【摘要】：軍用車載電源是現代軍隊武器裝備野外作戰(zhàn)時的主要電能來源,其健康狀態(tài)診斷作為一項確定車載電源運行狀態(tài)的技術方法,可以及時評價設備的運行狀態(tài)并診斷其故障所在,符合車載電源提高其運行的安全性、可靠性、經濟性要求。論文正是在這種背景下,圍繞車載電源的健康評估方法、故障診斷方法等關鍵技術問題展開的研究。鑒于深度學習方法在數據的特征提取中的突出優(yōu)勢,本文主要基于DBN進行了車載電源健康狀態(tài)判斷、故障診斷等方法的研究。論文的研究成果對提高車載電源設備管理水平具有重要的應用價值。本文的主要工作包括:1)基于DBN-MD的車載電源健康狀態(tài)評估方法研究針對車載電源制造企業(yè)與其軍方用戶對車載電源進行健康狀態(tài)評估的需求且實際相關研究成果較少的問題,本文提出了一種基于DBN-MD的車載電源健康狀態(tài)評估方法。首先采用DBN方法,對車載電源健康與異常的運行數據進行離線訓練,以識別車載電源的健康狀態(tài);在線運行時根據DBN健康狀態(tài)識別模型對實時數據中的異常數據作出指示,利用馬氏距離對車載電源的健康程度進行評估,及時高效的對車載電源健康狀況作出準確的評價,實驗結果表明,利用DBNMD的方法對車載電源的健康狀態(tài)進行評估具有良好的效果。2)基于DBN的車載電源故障診斷方法研究針對車載電源故障機理復雜且知識經驗不足,傳統(tǒng)淺層神經網絡診斷效果難能滿意的問題,本文研究了基于DBN的車載電源故障診斷方法。該方法借助于車載電源仿真系統(tǒng)采集的幾種常見故障數據,對DBN進行預訓練與反向微調,構建了車載電源相應故障的深度診斷神經網絡,從而實現了車載電源幾類常見故障的有效智能診斷。該方法的優(yōu)勢在于能夠將車載電源的故障特征提取與故障診斷有機融合,擺脫了傳統(tǒng)淺層故障診斷方法對大量信號處理技術與診斷經驗的依賴,仿真實驗也進一步昭示出文中方法在車載電源故障診斷中的有效性和適宜性。3)基于PCA-DBN的車載電源故障診斷方法研究針對基于多個測量量組成的數據集進行網絡訓練和故障診斷時,由于變量多且之間并非互相獨立,使建模與診斷的精度及時間都會受到影響的問題,本文提出了一種基于PCA-DBN的車載電源故障診斷方法,該方法在建立車載電源深度網絡故障診斷模型時,先采用PCA對數據集進行降維,以消除冗余提取更有效的信息;接著以此對DBN進行預訓練與微調,并進而用于車載電源的故障診斷。仿真結果表明,文中方法較單一DBN及PCA與淺層網絡結合的方法,有更好的故障診斷精度與時效性。
【學位授予單位】：蘭州理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：E923
【圖文】：

階段1離線訓練階段階段2在線評估階段運行異常指示計算馬氏距離健康狀態(tài)評估NO圖 2.3 車載電源健康狀態(tài)評估路線載電源仿真平臺與數據獲取載電源及其仿真平臺載電源是一種電力設備，車輛電源系統(tǒng)構成了一個獨立完整的電力要結構分析可知，其主要結構包括柴油發(fā)電機組、降噪廂體、汽車底2.5 給出了車載電源及其結構示意圖。

圖 3.3 訓練誤差曲線3.3.3 故障診斷結果與分析圖 3.4 給出了 500 組隨機測試數據中 5 類車載電源的故障狀況的診斷結果，可以看出實驗故障均能有效的診斷出來。由于測試樣本個數為 500，在測試樣本較多的情況下，故障診斷結果圖示過于密集，不易觀察，為使診斷結果顯示更為清楚，本章在 500 測試樣本中隨機選取了 100 個樣本的故障診斷結果。圖 3.4 車載電源故障診斷結果對車載電源進行 20 次的故障診斷實驗準確率如圖 7 所示。為體現在車載電源故障診斷中采用 DBN 的優(yōu)勢，在圖 3.5 一并給出了使用淺層 BP 網絡診斷相同故障數據集的結果。為進一步定量對比以上兩種方法的故障診斷精度，計算 20 次故障診斷實驗的平均故障診斷準確率及相應的標準差如表 3.2 所示，表 3.2 給出了各類故障的預測準確率。0 10 20 30 40 5000.10.20.30.40.50.60.7迭代次數/次練誤差訓

基于深度學習理論的車載電源健康診斷方法研究3) 結果分析由圖 4.2、4.3、4.4、4.5 所示可以直觀看出，使用深度置信網絡后的診斷統(tǒng)淺層神經網絡 BPNN 和 PNN 方法的診斷結果更加精確。為進一步評價 PCA-BP、PCA-PNN、DBN 和 PCA-DBN 等方法的診斷效每種方法仍進行了 20 次故障診斷實驗，以減少隨機因素對于實驗的影響法對車載電源的 20 次實驗的故障診斷準確率，如圖 4.6 所示，本章一并4 種方法在實驗中平均故障診斷準確率、標準差和相應方法的診斷時間，4.4。100

【參考文獻】

相關期刊論文 前10條

1 崔江;唐軍祥;龔春英;張卓然;;一種基于改進堆棧自動編碼器的航空發(fā)電機旋轉整流器故障特征提取方法[J];中國電機工程學報;2017年19期

2 宋登巍;呂琛;齊樂;王景霖;吳英建;;基于健康基線和馬氏距離的液壓系統(tǒng)變工況健康評估[J];系統(tǒng)仿真技術;2017年03期

3 王麗華;謝陽陽;張永宏;趙曉平;周子賢;;采用深度學習的異步電機故障診斷方法[J];西安交通大學學報;2017年10期

4 任浩;屈劍鋒;柴毅;唐秋;葉欣;;深度學習在故障診斷領域中的研究現狀與挑戰(zhàn)[J];控制與決策;2017年08期

5 時培明;梁凱;趙娜;安淑君;;基于深度學習特征提取和粒子群支持向量機狀態(tài)識別的齒輪智能故障診斷[J];中國機械工程;2017年09期

6 劉林凡;;深度學習在故障診斷中的研究綜述[J];新型工業(yè)化;2017年04期

7 趙孝禮;趙榮珍;;全局與局部判別信息融合的轉子故障數據集降維方法研究[J];自動化學報;2017年04期

8 趙光權;葛強強;劉小勇;彭喜元;;基于DBN的故障特征提取及診斷方法研究[J];儀器儀表學報;2016年09期

9 林彬;宋東;和麟;;基于馬氏距離與組距估計的復雜系統(tǒng)健康評估[J];儀器儀表學報;2016年09期

10 文成林;呂菲亞;包哲靜;劉妹琴;;基于數據驅動的微小故障診斷方法綜述[J];自動化學報;2016年09期

相關博士學位論文 前2條

1 周津慧;重大設備狀態(tài)檢測與壽命預測方法研究[D];西安電子科技大學;2006年

2 袁志堅;電力變壓器狀態(tài)維修決策方法的研究[D];重慶大學;2004年

相關碩士學位論文 前10條

1 吉哲;基于聲信號的柴油機故障診斷研究[D];中國科學技術大學;2017年

2 盧嬌;車輛電源帶載性能安全性評測及其故障診斷的仿真研究[D];蘭州理工大學;2017年

3 沈紹輝;基于人工蜂群算法優(yōu)化支持向量機的柴油機故障診斷研究[D];中北大學;2016年

4 王峰;基于文本挖掘的高鐵車載設備故障診斷方法研究[D];北京交通大學;2016年

5 單外平;基于深度信念網絡的變速器故障分類識別研究[D];華南理工大學;2015年

6 張凡;基于核密度估計和K-L散度的旋轉機械故障診斷與健康評估方法研究[D];電子科技大學;2015年

7 郭鋼祥;基于局域均值分解和神經網絡的柴油機故障診斷研究[D];中北大學;2013年

8 吳茂興;飛行器控制系統(tǒng)健康仿真與評估技術研究[D];國防科學技術大學;2012年

9 由麗媛;基于信息融合的柴油機故障診斷技術研究[D];大連海事大學;2012年

10 董杏;智能診斷方法及其在變壓器故障中的應用研究[D];華北電力大學;2011年

本文編號：2765126