基于深度学习及GPU计算的航天器故障检测技术

发布时间：2024-05-07 23:38

　　由于航天器在高温、高压等恶劣环境中工作,采用传统故障检测方法自主性相对较差,缺少对故障特征的分析,导致检测精准度较低;提出了基于深度学习及GPU计算的航天器故障检测技术,依据航天器故障信号特征分析与检测原理,在GPU计算技术支持下,获取GPU图像,并在深度置信网络模型中引入该计算方法;根据构建的深度置信网络模型,预测轴承故障位置,经过GPU计算技术下提取的故障特征用于深度置信网络故障预测基本数据,将原始数据进行归一化处理,分析航天器轴承故障特征,并在不同参数支持下,利用深度学习算法自动确定网络关键参数,由此识别轴承故障,并学习故障特征,实现航天器故障检测;由实验结果可知,该技术检测精准度最高可达到98%,具有较强鲁棒性。

【文章页数】：5 页

【部分图文】：

图1GPU图像

GPU计算技术是显卡的中心，与图形处理器类似，只不过GPU是专门为执行几何计算而设计的。时下GPU具有3D特征提取功能，通过在坐标位置中确定一个特征，那么利用GPU技术就可以迅速计算出该图形所有像素，并在指定位置获取相应特征[7]。获取的GPU图像如图1所示。针对航天器在运行过程....

图2深度置信网络模型

图2所示为3个隐含层和1个可视层组成的深度置信网络模型。由图2可知，3个隐含层为无监督形式预训练阶段，而1个可视层为有监督形式的微调阶段。在这两个阶段下，对航天器轴承故障问题展开分析。深度置信网络模型具有若干个隐变量层的生成模型，该单元通常是二值的，只有一个隐藏层存在一个隐含层。....

图3轴承故障

在对不同故障任务进行识别时，需设置不同网络参数，在正常情况下需通过人工经验来耗费大量时间。因此，需设计一个具有参数自适应能力诊断模型，以此提高轴承故障识别适应性。轴承故障如图3所示。由图3可知，轴承故障位置依次为外圈、密封处、内圈和滚动体。根据该故障位置，提出的一种基于深度学习及....

图4轴承综合特性指标

将NASA预测数据库中的轴承全寿命实验数据作为样本数据进行检测分析，根据运行时间最长的轴承作为研究对象，通过多次检测数据的结果提取每个信号段的指标数据特征。把全寿命信号分为4000个数据段，采用融入原始特征向量之中的局部线性嵌入算法，将第一个非零特征值与对应的特征矢量作为综合特....

本文编号：3967164