【技术实现步骤摘要】
一种基于高斯过程回归的动力设备极端工况性能预测系统
[0001]本专利技术涉及动力设备工况检测领域，尤其是涉及一种基于高斯过程回归和生成对抗网络的动力设备极端工况的性能预测系统。
技术介绍
[0002]在工业
，动力系统性能的预测对于评价动力系统的优劣是尤为重要的。现有的评价动力系统优劣性的方法有两种，一种是进行物理实验，检测动力系统在实验环境下的表现；另一种是建立动力系统的物理模型以及计算机仿真模型，进而进行动力系统的仿真实验，检测其性能。前者需要搭建较为完善的实验台，耗费大量的人力物力及时间资源，且物理实验可以模拟的工况有限，无法检测动力系统在某些极端工况下的性能表现；后者由于动力系统的作用机制较为复杂，很难将影响其性能的各种因素整合到一个确定的数学模型中，所以其仿真实验效果与真实的物理实验存在较大出入。
[0003]随着机器学习、深度学习等人工智能算法的发展与应用，当获取到某一工况下动力系统的输入、输出及环境数据时，即可将其作为训练数据训练模型，用以预测动力系统在该工况下的性能。当合理选择模型及调整参数后...
【技术保护点】
【技术特征摘要】
1.一种基于高斯过程回归的动力设备极端工况性能预测系统，其特征在于，该系统包括：常规工况数据采集单元：用以通过传感设备动态获取动力设备在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；服务器单元：接收常规工况数据进行预处理形成常规工况数据集，构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型，将训练好的高斯过程回归模型通过数据传输单元反馈给终端处理单元，并通过人机交互单元人工输入数据，进行动力设备极端工况性能预测并通过人机交互单元将预测结果进行展示。2.根据权利要求1所述的一种基于高斯过程回归的动力设备极端工况性能预测系统，其特征在于，所述的动力设备的系统输入数据具体为表征运行状态的物理量，动力设备的系统输出数据具体为在运行过程中表征其性能的物理量，环境数据具体为在动力设备运行过程中所处的温度、大气压以及量化后的振动数据，所述的常规工况数据均为时间序列数据，具体为按照设定的采样频率采集一段时间间隔内随时间变化的序列。3.根据权利要求2所述的一种基于高斯过程回归的动力设备极端工况性能预测系统，其特征在于，将系统输入数据和环境数据作为模型输入，将系统输出作为模型输出，根据不同的动力设备及预测项目，选择不同的模型输入、输出，具体为：同的动力设备及预测项目，选择不同的模型输入、输出，具体为：4.根据权利要求2所述的一种基于高斯过程回归的动力设备极端工况性能预测系统，其特征在于，所述的服务器单元中，通过数据预处理单元对常规工况数据并进行预处理，包
括去奇异值、平滑和归一化处理，并进行整理数据形式后随机选取部分训练数据，分别采用多个核函数进行快速拟合，选择拟合效果最好的核函数作为高斯过程回归模型的核函数，所述的多个核函数包括SE、MA、RQ和SM。5.根据权利要求4所述的一种基于高斯过程回归的动力设备极端工况性能预测系统，其特征在于，所述的服务器单元中，通过模型预训练单元对高斯过程回归模型进行标准工况的训练，具体为：根据训练数据及核函数确定负对数边际似然函数，得到一个以负对数边际似然函数为目标函数，以超参数为决策变量的最优化问题，求解该最优化问题，即得到合适的超参数，完成高斯过程回归模型的训练，并将高斯过程回归模型记为G
h
，其中，h为高斯过程回归模型的超参数。6.根据权利要求4所述的一种基于高斯过程回归的动力设备极端工况性能预测系统，其特征在于，所述的服务器单元中，通过模型极端训练单元对高斯过程回归模型进行极端工况的训练，具体为：1)初始化神经网络模型D
ω
，其中，ω为神经网络模型的参数，输出层的激活函数为Sigmoid函数；2)采样得到训练数据的DG函数；3)执行模型极端训练算法，完成极端工况的训练。7.根据权利要求6所述的一种基于高斯过程回...
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。