【技术实现步骤摘要】
本专利技术属于特种车辆动力装置，尤其涉及一种基于自组织映射神经网络聚类和gru神经网络的特种车辆动力装置寿命预测方法。
技术介绍
1、特种车辆动力装置作为动力装置系统，在特种车辆大功率正常工作过程起着关键作用，由于经常需要在高温、高转速等特殊场景下执行任务，特种车辆动力装置对安全可靠性要求极高。特种车辆动力装置寿命预测技术可为运行人员提供动力装置寿命状态预报，为制定特种车辆大功率工作和维修计划提供指导，在确保特种车辆大功率工作安全，降低维修费用等方面具有重要意义。因此，提供一种准确预测特种车辆动力装置寿命的方法显得尤为重要。
2、随着传感器技术和设备的完善，动力装置原始运行数据能够被准确监测和采集，为特种车辆动力装置的寿命预测提供了足够的数据支撑，人工智能和数据挖掘技术的兴起为挖掘历史数据与特种车辆动力装置寿命之间的内在联系提供了可能。然而现存的数据驱动的研究中，多数基于人工知识选择关键信息，或是借助关联度分析方法基于整体数据确定主要信息，这样会导致对各个传感器数据与特种车辆动力装置寿命之间关联关系的挖掘不够充分，同时单一预测模型无法应对特殊场景下的预测需求。因此，如何科学利用历史数据，深度挖掘数据之间的耦合关系，建立适用于不同场景的预测模型对实现动力装置寿命的准确预测有重要意义。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供一种特种车辆动力装置寿命预测方法，实现动力装置寿命的可靠预测，为操作人员制定作业计划提供科学的数据支持。
2、为了实现上
3、步骤1、获取特种车辆大功率数据库中动力装置的特征数据以及相应的剩余寿命指标；
4、步骤2、对步骤1中获取的特征数据进行数据预处理；
5、步骤3、构建特征数据与剩余寿命指标之间的映射数据集；
6、步骤4、使用自组织映射神经网络对步骤3中所述映射数据集中的特征数据进行聚类；
7、步骤5、基于步骤4的聚类结果建立特种车辆动力装置寿命预测模型，将步骤4生成的每一类数据分别当作训练集，分别训练出多个预测模型；
8、步骤6、进行预测时，对于输入的特征数据，先判断特征数据类别，再调用步骤5中对应类别的预测模型进行特种车辆动力装置寿命预测。
9、进一步地，步骤1中所述动力装置的特征数据包括：风扇入口总温度、低压压缩机出口总温度、高压压缩机出口总温度、低压涡轮出口总温度、风扇入口压力、旁路管道总压力、高压压缩机出口总压力、风扇转速、核心轴速度、动力装置压力比、高压压缩机出口静压、风扇修正转速、核心轴修正转速、旁通比、燃烧室燃料空气比、风扇需求速度、风扇需求修正速度、高压涡轮冷却排气量、低压涡轮冷却排气量。
10、进一步地，步骤2中所述数据预处理包括：填补缺失数据、剔除异常数据以及无量纲化处理。
11、进一步地，步骤3中所述的映射数据集中，每一组特征数据与相应的剩余寿命指标之间形成非线性映射关系，多组特征数据与对应的剩余寿命指标构成映射数据集表示为：
12、
13、其中，每一行代表一组训练样本，q(j)表示特种车辆动力装置剩余寿命指标数据，j＝1，2，…，h，ae(j)表示第j个样本第e个状态特征的数值，e＝1，2，…，p，h表示数据集中特种车辆动力装置剩余寿命指标样本的数目，p表示由步骤1确定的特征的数目。
14、进一步地，步骤4包括：
15、步骤4.1、建立自组织映射神经网络：自组织映射神经网络采用长短边神经元个数一致的网络结构，总神经元数目floor表示向下取整；
16、然后进行自组织映射神经网络初始化：初始化竞争层神经元权值，神经元权值向量的维度应与特种车辆动力装置状态特征数据的维度相等，竞争层第i个神经元的初始化权值向量表示为wi＝[wi1,wi2,…,wip],i＝1,2,…,n；
17、步骤4.2、对于步骤3映射数据集中的每一组特征数据a(j)＝[a1(j),a2(j),…,ap(j)],j＝1,2,…,h，计算该组特征数据与每一个神经元权值向量之间的欧式距离，欧式距离最小时的神经元即为该组特征数据对应的获胜神经元；
18、欧式距离计算方法为：
19、
20、dji表示第j组特征数据与第i个神经元的欧式距离；
21、步骤4.3、针对任意一组特征数据，所需更新的除获胜神经元外，还包括获胜神经元邻域内的神经元；获胜邻域内所有神经元均按与获胜神经元的距离远近自适应调整更新幅度；
22、设i为获胜神经元，则邻域内第j个神经元的更新幅度hj,i(t)为：
23、
24、其中，dj,i表示第j个神经元与获胜神经元的欧式距离，σ(t)用于控制高斯邻域的宽度，随迭代次数的增加而衰减，σ0为初始值，t为总迭代次数，t为当前迭代次数；
25、步骤4.4、使用特征数据a(j)遍历更新竞争层每一个神经元，更新方式为：
26、wi(t+1)＝wi(t)+η(t)hj,i(t)[a(j)-wi(t)]
27、其中η(t)为随迭代次数衰减的学习率，η(t)＝1-t/t；wi(t)和wi(t+1)分别为第t次和第t+1次迭代时竞争层第i个神经元的权值；
28、步骤4.5、重复步骤4.2～步骤4.4，遍历步骤3中映射数据集中的每一组特征数据；
29、步骤4.6、对步骤4.2～步骤4.5从t＝1开始重复执行，直到达到总迭代次数t，获得训练完毕的自组织映射神经网络；
30、步骤4.7、将步骤3中映射数据集中的每一组特征数据a(j)＝[a1(j),a2(j),…,ap(j)],j＝1,2,…,h输入到步骤4.6的自组织映射神经网络，得到的获胜神经元的数目即为聚类的类别数目，同一获胜神经元对应的特征数据属同一类别。
31、进一步地，步骤5包括：
32、步骤5.1、将训练集中的特征数据输入至一维卷积神经网络，经卷积计算和池化后，得到特征图；所述卷积计算是以卷积核窗口大小滑动选取特征数据进行卷积计算，并通过非线性函数激活得到特征图；池化是通过特定的窗口对卷积层的输出进行下采样，以减少网络参数；
33、步骤5.2、构建gru网络：将步骤5.1生成特征图的长度作为gru网络输入的维度，将特征图个数作为时间步长，据此设置gru网络超参数；
34、步骤5.3、将步骤5.1生成的多个特征图作为gru网络的输入，对应的特种车辆动力装置剩余寿命指标作为输出，在pytorch深度学习框架下，对一维卷积神经网络和gru网络的权值和阈值参数进行训练；
35、步骤5.4、对步骤4生成的每一类特征数据分别当作训练集，重复步骤5.1～步骤5.3的方法训练对应类别的预测模型。
36、进一步地，步骤6将新采集的特征数据输入至步骤4.6得到的自组织映射神经网络本文档来自技高网...
【技术保护点】
1.一种特种车辆动力装置寿命预测方法，其特征是，包括以下步骤：
2.如权利要求1所述的一种特种车辆动力装置寿命预测方法，其特征是，步骤1中所述动力装置的特征数据包括：风扇入口总温度、低压压缩机出口总温度、高压压缩机出口总温度、低压涡轮出口总温度、风扇入口压力、旁路管道总压力、高压压缩机出口总压力、风扇转速、核心轴速度、动力装置压力比、高压压缩机出口静压、风扇修正转速、核心轴修正转速、旁通比、燃烧室燃料空气比、风扇需求速度、风扇需求修正速度、高压涡轮冷却排气量、低压涡轮冷却排气量。
3.如权利要求1所述的一种特种车辆动力装置寿命预测方法，其特征是，步骤2中所述数据预处理包括：填补缺失数据、剔除异常数据以及无量纲化处理。
4.如权利要求1所述的一种特种车辆动力装置寿命预测方法，其特征是，步骤3中所述的映射数据集中，每一组特征数据与相应的剩余寿命指标之间形成非线性映射关系，多组特征数据与对应的剩余寿命指标构成映射数据集表示为：
5.如权利要求4所述的一种特种车辆动力装置寿命预测方法，其特征是，步骤4包括：
6.如权利要求5所述
7.如权利要求6所述的一种特种车辆动力装置寿命预测方法，其特征是，步骤6将新采集的特征数据输入至步骤4.6得到的自组织映射神经网络，输出新特征数据所属类别，之后调用步骤5中对应类别的预测模型进行预测。
...【技术特征摘要】
1.一种特种车辆动力装置寿命预测方法，其特征是，包括以下步骤：
2.如权利要求1所述的一种特种车辆动力装置寿命预测方法，其特征是，步骤1中所述动力装置的特征数据包括：风扇入口总温度、低压压缩机出口总温度、高压压缩机出口总温度、低压涡轮出口总温度、风扇入口压力、旁路管道总压力、高压压缩机出口总压力、风扇转速、核心轴速度、动力装置压力比、高压压缩机出口静压、风扇修正转速、核心轴修正转速、旁通比、燃烧室燃料空气比、风扇需求速度、风扇需求修正速度、高压涡轮冷却排气量、低压涡轮冷却排气量。
3.如权利要求1所述的一种特种车辆动力装置寿命预测方法，其特征是，步骤2中所述数据预处理包括：填补缺失数据、剔除异常数据以及...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。