù)的結(jié)果提取每個信號段的指標(biāo)數(shù)據(jù)特征。把全壽命信號分為4000個數(shù)據(jù)段，采用融入原始特征向量之中的局部線性嵌入算法，將第一個非零特征值與對應(yīng)的特征矢量作為綜合特....

本文編號：3967164