基于PCA-KLD與深度學習的供輸彈系統(tǒng)故障預示研究.pdf

1、供輸彈系統(tǒng)承擔著火炮等武器系統(tǒng)的核心工作任務，其動作卡滯故障嚴重制約戰(zhàn)機的把握，所以對其進行狀態(tài)監(jiān)測并對潛在故障進行預示意義重大。
　　本文對中口徑轉管火炮供輸彈系統(tǒng)的工作原理、常見故障進行了分析，并以此為基礎進行測點布置與多場信號采集。針對其多場信號存在高噪聲的問題，采用了基于雙正交樣條小波的自適應分塊閾值降噪法，該方法核心為將Stein無偏風險估計作為約束條件，對閾值和鄰域分塊長度進行自適應優(yōu)選。該方法相比分塊閾值和相鄰系數(shù)小

2、波降噪，對微弱沖擊保留情況最好，且與仿真沖擊信號的相關系數(shù)最大、均方根誤差最小，且可突出實測信號中1～10倍工頻頻譜能量。之后針對供輸彈系統(tǒng)信號中成分復雜的問題，運用主成分分析(PCA)與輪廓似然率相結合的方法對其進行數(shù)據(jù)降維，在抑制冗余成分的同時保證故障識別的敏感度，并通過簡單均勻分布模擬數(shù)據(jù)對該方法的有效性進行了驗證。接著闡述了潛在故障預示的思路:通過參照工況構建PCA模型，找出未知工況與參照工況在主成分軸上潛分數(shù)分布的概率密度函數(shù)

3、間的差異，并通過Kullback-Leibler散度(KLD)進行表征。之后對KLD的潛在故障識別能力進行了驗證:發(fā)現(xiàn)在數(shù)據(jù)概率分布未知的情況下，KLD比威克森等級和檢驗表現(xiàn)出更好的潛在故障識別能力。之后在雙正交樣條小波框架內設置了小波的選取準則，并對供輸彈系統(tǒng)實測信號構建小波時頻圖作為PCA-KLD法的輸入數(shù)據(jù)。由于信號頻譜能量主要集中于倍工頻序列頻率點，故將倍工頻序列轉化為尺度序列，代入到小波時頻圖的計算中。之后通過三種正常工況數(shù)據(jù)