基于改進SVDD方法的AUV推進器故障診斷技術研究.pdf

1、隨著人類海洋開發(fā)戰(zhàn)略的空前拓展，水下機器人技術作為人類進行海洋領域探索進程中最重要的手段，已然受到人們的重視并得到快速發(fā)展。自主式水下機器人(Autonomous Underwater Vehicle，AUV)無人無纜工作在復雜海洋環(huán)境中，安全性與可靠性是其邁向實用化過程中的重要前提。作為AUV工作負荷最重的功能部件，推進器成為了AUV最常見也是最重要的故障源。結合AUV所工作的環(huán)境及AUV本身強非線性系統(tǒng)的特點，研究AUV推進器故障診

2、斷技術，對于提高AUV安全性和智能化水平具有重要研究意義和實用價值。
　　本文在AUV實驗平臺系統(tǒng)設計及推進器系統(tǒng)研究的基礎上，針對AUV推進器故障診斷技術中存在的樣本不均衡性、不完備性及故障辨識問題，建立推進器故障分類模型，并研究分類模型參數(shù)優(yōu)化以及故障辨識技術。
　　研究AUV載體技術及推進系統(tǒng)。為了能夠實現(xiàn)對AUV推進器的狀態(tài)監(jiān)測與智能診斷，并驗證所提出方法的可行性，本文設計AUV主控制系統(tǒng)及推進系統(tǒng)，研制水下機器人實

3、驗平臺，并基于水池實驗數(shù)據(jù)建立AUV推進器動力學模型。
　　研究AUV推進器故障分類方法。由于海洋環(huán)境中存在海流等隨機干擾，且 AUV自身具有強非線性與大時延的特點，難以對AUV建立精確的數(shù)學模型，使得傳統(tǒng)的基于解析模型的方法在AUV推進器故障診斷領域受到了很大的限制。針對該問題，本文提出一種基于支持向量域描述算法（Support Vector Domain Description,SVDD）的AUV推進器故障模式分類方法。該方法

4、針對AUV各故障模式下的歷史數(shù)據(jù)集，構建最小封閉超球，建立 AUV推進器故障分類模型。通過水池實驗所得 AUV推進器正常及不同程度出力故障數(shù)據(jù)的分類結果，驗證SVDD故障分類方法的有效性。
　　研究 SVDD分類模型核參數(shù)優(yōu)化方法。由于核參數(shù)的介入，SVDD對數(shù)據(jù)描述的方式更加靈活，但從另一方面也使得 SVDD的分類性能依賴于其核參數(shù)的選擇。針對SVDD分類模型核參數(shù)優(yōu)化問題，本文根據(jù)實驗數(shù)據(jù)分析核參數(shù)對其分類性能的影響，提出一種

5、描述映射數(shù)據(jù)在高維空間分布形式及規(guī)律的方法，并根據(jù)最大熵原則進行核參數(shù)的優(yōu)化測度，實現(xiàn)SVDD分類模型的核參數(shù)優(yōu)化，以提高SVDD模型的分類性能。針對水池實驗條件下所得的多個 SVDD分類模型，分別基于本文方法與傳統(tǒng)交叉驗證方法對核參數(shù)進行優(yōu)化，通過對比結果驗證本文所提出核參數(shù)優(yōu)化方法的有效性。
　　研究基于 SVDD的故障辨識方法。由于故障實驗所得數(shù)據(jù)的完備性有限，并且傳統(tǒng)的SVDD方法為單分類方法，本身不具有故障辨識能力。針對