[發明專利]基于小波修正貝葉斯卷積能量的水下機器人推進器故障診斷方法

在審

• 申請號: 201811609963.6
• 申請日: 2018-12-27
• 公開（公告）號: CN109696906A
• 公開（公告）日: 2019-04-30
• 發明（設計）人: 殷寶吉;金志坤;唐文獻;林溪;朱華倫;戴名強;周佳惠
• 申請（專利權）人: 江蘇科技大學
• 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

1.一種基于小波修正貝葉斯卷積能量的水下機器人推進器故障診斷方法，其特征在于：包括以下步驟：

第一步，采集和記錄水下機器人速度和推進器控制電壓變化率動態信號，采用長度為L₁的時域窗函數對動態信號進行截取；

第二步，對第一步所得的數據進行常規小波分解，獲得小波近似分量s_A(n)，n為數據序號，n的取值范圍為1～L₁之間的整數；

第三步，采用常規修正貝葉斯算法對第二步所得小波近似分量s_A(n)進行運算，結果為d_sA(n)，其中，修正貝葉斯步長為N₂，計算公式如公式(1)至公式(6)所示；

式(1)至(6)中，d_sA(n)為修正貝葉斯算法處理結果，n為數據序號，n的取值為1～L₁之間的整數；N₂為修正貝葉斯步長，N₂是4～L₁的任意正整數，j₁是一個臨時變量，j₁＝1,2，…，N₂，s_A(n)為第二步所得小波近似分量，s_A0(n)為推進器無故障時水下機器人動態信號小波近似分量，N₃為2～L₁之間的正整數，為中間過程變量；

第四步，對修正貝葉斯計算結果d_sA(n)進行卷積計算，計算過程如公式(7)所示：

s_conv(n)＝d_sA(n)*d_sA(n) (7)

式(7)中，s_conv(n)為d_sA(n)的卷積計算結果；

第五步，提取能量故障特征，構造故障樣本：

在上述所得卷積計算結果s_conv(n)中，確定所有極小值點，將相鄰兩個極小值點之間數據進行求和，所得結果作為這兩個極小值點包含的波峰區域能量，根據此過程計算所有相鄰兩個極小值點所包含的波峰區域能量，得到波峰區域能量分布，從波峰區域能量分布中，選擇最大值作為推進器故障特征；

將水下機器人動態信號s(n)分別實例化為水下機器人速度信號和推進器控制電壓變化率信號，從而得到速度信號故障特征E_U和控制信號故障特征E_C；接著將提取到的故障特征構成故障樣本x＝[E_U E_C]^T；將時間窗函數L₁向右滑動，每滑動一個時間節拍，提取一個故障樣本，滑動N₄個時間節拍，得到故障樣本集X＝{x_i1}，N₄為任意正整數，i₁為故障樣本編號，取值范圍為1～N₄；

第六步，建立推進器故障程度分類模型，具體步驟分兩步：(1)建立單類超球模型；(2)通過多個單類超球模型建立推進器故障程度分類模型；

(1)建立單類超球模型的具體過程為：

將故障樣本集X＝{x_i1}帶入公式(8)進行優化求解，得到一組最優解α＝{α_i1}，最優解中，多數α_i1＝0，少數α_i10，這些大于零的α_i1所對應的故障樣本稱為支持向量，記為x_svi1；將支持向量x_svi1帶入公式(9)，求得超球半徑R；

式(8)～(9)中，C為懲罰系數，K(x_i1,x_j1)＝exp(-||x_i1-x_j1||²/σ²)，N₄為故障樣本數目；

(2)建立推進器故障程度分類模型的過程為：

建立不同故障程度下的單類超球模型^qS，q為故障程度等級，q＝1,2,3,…,Q，Q為故障等級數目，多個單類超球模型^qS共同構成推進器故障程度分類模型；

第七步，故障樣本分類：

采集水下機器人推進器運行狀態未知時的動態信號數據，采用第一步至第五步內容，提取故障特征，構造未知故障樣本x_U，將未知故障樣本x_U帶入公式(10)計算未知故障樣本x_U到各個單類超球模型^qS的廣義距離^qD；

式(10)中，^qD為廣義距離，K(x_i1,x_j1)＝exp(-||x_i1-x_j1||²/σ²)，x_U為未知故障樣本，^qα＝{^qα_i1}為故障程度等級q的故障樣本集^qX＝{^qx_i1}對應一組最優解，N₄為故障樣本數目；

將廣義距離^qD帶入公式(11)計算未知故障樣本x_U到各個單類超球模型的相對距離，相對距離最小值對應的單類超球模型的故障程度，即為該未知故障樣本x_U對應的故障程度；

^qε＝^qD/^qR (11)

式(11)中，^qε未知故障樣本x_U到各個單類超球模型的相對距離，^qD為廣義距離，^qR為單類超球模型^qS的半徑。

2.根據權利要求1所述的基于小波修正貝葉斯卷積能量的水下機器人推進器故障診斷方法，其特征在于：所述第五步中得到波峰區能量后，先同態變換再提取能量故障特征構造故障樣本，具體內容為：

在第四步所得的卷積計算結果s_conv(n)中，確定所有極小值點，將相鄰兩個極小值點之間數據進行求和，所得結果作為這兩個極小值點包含的波峰區域能量，根據此過程計算所有相鄰兩個極小值點所包含的波峰區域能量，得到波峰區域能量分布，從波峰區域能量分布中，選擇波峰區域能量最大值P_max；將P_max帶入公式(12)進行同態變換，結果為E_s，將E_s作為推進器故障特征；

E_s＝log₁₀(P_max) (12)

將水下機器人動態信號s(n)分別實例化為水下機器人速度信號和推進器控制電壓變化率信號，從而得到速度信號故障特征E_U和控制信號故障特征E_C；接著將提取到的故障特征構成故障樣本x＝[E_U E_C]^T；將時間窗函數向右滑動，每滑動一個時間節拍，提取一個故障樣本，滑動N₄個時間節拍，得到故障樣本集X＝{x_i1}，N₄為任意正整數，i₁為故障樣本編號，取值范圍為1～N₄。