基于SVR算法的AUV推進(jìn)器故障預(yù)測(cè)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，開(kāi)發(fā)海洋資源受到世界海洋國(guó)家的重視。開(kāi)發(fā)海洋需要先進(jìn)的技術(shù)和裝備，水下機(jī)器人作為目前能在深海中作業(yè)的唯一裝備，受到人們的重視。無(wú)人無(wú)纜自主式水下機(jī)器人（AUV）自主工作在復(fù)雜的水下環(huán)境中，安全性是AUV研制和實(shí)用化過(guò)程中需要研究的重要問(wèn)題之一，故障診斷技術(shù)是確保AUV安全性的基礎(chǔ)技術(shù)。推進(jìn)器是AUV中使用頻率最高、工作負(fù)荷最重的部件，也是水下機(jī)器人最常見(jiàn)故障源。結(jié)合AUV所工作的環(huán)境及其自身強(qiáng)非線(xiàn)性的特

2、點(diǎn)，研究推進(jìn)器故障診斷技術(shù)，對(duì)于提高AUV安全性、加快其實(shí)用化進(jìn)程具有重要研究意義和實(shí)用價(jià)值。
　　本文針對(duì)AUV推進(jìn)器故障的故障特征預(yù)測(cè)問(wèn)題，分別從故障預(yù)測(cè)診斷方案、狀態(tài)量故障特征提取方法、控制量故障特征提取方法、故障特征量預(yù)測(cè)模型建立方法四個(gè)方面進(jìn)行研究。
　　研究AUV故障診斷預(yù)測(cè)方案。由于AUV工作在海洋環(huán)境中，受海流等隨機(jī)干擾，且 AUV自身具有強(qiáng)非線(xiàn)性，難以建立 AUV準(zhǔn)確的故障預(yù)測(cè)模型。針對(duì)此問(wèn)題，本文提出一種

3、基于支持向量回歸（SVR）和經(jīng)驗(yàn)?zāi)B(tài)分解算法相融合故障預(yù)測(cè)診斷總體方案。該方案針對(duì)AUV的在線(xiàn)數(shù)據(jù)集，提取各個(gè)時(shí)間段的故障特征值，建立 AUV推進(jìn)器的故障特征預(yù)測(cè)診斷模型。通過(guò)“海貍-II”號(hào) AUV實(shí)驗(yàn)樣機(jī)模擬推進(jìn)器出力故障的診斷結(jié)果，驗(yàn)證本文方案的有效性。
　　研究從AUV狀態(tài)量中推進(jìn)器故障特征提取方法。傳統(tǒng)的基于分形維數(shù)和修正的貝葉斯方法從狀態(tài)量提取的故障特征中包含有傳感器噪聲引起的隨機(jī)干擾，該隨機(jī)干擾障特征值可能大于故障特

4、征值導(dǎo)致故障診斷結(jié)果錯(cuò)誤。針對(duì)此問(wèn)題，本文提出基于經(jīng)驗(yàn)?zāi)B(tài)分解、頻率或幅度差上的突變（SHFC）定位算法、分形維數(shù)相結(jié)合的從狀態(tài)量中提取故障特征的方法?；凇昂Ｘ?II”號(hào)AUV實(shí)驗(yàn)樣機(jī)推進(jìn)器故障模擬水池實(shí)驗(yàn)數(shù)據(jù)，通過(guò)對(duì)比本文方法與傳統(tǒng)修正貝葉斯和分形維數(shù)方法的故障特征提取效果，驗(yàn)證本文的有效性。本文在實(shí)驗(yàn)研究中發(fā)現(xiàn)，本文采用的分形維數(shù)方法自帶嵌入維數(shù)這一參數(shù)，而故障特征提取效果依賴(lài)于嵌入維數(shù)的選擇。針對(duì)嵌入維數(shù)的選取對(duì)故障特征提取如何

5、影響的問(wèn)題，本文采用直接實(shí)驗(yàn)法對(duì)嵌入維數(shù)值進(jìn)行了選擇，通過(guò)采用不同參數(shù)對(duì)故障特征進(jìn)行提取，選取了最佳的故障特征提取維數(shù)參數(shù)。
　　研究從AUV控制量中推進(jìn)器故障特征提取方法。傳統(tǒng)分形維數(shù)方法是一種故障特征提取方法，本身不具有故障辨識(shí)能力，并且在本文的故障特征提取過(guò)程中，存在故障特征提取計(jì)算時(shí)間長(zhǎng)的缺陷。針對(duì)此問(wèn)題，本文提出建立多個(gè) SVR特征模型的故障特征提取及辨識(shí)的改進(jìn)方法。同時(shí)本文基于“海貍-II”號(hào)AUV實(shí)驗(yàn)樣機(jī)模擬推進(jìn)器出

6、力故障水池實(shí)驗(yàn)數(shù)據(jù)，通過(guò)對(duì)比本文改進(jìn)方法與分形維數(shù)方法故障特征提取結(jié)果，驗(yàn)證本文改進(jìn)方法的有效性。
　　研究基于預(yù)測(cè)模型的AUV故障預(yù)測(cè)診斷方法。針對(duì)傳統(tǒng)的模糊定性模型故障診斷方法，數(shù)據(jù)量有限，以及水下環(huán)境復(fù)雜，數(shù)據(jù)波動(dòng)較大，使得模糊定性模型故障診斷方法對(duì)推進(jìn)器故障檢測(cè)能力較差的問(wèn)題。本文以控制量、狀態(tài)量以及控制量和狀態(tài)量的融合故障特征作為學(xué)習(xí)數(shù)據(jù)，建立 SVR故障特征預(yù)測(cè)模型，通過(guò)對(duì)該模型輸出信號(hào)和實(shí)際輸出信號(hào)之間的殘差是否超過(guò)