[發明專利]一種水下慣性基多源導航系統聯合故障智能診斷方法

在審

• 申請號: 202310675229.4
• 申請日: 2023-06-08
• 公開（公告）號: CN116522174A
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 孫騫;劉瓦;李凌莉;田京鷺;鄒珺婧;趙云龍;李一兵;葉方
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F18/23
• 分類號: G06F18/23;G06F18/214;G06F18/213;G06F18/241;G06N3/0442;G06N3/0464;G06N3/048;G06N3/0985;G06N3/08;G01C25/00
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 姜明君

1.一種水下慣性基多源導航系統聯合故障智能診斷方法，其特征在于，所述診斷方法包括以下步驟：

步驟1：基于歷史數據對故障數據數量進行評判；

步驟2：判斷故障數據的訓練樣本是否大于閾值，若大于閾值則進行步驟3，若小于閾值則進行步驟4；

步驟3：使用基于GCN-LSTM時空組合模型的故障診斷方法進行故障診斷；

步驟4：使用基于FMM-ML模型的故障診斷方法進行故障診斷；

步驟5：將步驟3或步驟4的故障診斷存入歷史數據庫中,為下次故障診斷提高訓練樣本，從而提高AUV多源導航系統在實際工作中的故障診斷性能。

2.根據權利要求1所述的一種水下慣性基多源導航系統聯合故障智能診斷方法，其特征在于，所述步驟1的歷史信息包括基多源導航系統的所有可用導航測量信息和一定長度序列歷史數據。

3.根據權利要求1所述的一種水下慣性基多源導航系統聯合故障智能診斷方法，其特征在于，所述步驟2的閾值具體基于先驗知識及樣本總量大小確定。

4.根據權利要求1所述的一種水下慣性基多源導航系統聯合故障智能診斷方法，其特征在于，所述步驟3具體包括以下步驟：

步驟3.1：采集并存儲慣性基多源導航系統的所有可用導航測量信息；

步驟3.2：從中調取時空域故障模型、一定長度序列歷史數據以及歷史數據對應時刻的因子圖拓撲網絡結構；

步驟3.3：利用GCN模型對導航信息以及導航故障信息的空間特性進行提取；

步驟3.4：利用LSTM模型對導航信息以及導航故障信息的時間特性進行提取；

步驟3.5：將步驟3.3所提取的空間特性和步驟3.4所提取的時間特性與多源導航系統的因子圖拓撲網絡結構相結合，得到捕獲故障狀態演變的微小變化特征并將特征映射到樣本空間；

步驟3.6：將經過步驟3.1-3.5診斷的慣性基多源導航數據和故障數據添加至歷史數據庫中。

5.根據權利要求4所述的一種水下慣性基多源導航系統聯合故障智能診斷方法，其特征在于，所述步驟3.5中還包括，使用全連接層對學習得到的故障特征進行整合和降維，從而得到故障狀態演變的微小變化特征。

6.根據權利要求1所述的一種水下慣性基多源導航系統聯合故障智能診斷方法，其特征在于，所述步驟4具體包括以下步驟，

步驟4.1：將每個訓練樣本與測試樣本都送入FMM-ML模型的特征提取網絡中進行故障特征提取；

步驟4.2：將提取后的訓練樣本的特征和測試樣本的特征進行一一匹配組成故障特征對；

步驟4.3：將故障特征對送入特征匹配網絡中輸出不同特征對之間的相關分數，該值作為相似度評價準則；

步驟4.4：求取待定故障樣本的故障類型。

7.根據權利要求6所述一種水下慣性基多源導航系統聯合故障智能診斷方法，其特征在于，所述步驟4.4具體為，故障診斷的過程中，在模型訓練階段，通過網絡輸出的相關分數來計算網絡模型的損失值，在模型測試階段，將網絡輸出的相關分數送入Sigmoid函數中，從而求取待定故障樣本的故障類型。

8.一種水下慣性基多源導航系統聯合故障智能診斷系統，其特征在于，所述故障智能診斷系統基于權利要求1所述故障智能診斷方法，所述故障智能診斷系統包括評判模塊、判斷模塊、GCN-LSTM時空組合模塊、FMM-ML模塊、

所述評判模塊：基于歷史數據對故障數據數量進行評判；

所述判斷模塊：判斷故障數據的訓練樣本是否大于閾值，若大于閾值則進行步驟3，若小于閾值則進行步驟4；

所述GCN-LSTM時空組合模塊：使用基于GCN-LSTM時空組合模型的故障診斷方法進行故障診斷；

所述FMM-ML模塊：使用基于FMM-ML模型的故障診斷方法進行故障診斷；將故障診斷存入歷史數據庫中,為下次故障診斷提高訓練樣本，從而提高AUV多源導航系統在實際工作中的故障診斷性能。