[發明專利]基于融合信號時域能量與時頻熵的水下推進器故障程度辨識方法

有效

• 申請號: 201811609960.2
• 申請日: 2018-12-27
• 公開（公告）號: CN109683591B
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 殷寶吉;張銘鈞;唐文獻;林溪;陳晨
• 申請（專利權）人: 江蘇科技大學;哈爾濱工程大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 唐紅

1.一種基于融合信號時域能量與時頻熵的水下推進器故障程度辨識方法，其特征在于：包括以下步驟：

第一步，采用長度為L₁的時間窗分別對水下機器人速度信號和推進器控制電壓變化率信號進行截?。?/p>

第二步，對第一步所得數據進行常規小波分解，提取小波近似分量s_A(n)，對小波近似分量s_A(n)進行常規修正貝葉斯運算，得到運算結果d_sA(n)；

第三步，以推進器在第n個時間節拍發生故障為焦元B_n，建立故障證據識別框架Θ＝{B₁,B₂,L,B_n}，通過公式(1)計算故障證據的可信度分配函數m(B_n)，再將m(B_n)實例化為速度信號故障證據的可信度分配函數m_U(B_n)、控制信號故障證據可信度分配函數m_C(B_n)，將m_U(B_n)、m_C(B_n)帶入公式(2)～(3)進行融合，得到融合信號故障證據可信度分配函數m_F(B_n)；

式中，d_SA(n)為水下機器人動態信號小波修正貝葉斯計算結果，i₁為臨時變量，i₁＝1，2，…，N₅，N₅為時間窗長度，即，N₅＝L₁，i₂和j₂為焦元序號，即取值為1～L₁的正整數，K₅為中間過程變量；

第四步，提取融合信號時域能量故障特征F_TP：

對融合信號故障證據可信度分配函數m_F(B_n)進行卷積計算，即m_conv(n)＝m_F(B_n)*m_F(B_n)，確定卷積計算結果m_conv(n)中的所有極小值點，將相鄰兩個極小值點之間的數據進行求和，所得結果作為兩個極小值點之間區域的時域能量，將m_conv(n)中的時域能量最大值作為融合信號時域能量故障特征值F_TP；

第五步，提取融合信號平滑偽維格納-威利分布時頻熵故障特征：

采用平滑偽維格納-威利分布算法，如公式(4)所示，計算融合信號可信度分配函數m_F(B_n)的平滑偽維格納-威利譜SPWVD(n,m)，計算平滑偽維格納-威利譜SPWVD(n,m)的香農熵F_TFH，如公式(5)～公式(6)所示，所得結果作為融合信號時頻熵故障特征值F_TFH；

p(n,m)＝|SPWVD(n,m)|/∑∑|SPWVD(n,m)| (5)

F_TFH＝-∑∑p(n,m)log₂p(n,m) (6)

式中，SPWVD(n,m)為平滑偽維格納-威利譜，n為時間節拍，n為1～L₁之間的整數，m為頻帶序號，m為1～N₄之間的整數，h(k₁)、g(l₂)均為高斯窗函數；

其中，k₁∈[-(K₁-1),(K₁-1)]，l₂∈[-(L₂-1),(L₂-1)]，K₁、L₂分別為不大于(N₄)/4、(N₄)/5的最大整數，z(n)為速度信號的解析值，z*(n)與z(n)共軛，此公式中，i為虛數，即i²＝-1，F_TFH為融合信號時頻熵故障特征值；

第六步，將融合信號時域能量故障特征F_TP、融合信號時頻熵故障特征F_TFH，組成故障樣本x＝[F_TP F_TFH]^T，將步驟一中長度為L₁的時間窗函數向右滑動，每滑動一個時間節拍，獲得一組水下機器人動態信號數據，重復第一步至第六步，獲得一個故障樣本，移動N₆個時間節拍，獲得N₆個故障樣本，N₆為任意正整數；

第七步，采用常規支持向量域描述方法建立超球模型S，得到該超球模型S的超球球心為C、超球模型半徑為R；

第八步，推進器故障程度分類：獲取推進器故障程度為λ_q時的水下機器人動態信號數據，q為推進器故障程度等級，q＝1,2,3，…,Q，Q為推進器故障程度等級數量；

根據第一步至第七步內容，建立多個超球模型^qS，q＝1,2,3，…,Q，且每一個超球模型^qS，用超球球心^qC和超球半徑^qR來描述；

計算測試樣本到超球模型^qS球心^qC的廣義距離^qD，通過公式^qε＝^qD/^qR計算測試樣本到超球模型^qS的相對距離^qε；相對距離^qε最小值對應的超球模型^qS所代表的故障程度λ_q，即為推進器故障程度λ_q。