基于ICSA-VS-bpNet的装甲车辆底盘发动机的故障预测方法技术

本发明专利技术公开了基于ICSA

【技术实现步骤摘要】
基于ICSA
‑
VS
‑
bpNet的装甲车辆底盘发动机的故障预测方法


[0001]本专利技术涉及故障预测
，具体为基于ICSA
‑
VS
‑
bpNet的装甲车辆底盘发动机的故障预测方法。

技术介绍

[0002]现在科学技术的进步和发展，推动着装甲车辆底盘发动机日益向高效化、精密化和自动化的方向发展。这些进展一方面的确满足了提高生产率、降低生产成本、节约能源等部队武器装备发展的客观需求，取得了巨大的性能效应[1]；但另外一方面，作为装甲车辆最核心的部件，负责输出全部动力的底盘发动机，对其设计、制造、安装、使用、维修和安全可靠的运行提出了更高的要求。发动机系统一旦发生故障，则会影响到整个装甲车辆的正常使用。
[0003]针对这种情况，世界各国普遍对发动机系统开展了实时监测和故障预测工作，能够实时监测发动机的健康状态并且预测故障状态。[2
‑
3]。文献[4]基于融合知识图谱与多元神经网络进行发动机故障预测，算法虽然能够实现将多源异种数据结构化进行训练，但依旧缺乏更多更可靠的故障维修事实性认识。文献[5]提出了一种基于双向LSTM的故障预测模型，算法预测结果与实际的剩余寿命值误差较小，但对模型中间层的输出解释不够，是的对不同应用的有效性不够。文献[6]基于相关系数与神经网络的故障预测方法，同时利用PSO算法优化网络参数，但针对不明显的特征数据无法做出有效预测。文献[7]采用模糊聚类理论设计了一套数据挖掘模型，但模型需要较为准确的隶属度函数因此准确度较低。文献[8]引入遗传算法并构建神经网络误差补偿器，提出了GBPGA动态组合预测模型，能够有效判断出柴油机的故障形式，但对于不同时间序列的柴油机参数评估与趋势预测存在缺陷。文献[9]提出的概率神经网络模型能够有效地进行诊断和预测柴油发动机存在的故障，但如何使柴油机保持最佳运行状态仍待研究。文献[10]利用支持向量机建立了故障预测模型，能够较为准确地实现故障预测，但其核函数选择的标准无法确定。传统免疫克隆选择算法已经广泛运用在故障诊断[11]、空气质量评价[12]、行为识别[13]和机器人控制[14]等。该算法在记忆单元基础上运行，记忆单元中保留着亲和度较高的多个抗体，是一个抗体集，能够有保障的快速收敛得到全局最优解。但传统免疫克隆算法也存在一些不足[14]：搜索精度较快，但局部搜索精度不高；没有抗体基因交叉现象；多峰搜索能力效果不佳，训练时间长；仅考虑对亲和度较高的抗体群进行克隆和突变，种群多样性不佳。
[0004]因此，设计实用性强的基于ICSA
‑
VS
‑
bpNet的装甲车辆底盘发动机的故障预测方法是很有必要的。

技术实现思路

[0005]本专利技术的目的在于提供基于ICSA
‑
VS
‑
bpNet的装甲车辆底盘发动机的故障预测方法，以解决上述
技术介绍
中提出的问题。
[0006]为了解决上述技术问题，本专利技术提供如下技术方案：
[0007]基于ICSA
‑
VS
‑
bpNet的装甲车辆底盘发动机的故障预测方法，包括构建神经网络与免疫克隆抗体的群体生成两部分，包括以下步骤：
[0008]S100、基于柴油机类型，设定六合一油液传感器，构建信号获取模型，其采集信号包括温度、水活性、粘度、温度、密度、介电常数及磨粒；
[0009]S200、构建神经网络：BP神经网络有输入层、隐含层和输出层，包括信号正向传播和误差反向传播两个过程。即误差输出沿输入到输出的方向计算，权值和阈值沿输出到输入的方向调整，BP神经网络模型由个m节点的输入层，n个节点的隐含层和p个节点的输出层构成；
[0010]S300、抗体克隆的规模：在优秀记忆库X
M
中，根据亲和度大小进行克隆；
[0011]S400、疫苗的提取：通过疫苗接种的引进，在抗体变异过程中保留抗体的优良特征，提高产生优良抗体以及基因的比例；
[0012]S500、疫苗的选择：基于ICSA
‑
VS采用蒙卡罗法，根据个体选择概率的比例，将个体的亲和性转化为个体选择概率，依据个体选择概率的比例将个体按比例划分在一个圆盘上；
[0013]S600、疫苗的接种：基于二进制选取接种疫苗的基因位，并基于轮盘赌策略选取疫苗，将选取的疫苗接种与选取的基因位；
[0014]S700、得到ICSA
‑
VS
‑
bpNet对发动机底盘进行故障预测的模型。
[0015]根据上述技术方案，所述S200的具体方法为：
[0016]模型建立初期，随机设置连接权值W，以及隐含层和输出层的阈值γ
j
、θ
k
。
[0017]隐含层的输出：
[0018]H
j
＝f(α
j
‑
γ
j
)
ꢀꢀ
(3)
[0019]其中：
[0020][0021]式中：
[0022]H
j
‑‑‑‑‑‑
第j个隐含层的输出值；
[0023]γ
j
‑‑‑‑‑‑
第j个隐含层的阈值；
[0024]F
‑‑‑‑‑‑‑
隐含层激励函数；
[0025]α
j
‑‑‑‑‑‑
第j个隐含层的输入；
[0026]输出层输出Y
k
的计算公式为：
[0027][0028]其中：
[0029][0030]G
‑‑‑‑‑‑‑‑
输出层激励函数
[0031]‑‑‑‑‑‑‑‑
第k个输出层的阈值
[0032]β
k
‑‑‑‑‑‑‑‑
第k个输出层的输入
[0033]L
‑‑‑‑‑‑‑‑
输出层的节点个数
[0034]由网络预测输出Y和期望输出O，计算均方误差E
k
：
[0035][0036]任意参数v
i+1
＝v
i
+Δv
i
；
[0037]BP神经网络算法基于梯度下降策略，根据目标的负梯度方向调整权重和阈值。根据计算出的均方误差E
k
，设定学习速率η。W
j，k
的调整方法为：
[0038][0039][0040]得：
[0041][0042][0043]输出层的阈值的更新方法为：
[0044][0045][0046]根据上述算法对权值、阈值进行迭代调整，若迭代算法结束，则输出相关结果；若迭代算法未结束，则返回重复该训练过程。
[0047]根据上述技术方案，所述S300的抗体克隆规模设定方法为：
[0048]抗体克隆规模的大小与亲和度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ICSA
‑
VS
‑
bpNet的装甲车辆底盘发动机的故障预测方法，包括构建神经网络与免疫克隆抗体的群体生成两部分，其特征在于，包括以下步骤：S100、基于柴油机类型，设定六合一油液传感器，构建信号获取模型，其采集信号包括温度、水活性、粘度、温度、密度、介电常数及磨粒；S200、构建神经网络：BP神经网络有输入层、隐含层和输出层，包括信号正向传播和误差反向传播两个过程。即误差输出沿输入到输出的方向计算，权值和阈值沿输出到输入的方向调整，BP神经网络模型由个m节点的输入层，n个节点的隐含层和p个节点的输出层构成；S300、抗体克隆的规模：在优秀记忆库X
M
中，根据亲和度大小进行克隆；S400、疫苗的提取：通过疫苗接种的引进，在抗体变异过程中保留抗体的优良特征，提高产生优良抗体以及基因的比例；S500、疫苗的选择：基于ICSA
‑
VS采用蒙卡罗法，根据个体选择概率的比例，将个体的亲和性转化为个体选择概率，依据个体选择概率的比例将个体按比例划分在一个圆盘上；S600、疫苗的接种：基于二进制选取接种疫苗的基因位，并基于轮盘赌策略选取疫苗，将选取的疫苗接种与选取的基因位；S700、得到ICSA
‑
VS
‑
bpNet对发动机底盘进行故障预测的模型。2.根据权利要求1所述的基于ICSA
‑
VS
‑
bpNet的装甲车辆底盘发动机的故障预测方法，其特征在于：所述S200的具体方法为：模型建立初期，随机设置连接权值W，以及隐含层和输出层的阈值γ
j
、θ
k
。隐含层的输出：H
j
＝f(α
j
‑
γ
j
)
ꢀꢀꢀ
(3)其中：式中：H
j
‑‑‑‑‑‑
第j个隐含层的输出值；γ
j
‑‑‑‑‑‑
第j个隐含层的阈值；F
‑‑‑‑‑‑‑
隐含层激励函数；α
j
‑‑‑‑‑‑
第j个隐含层的输入；输出层输出Y
k
的计算公式为：其中：G
‑‑‑‑‑‑‑‑
输出层激励函数
‑‑‑‑‑‑‑‑
第k个输出层的阈值β
k
‑‑‑‑‑‑‑‑
第k个输出层的输入L
‑‑‑‑‑‑‑‑
输出层的节点个数由网络预测输出Y和期望输出O，计算均方误差E
k
：
任意参数v
i+1
＝v
i
+Δv
i
；BP神经网络算法基于梯度下降策略，根据目标的负梯度方向调整权重和阈值。根据计算出的均方误差E
k
，设定学习速率η。W
j，k
的调整方法为：的调整方法为：得：得：输出层的阈值的更新方法为：输出层的阈值的更新方法为：根据上述算法对权值、阈值进行迭代调整，若迭代算法结束，则输出相关结果；若迭代算法未结束，则返回重复该训练过程。3.根据权利要求1所述的基于ICSA
‑
VS
‑
bpNet的装甲车辆底盘发动机的故障预测方法，其特征在于：所述S300的抗体克隆规模设定方法为：抗体克隆规模的大小与亲和度成正比，亲和度越高的抗体，越接近最佳解决方案的抗体被克隆数就越多，选择抗体克隆规模的大小计算公式为k＝N
‑
1，其中N为优秀抗体的规模。4.根据权利要求1所述的基于ICSA
‑
VS
‑
bpNet的装甲车辆底盘发动机的故障预测方法，其特征在于：所述S400的具体方法为：改进的免疫克隆选择算法中在每次迭代时提前将优秀记忆库X
M
中的抗体作为候选疫苗集，候选疫...

【专利技术属性】
技术研发人员：李英顺，左洋，鲁飞，郭占男，刘海洋，赵玉鑫，匡博琪，郭丽楠，
申请(专利权)人：沈阳顺义科技有限公司，
类型：发明
国别省市：