电源车异常检测与寿命预测方法研究

发布时间：2025-04-26 22:20

　　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...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状综述
        1.2.1 异常检测技术的研究现状
        1.2.2 寿命预测技术的研究现状
    1.3 本文的主要研究内容及章节安排
        1.3.1 主要研究内容
        1.3.2 章节安排
第2章 基于深度置信网络与迁移学习的电源车异常诊断方法研究
    2.1 引言
    2.2 电源车异常诊断面临的问题及方法的提出
        2.2.1 电源车异常诊断的问题分析
        2.2.2 电源车异常诊断方法的提出
    2.3 基于迁移学习的电源车异常诊断方法
        2.3.1 DBN模型
        2.3.2 预训练模型
        2.3.3 迁移学习
    2.4 仿真实验与结果分析
        2.4.1 实验数据获取
        2.4.2 异常诊断模型的训练及测试
        2.4.3 实验结果分析
    2.5 本章小结
第3章 基于PCA-SVR的电源车寿命预测方法研究
    3.1 引言
    3.2 电源车寿命预测方法
        3.2.1 电源车寿命预测面对的问题
        3.2.2 电源车寿命预测方法的提出
    3.3 基于PCA算法和支持向量回归的电源车寿命预测方法
        3.3.1 PCA算法
        3.3.2 支持向量回归
        3.3.3 电源车寿命预测
    3.4 仿真实验与结果分析
        3.4.1 实验数据获取
        3.4.2 实验数据的PCA降维降噪处理
        3.4.3 支持向量回归模型的参数处理
        3.4.4 电源车寿命预测结果分析
    3.5 本章小结
第4章 基于GRU网络的电源车寿命预测方法研究
    4.1 引言
    4.2 基于GRU网络的电源车寿命预测方法
        4.2.1 GRU网络
        4.2.2 GRU模型的训练
        4.2.3 基于GRU网络的电源车寿命预测
    4.3 仿真实验与结果分析
        4.3.1 实验数据获取
        4.3.2 基于GRU网络的电源车寿命预测模型
        4.3.3 其它模型的测试结果
    4.4 本章小结
结论与展望
    结论
    展望
参考文献
致谢
附录 A 攻读学位期间发表的学术论文



本文编号：4041451