基于数据驱动的电源车柴油发电机健康管理方法研究

发布时间：2020-04-20 11:40

【摘要】：柴油发电机作为电源车的核心设备,对其进行合理的健康管理,不仅可以提高电源车运行的可靠性与安全性,也有利于电源车的运行、维护等工作科学合理的开展,更能减少盲目检修给用户带来的经济损失,弥补电源车在健康管理策略方面的缺失。鉴于此,本文基于数据驱动的方法,借助于团队开发的120KW某军用电源车柴油发电机系统仿真平台,从建立电源车柴油发电机的健康识别模型入手,识别柴油发电机健康、亚健康、故障三种状态,并根据距离丈量的概念量化评估其健康状态;在深入分析电源车柴油发电机退化状态(亚健康-故障)的基础上,引入影响退化数据有效性的测量误差,建立其性能退化模型,研究了电源车柴油发电机的剩余寿命预测方法,并确定了柴油发电机寿命预测性能约束下测量误差参数的可行域,具体工作包括:1)针对电源车柴油发电机健康评估问题,结合降噪自动编码机(Denoise Auto-Encoder,DAE)与马氏距离(Mahalanobis Distance,MD)算法,提出一种基于深度学习与距离融合的柴油发电机健康状态量化评估方法。先通过DAE深度网络提取柴油发电机不同健康状态下的特征序列,建立柴油发电机健康状态识别模型;又将MD算法引入,度量DAE模型输出状态与正常状态特征序列之间的距离,进而给出了柴油发电机健康状态的量化评估结果。仿真表明,通过DAE的分类和MD的计算实现了电源车柴油发电机各健康状态的量化评估,为其剩余寿命预测研究奠定了基础。2)针对电源车柴油发电机剩余寿命预测问题,基于非线性wiener过程研究了电源车柴油发电机的剩余寿命预测方法。考虑到退化数据受到测量误差的影响,在采用非线性wiener过程建立柴油发电机的退化模型的同时,引入测量误差参数,并在首达时间意义下,给出了考虑测量误差时电源车柴油发电机剩余寿命的分布结果。仿真结果表明,根据wiener过程所建立的退化模型可实现对柴油发电机剩余寿命的准确预测,为其开展视情预防维护提供了依据。3)针对电源车柴油发电机寿命预测性能约束下的允许测量误差可行域问题,基于集合相似性测度(Similarity Measure,SM)给出了相应的计算方法。首先分别确定带测量误差与不带测量误差的电源车柴油发电机剩余寿命分布;接着根据电源车在不同工作环境对其寿命预测需要满足的性能要求,计算不同寿命预测性能约束下测量误差参数的可行域。结果表明,测量误差参数可行域的计算能以逆向的方式为柴油发电机剩余寿命预测提供指导,显现出其潜在的工程应用价值。
【图文】：

结构示意图,健康状态,柴油发电机,识别模型

AE-MD 的电源车柴油发电机健康状与距离丈量 MD 的计算有机结合，性与定量评估。电机健康状态量化评估方法源车柴油发电机健康状态识别信息提取方面有着强大的自提取能的健康识别模型，对柴油发电机的健识别模型损坏数据作为输入，通过网络训练来编码器（Auto-encoder，AE）[66]。中，AE 是经典的三层神经网络，由下图 2.2 所示。AE 的输入目标和输换为低维的编码矢量，通过解码网据。

自动编码,降噪,结构示意图

图 2.3 降噪自动编码机结构示意图样本mx按照Dq 分布加入随机噪声，，使其变成含噪样本， m m mDx q x xDq 为随机隐含的噪声，既柴油发电机的环境噪声。过优化以下目标函数完成 DAE 的预训练，目标函数如下 ,argmin ,m mL x g f x 过引入噪声进行重新编码，可有效减少电源车柴油发电机声等随机因素对网络训练结果的影响，从而提高健康状态准确性。E 模型的训练主要步骤让多个 DAE 网络连接组成深度神经网络（DNN），先使其编码为1mh ，接着使用1mh 训练 DAE2，将其编码为2mh ，N，当训练满足设定的最小训练误差时，训练结束，将输入
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;U469.6;U463.631

【参考文献】