CN103245373A - 一种水下机器人传感器故障诊断方法 - Google Patents

Abstract

本发明属于水下机器人技术领域，特别涉及一种用于水下机器人传感器故障诊断的方法。本发明包括设定最大循环次数有效的检测器的数量；设定阈值；判断是否达到最大循环次数；产生检测器；将检测器正常状态信号集合比较；判断故障有效检测器集是否满；将检测器与已知故障集相比较；判断已有的故障记忆有效检测器集。本发明针对水下机器人传感器故障诊断系统，进行故障检测和诊断，采用实数编码，利用欧氏距离计算和判断传感器危险状态，克服了传统阴性选择算法的漏报率高,不能有效辨认异常故障等缺点，提到了水下机器人传感器故障的检测准确率和适用性。

Description

一种水下机器人传感器故障诊断方法

技术领域

本发明属于水下机器人技术领域，特别涉及一种用于水下机器人传感器故障诊断的方法。

背景技术

智能化是水下机器人研究的重要内容,传感器系统的实时监控和故障自主诊断是水下机器人智能化的重要组成部分。随着传感器技术、信号分析技术的发展,智能状态监测技术已经成为传感器状态监测与故障诊断领域的一个重要发展方向。

水下机器人传感器系统的状态监测研究比较少,相关的研究一般均假设传感器系统稳定无障碍或者是针对单个传感器的故障诊断情况。同时水下机器人传感器系统又有其自身的特点和特性。水下机器人的传感器配置一般包括声、视觉传感器和光视觉传感器，有相对独立的自适应处理系统,因此本发明对水下机器人传感器的自主诊断主要针对非视觉传感器而言,即光纤陀螺、多普勒测速仪(DVL)、测高声纳、定位声纳、深度计和GPS。水下机器人上述传感器可能出现故障的形式通常有3种,即(1)传感器输出信息保持不变；(2)传感器输出信息在某时刻突然发生跳变；(3)传感器输出信息在时间轴上振荡。针对这几种故障形式，采用人工免疫系统方法解决该问题。

发明内容

本发明的目的在于提出一种实现对传感器系统异常检测和故障诊断的方法。

本发明的目的是这样实现的：

本发明包括如下步骤：

(1)设定最大循环次数J及有效的检测器的数量L；

(2)设定识别自我匹配的阈值r₁和识别已知故障状态的匹配的阈值r₂；

(3)判断是否达到最大循环次数J，有效的检测器的数量是否达到最大；如果已满足任一条件则停止循环，故障检测器集进行故障检测；如果没有满足任一个条件则执行步骤(4)；

(4)产生检测器Ab={L_D1,L_D2,...,L_DM}，L_D=(l_D1,l_D2,...l_Dj,...,l_DN),(0≤l_Dj≤1,j=1,2,...,N)，N为状态空间维数，M为状态检测向量个数，l_Dj为归一化特征向量属性值；

(5)将检测器Ab={L_D1,L_D2,...,L_DM}和每一个自己集即正常状态信号集合Ag₁={V_S1,V_S2,...,V_SK}，按照距离公式

1≤j≤N相比较，判断是否匹配，如果d_DS<r₁，则匹配，执行步骤(4)；反之不匹配，执行步骤(6)，其中V_S=(v_S1,v_S2,...,v_sj...,v_SN),，0≤v_Sj≤1,j=1,2,...,N，v_Sj为归一化特征向量属性值；

(6)判断故障有效检测器集是否满，如果不满执行步骤(7)；如果满执行步骤(3)；

(7)将检测器Ab={L_D1,L_D2,...,L_DM}与每一个已知故障集Ag₂={V_A1,V_A2,...,V_AL}模式按照距离公式1≤j≤N相比较，判断是否匹配，如果d_DA<r₂，则匹配，执行步骤(8)；否则不匹配则执行(3)，V_A=(v_A1,v_A2,...,v_Aj,...,v_AN),，0≤v_Aj≤1,j=1,2,...,N，v_Aj为归一化特征向量属性值；

(8)判断已有的故障记忆有效检测器集内是否大于等于1，如果大于等于1，计算将要加入记忆有效检测器集的检测器与已有的记忆有效检测器集中每一个检测器的欧氏距离

1≤j≤N，s_Rj为归一化实数向量，如果有一个以上小于阈值d_danger，则抛弃该检测器，执行步骤(3)；如果大于阈值d_danger，检测器则加入到故障的有效检测器集中，同时检测器集1的检测器数量加1，执行步骤(3)。

本发明的有益效果在于：

本发明针对水下机器人传感器故障诊断系统，进行故障检测和诊断，采用实数编码，利用欧氏距离计算和判断传感器危险状态，克服了传统阴性选择算法的漏报率高,不能有效辨认异常故障等缺点，提到了水下机器人传感器故障的检测准确率和适用性。

附图说明

图1水下机器人故障诊断人工免疫系统检测器状态空间模型；

图2水下机器人传感器故障诊断模型；

图3基于人工免疫系统的水下机器人传感器故障诊断步骤。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明采用的技术方案是水下机器人的传感器故障在状态空间（图2）中用特征向量来描述。检测系统随机产生初始抗体—初始故障检测器，再通过进一步的抗原刺激，即特征匹配，使初始抗体变异和成熟，即成为具有全面检测传感器故障的检测器。一方面，成熟的抗体--完全故障检测器可用于设备工作状态的异常检测；另一方面，成熟的抗体记忆了系统不同异常工作状态下的数据模式特征，对这些模式进行进一步的分类或“标记”，其结果可应用于对水下机器人传感器系统的工作状态进行诊断。

本发明的水下机器人传感器故障诊断实施方式如下：

将水下机器人传感器的工作状态分为正常和异常两种。用一个多维的系统状态特征向量(经归一化处理)描述系统的工作状态，被诊断水下机器人传感器的正常工作状态下所获得的系统状态特征向量称为自己模式串，记作V_S，

V_S=(v_S1,v_S2,...,v_sj...,v_SN),，0≤v_Sj≤1,j=1,2,...,N

v_Sj为归一化特征向量属性值。在N维状态空间S^K（图2所示，为不同匹配情况下的阈值），其中，由K个N维自己模式串所组成的抗原集合记为：Ag₁={V_S1,V_S2,...,V_SK}，称为第一类抗原。

被诊断水下机器人传感器异常工作状态下所获得的系统状态特征向量称为非己模式串，记作V_A。

V_A=(v_A1,v_A2,...,v_Aj,...,v_AN),，0≤v_Aj≤1,j=1,2,...,N。

v_Aj为归一化特征向量属性值。在N维状态空间S^K中，由L个N维有效模式串即非己模式串所组成的抗原集合记为：Ag₂={V_A1,V_A2,...,V_AL}，称为第二类抗原。

监测模型负责对检测到的系统状态特征向量进行诊断，学习模型则对频繁出现的状态向量值(自己和非已)作出反应，在需要时对监测模块中的检测器进行动态进化升级，以便故障监控系统对故障模式进行存储记忆。为了保证抗体的多样性，原始状态检测器使用随机方式产生，如果所产生的检测器向量与第一类抗原匹配，则将其删除，重新产生一个随机向量，直到产生足够数量的原始检测器向量为止。第二类抗原则用于不断匹配检测器向量，直到检测器成熟，给出诊断结果。

具体实施过程和步骤如下：

1设定循环的最大次数及有效检测器的数量。

2设定识别自我匹配的阈值r₁和识别已知故障状态的匹配的阈值r₂，为了满足精度要求，选用实数作为阈值。

3判断是否达到最大循环次数和有效检测器的数量是否达到最大；如果已满足以上任一个条件就停止循环，故障检测器集可以用来进行故障检测；如果没有满足任一个条件转向(4)。

4随机在一定范围中产生检测器，在N维状态空间S^M中，由M个N维状态检测向量：L_D=(l_D1,l_D2,...l_Dj,...,l_DN),(0≤l_Dj≤1,j=1,2,...,N)所组成的抗体集合记为：

Ab={L_D1,L_D2,...,L_DM}，称为状态检测器。l_Dj为归一化特征向量属性值。

5将检测器和每一个第一类抗原（正常状态）相比较，判断是否匹配，如果匹配转向4，如果不匹配转向6。

$d_{\mathrm{DS}}=\sqrt{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{(l_{\mathrm{Dj}}-v_{\mathrm{Sj}})}^2},1\&le;j\&le;N$

d_DS<r₁，则发生匹配，否则，不发生匹配。

6判断故障有效检测器集是否满，如果不满转向7；如果满转向3。

7将该检测器与每一个已知故障模式（异常状态）比较是否匹配，如果匹配就转向8；如果不匹配转向3。

$d_{\mathrm{DA}}=\sqrt{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{(d_{\mathrm{Dj}}-v_{\mathrm{Aj}})}^2},1\&le;j\&le;N$

d_DA<r₂，则发生匹配，否则，不发生匹配。

8判断已有的故障记忆有效检测器集内是否大于等于1。如果大于等于1，计算将要加入记忆有效检测器集的检测器与已有的记忆有效检测器集中每一个检测器的欧氏距离如下：

设S_R=(s_R1,s_R2,...,s_RN)均为状态空间上的N维归一化实数向量，N为自然数，表示水下机器人传感器的当前状态，与一类检测器不发生匹配，与二类检测器发生匹配后剩余的成熟检测器L_D=(l_D1,l_D2,...l_Dj,...,l_DN),(0≤l_Dj≤1,j=1,2,...,N)与S_R之间的危险亲和力大小用它们之间的欧氏距离度量，记作：

$d_{\mathrm{DR}}=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(l_{\mathrm{Dj}}-s_{\mathrm{Rj}})}^2},1\&le;j\&le;N$

d_danger为危险距离阈值，d_DR<d_danger，则故障发生可能性大，反之，危险性小。

如果有一个以上小于一定的危险距离阈值，则抛弃该检测器，然后转向(3)；如果大于一定的危险距离阈值，该检测器则加入到故障的有效检测器集中，同时检测器集1的检测器数量加1，然后转向(3)。

本发明将水下机器人传感器系统作为被诊断系统，将传感器故障看作抗原，将正常传感器状态看作抗体，利用免疫阴性选择算法产生正常传感器模式，与传感器工作时的各种模式进行匹配，与正常模式不匹配的确定为故障状态，并进行故障类型识别。

水下机器人传感器系统工作状态的检测分为两个层次进行，第一层次是异常检测，负责报告系统的异常工作状态；第二层次为工作状态或故障诊断，确定故障的类型或发生部位。

水下机器人传感器系统正常工作状态作为第一类抗原，用于以阴性选择方式产生原始抗体—不完全正常工作状态特征。系统异常工作状态作为第二类抗原—异常工作状态特征，用于刺激原始抗体的变异、克隆进化使其成熟，也就是使不完全正常工作状态特征变得完整，成为能够诊断故障的故障诊断器。

成熟抗体(异常检测器)用于系统故障诊断，当其报告异常时，确认其类型或故障发生部位，再将其标记在对应的抗体上，同一种抗体可能同时对应多种故障类型)，当大量抗体被标记时，可将其用作状态或故障诊断器。

成熟抗体(故障诊断器)用于系统故障诊断，利用免疫危险理论，当故障特征与故障诊断器处于一定度量范围，即危险距离内时，就能够实现系统故障诊断，而不必完全匹配。

Claims (1)

1.一种水下机器人传感器故障诊断方法，其特征在于，包括如下步骤：

(1)设定最大循环次数J及有效的检测器的数量L；

(2)设定识别自我匹配的阈值r₁和识别已知故障状态的匹配的阈值r₂；

(3)判断是否达到最大循环次数J，有效的检测器的数量是否达到最大；如果已满足任一条件则停止循环，故障检测器集进行故障检测；如果没有满足任一个条件则执行步骤(4)；

(4)产生检测器Ab={L_D1,L_D2,...,L_DM}，L_D=(l_D1,l_D2,...l_Dj,...,l_DN),(0≤l_Dj≤1,j=1,2,...,N)，N为状态空间维数，M为状态检测向量个数，l_Dj为归一化特征向量属性值；

(5)将检测器Ab={L_D1,L_D2,...,L_DM}和每一个自己集即正常状态信号集合

Ag₁={V_S1,V_S2,...,V_SK}，按照距离公式1≤j≤N相比较，判断是否匹配，如果d_DS<r₁，则匹配，执行步骤(4)；反之不匹配，执行步骤(6)，其中V_S=(v_S1,v_S2,...,v_sj...,v_SN),，0≤v_Sj≤1,j=1,2,...,N，v_Sj为归一化特征向量属性值；

(6)判断故障有效检测器集是否满，如果不满执行步骤(7)；如果满执行步骤(3)；

(7)将检测器Ab={L_D1,L_D2,...,L_DM}与每一个已知故障集Ag₂={V_A1,V_A2,...,V_AL}模式按照距离公式

1≤j≤N相比较，判断是否匹配，如果d_DA<r₂，则匹配，执行步骤(8)；否则不匹配则执行(3)，V_A=(v_A1,v_A2,...,v_Aj,...,v_AN),，0≤v_Aj≤1,j=1,2,...,N，v_Aj为归一化特征向量属性值；

(8)判断已有的故障记忆有效检测器集内是否大于等于1，如果大于等于1，计算将要加入记忆有效检测器集的检测器与已有的记忆有效检测器集中每一个检测器的欧氏距离

1≤j≤N，s_Rj为归一化实数向量，如果有一个以上小于阈值d_danger，则抛弃该检测器，执行步骤(3)；如果大于阈值d_danger，检测器则加入到故障的有效检测器集中，同时检测器集1的检测器数量加1，执行步骤(3)。

Images