自主式水下機(jī)器人推進(jìn)器與傳感器多故障診斷技術(shù)研究.pdf

1、隨著陸地上不可再生資源的日益減少,海洋在人類生存發(fā)展中的地位愈加突出,海洋開(kāi)發(fā)需要先進(jìn)技術(shù)和裝備。水下機(jī)器人是目前唯一能夠在深海環(huán)境中工作的裝備。隨著海洋開(kāi)發(fā)進(jìn)程的加快,對(duì)水下機(jī)器人技術(shù)提出了更高和更迫切的要求。自主式水下機(jī)器人(Autonomous Underwater Vehicle,AUV)無(wú)人無(wú)纜自主完成水下探測(cè)與作業(yè)任務(wù),安全性和可靠性是AUV研究和應(yīng)用中的關(guān)鍵問(wèn)題。狀態(tài)監(jiān)測(cè)與故障診斷是保證AUV安全性的基礎(chǔ)和核心技術(shù),AUV

2、故障診斷理論的研究對(duì)提高其安全性具有重要的科學(xué)意義和實(shí)際應(yīng)用價(jià)值。
　　 本文針對(duì)AUV故障診斷技術(shù)中的多故障并發(fā)診斷問(wèn)題,主要從AUV推進(jìn)器與傳感器故障的隔離與定位、多傳感器并發(fā)故障的檢測(cè)以及多故障模式的動(dòng)態(tài)分類三方面進(jìn)行研究。
　　 針對(duì)AUV推進(jìn)器與傳感器出現(xiàn)單發(fā)或并發(fā)故障時(shí)的故障隔離與定位問(wèn)題,提出一種定量定性診斷方法。該方法通過(guò)建立AUV系統(tǒng)的神經(jīng)網(wǎng)絡(luò)故障檢測(cè)觀測(cè)器模型,基于多源特征信息在模型輸出端直接對(duì)推進(jìn)器

3、和傳感器故障參數(shù)進(jìn)行映射,根據(jù)故障參數(shù)的大小進(jìn)行推進(jìn)器和傳感器故障的隔離;在故障隔離后,根據(jù)推進(jìn)器或傳感器故障時(shí)AUV控制量和狀態(tài)量表現(xiàn)出不同變化趨勢(shì)的特點(diǎn),基于動(dòng)態(tài)趨勢(shì)分析理論,對(duì)AUV控制量和狀態(tài)量的實(shí)時(shí)變化趨勢(shì)進(jìn)行在線提取、辨識(shí)和合并,得到各信號(hào)的實(shí)時(shí)趨勢(shì)基元描述,通過(guò)實(shí)時(shí)趨勢(shì)基元描述與己建立的專家故障知識(shí)庫(kù)中AUV控制量和狀態(tài)量趨勢(shì)基元集合之間的匹配映射,進(jìn)行故障定位。實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法在推進(jìn)器與傳感器故障隔離與定位過(guò)程中的有

4、效性。
　　 針對(duì)AUV多傳感器并發(fā)故障的檢測(cè)問(wèn)題,本文提出一種小波分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障特征提取方法及模糊加權(quán)屬性信息融合的故障檢測(cè)方法。在故障特征提取研究方面,針對(duì)海洋環(huán)境中傳感器故障信號(hào)和噪聲干擾信號(hào)相互混疊的問(wèn)題上,考慮到信號(hào)經(jīng)小波分解后其噪聲信號(hào)與故障信號(hào)在不同分辨率下的細(xì)節(jié)系數(shù)中具有不同傳遞特征的特點(diǎn),提出將細(xì)節(jié)系數(shù)進(jìn)行閾值去噪后重構(gòu)融合的方法獲得反映原信號(hào)整體局部細(xì)節(jié)變化信息的量作為傳感器的一類故障特征值,稱為

5、細(xì)節(jié)殘差;同時(shí)考慮到傳感器故障時(shí),傳感器實(shí)際測(cè)量狀態(tài)值與AUV理論狀態(tài)值存在偏差的特點(diǎn),本文將故障檢測(cè)觀測(cè)器對(duì)AUV理論狀態(tài)值的估計(jì)值與傳感器測(cè)量狀態(tài)值之間的差值作為另一類故障特征值,稱為觀測(cè)殘差。細(xì)節(jié)殘差和觀測(cè)殘差從不同角度構(gòu)成了對(duì)AUV傳感器故障描述的多源故障特征信息。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的故障特征提取方法的有效性。在故障檢測(cè)研究方面,針對(duì)多源故障特征信息到故障描述的一致性問(wèn)題,考慮到故障原因與故障特征之間存在的冗余和矛盾,本文提

6、出一種模糊加權(quán)屬性信息融合的方法。該方法通過(guò)引入多源故障特征的屬性信息,將屬性信息進(jìn)行模糊融合轉(zhuǎn)換以獲得多源故障特征信息對(duì)故障描述的加權(quán)值,對(duì)多源故障特征信息進(jìn)行加權(quán)融合,得到判斷傳感器狀態(tài)的故障值,根據(jù)故障值的大小進(jìn)行傳感器故障的檢測(cè)。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的多傳感器并發(fā)故障檢測(cè)方法的有效性。
　　 在AUV的多故障模式分類方面,針對(duì)傳統(tǒng)支持向量域描述算法只對(duì)一類樣本進(jìn)行訓(xùn)練,且在分類過(guò)程中由于未考慮樣本數(shù)目的不均衡及樣本分布

7、疏密度的不同造成的誤分率較高的問(wèn)題,本文提出一種基于正負(fù)類樣本建模的模糊加權(quán)支持向量域描述算法。該算法在建模過(guò)程中在正類樣本中加入負(fù)類樣本一起進(jìn)行訓(xùn)練,同時(shí)為每個(gè)樣本增加了局部疏密度和類別權(quán)值,使獲得的超球面決策邊界既能很好的包圍目標(biāo)樣本點(diǎn),也能很好的拒絕非目標(biāo)樣本點(diǎn)。對(duì)比實(shí)驗(yàn)表明,本文提出的改進(jìn)算法較之傳統(tǒng)分類算法有更高的分類精度。基于本文改進(jìn)的支持向量域描述算法建立AUV的多故障模式動(dòng)態(tài)分類模型,針對(duì)AUV多故障模式分類過(guò)程中故障模