CN104678768A - 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 - Google Patents

Abstract

本发明提供的是一种基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法。通过粒子群优化算法对单稳态随机共振系统结构参数进行优化，以实现AUV控制信号和状态信号的自适应随机共振，并提高其随机共振效果，通过随机共振现象最终达到抑制AUV控制信号和状态信号中所含外部随机干扰，增强故障信号特征的目的。本发明解决传统单参数固定步长自适应随机共振方法优于忽略了参数之间的交互作用而导致的结构参数选取缺乏合理的理论依据，以及难以实现最优随机共振效果的问题，经自适应随机共振系统处理后的AUV控制信号和状态信号，抑制了外部干扰且增强了故障信号特征，可用于AUV推进器故障诊断、容错控制等领域。

Description

基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法

技术领域

本发明涉及的是一种自主式水下机器人推进器故障诊断、容错控制方法。

背景技术

随着陆地资源日渐减少，人类开发海洋的步伐越来越快。自主式水下机器人(AUV：Autonomous Underwater Vehicle)是目前唯一能够在无人情况下在深海进行探测、开发的载体，一直受到国内外研究人员的高度重视。推进器是AUV最重要的执行部件且负荷最重，一旦其出现故障直接影响AUV的安全性。对AUV推进器状态进行故障诊断，是提高AUV安全性的重要技术手段。

由于外部干扰的影响，直接采用传感器采集到的AUV控制信号和状态信号进行故障诊断效果不佳，存在容易误检和漏检的问题。目前的外部干扰抑制方法能够有效抑制AUV信号中所含外部干扰，但在抑制的同时也极易造成过抑制问题，即对于故障诊断极为重要的信号特征也被抑制，影响故障诊断的准确性。随机共振理论是在研究古气象冰川问题时提出的，它是指在一个非线性双稳系统中，当仅在周期信号的驱动下，不足以使系统输出在两个稳态间进行跃迁，但在噪声的协助下，系统输出会按信号频率在两稳态间进行切换，从而达到抑制噪声并强化周期信号的效果。

为实现信号的随机共振，传统方法通常采用向原信号中添加噪声或固定系统一个结构参数并按固定步长调节另一个结构参数的自适应调整策略。但在研究AUV信号随机共振的过程中发现，AUV信号中外部干扰与真实故障信号耦合在一起难以剥离，添加噪声的方法难以实现其随机共振；固定一个参数调整另一个参数的调整策略能够实现AUV信号随机共振，但由于只对单一参数进行自适应调整，忽略了参数之间的交互作用，存在随机共振系统参数选取缺乏合理的理论依据以及难以实现最优随机共振效果的问题。

发明内容

本发明的目的在于提供一种能抑制外部干扰、增强故障信号特征、提高故障诊断的准确性的基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法。

本发明的目的是这样实现的：

(1)首先，对自主式水下机器人采集到的数据进行滑动窗处理，当采集到数据长度为L的传感器和控制器信号后开始检测，当再次采集到新的数据后，舍弃原数组第一个数据并将新采集回来的数据放在原数组的末尾，始终保持数据长度为L＝250～500；

(2)采用粒子群优化算法对单稳态随机共振系统结构参数进行优化，首先进行种群初始化，具体方法为：设置单稳系统结构参数a、b的搜索范围在[0,7]区间，T_max＝100，随机初始化N＝50个粒子组成一个种群；

(3)采用式所示的单稳态随机共振模型处理自主式水下机器人信号，式中x(t)为单稳随机共振系统输出信号，为中x(t)的导数，s(t)为步骤(1)所述的自主式水下机器人控制信号和状态信号，a、b为单稳随机共振系统结构参数；

(4)采用互相关系数R作为适应度函数来评价粒子的个体适应度，R值越大则粒子的适应性越好；R由式 $R=\frac{\underset{j=1}{\overset{L}{\mathrm{\Σ}}}(s\left(j\right)-\stackrel{\‾}{s})(x\left(j\right)-\stackrel{\‾}{x})}{\sqrt{\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{(s\left(j\right)-\stackrel{\‾}{s})}^2\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{(x\left(j\right)-\stackrel{\‾}{x})}^2}}$ 求得，式中 $\stackrel{\‾}{s}=\frac{1}{L}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s\left(j\right),\stackrel{\‾}{x}=\frac{1}{L}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}x\left(j\right),$ 其中：s为自主式水下机器人纵向速度原始信号，x为单稳系统输出信号，L为自主式水下机器人信号数据长度，j代表取L个数据中的第j个数据；

(5)采用式V_i(t+1)＝w×V_i(t)+c₁×R₁×(P_i(t)-X_i(t))+c₂×R₂×(G(t)-X_i(t))所示的方式更新所有粒子的分形速度和位置，其中：t为当前迭代次数，i代表种群中第i个粒子，X_i(t)、V_i(t)分别为第t次迭代时第i个粒子的位置和飞行速度，V_i(t+1)为第t+1次迭代时第i个粒子的飞行速度，V_i(t)为第t次迭代时第i个粒子的飞行速度，c₁＝2和c₂＝2为学习因子，R₁和R₂为介于[0,1]之间相互独立均匀分布的随机数，P_i(t)为经过t次迭代第i个粒子迄今为止搜索到的最优解，G(t)为经过t次迭代整个种群所有粒子迄今为止搜索到的最优解，w为惯性权重、由式w(t)＝w_max-(w_max-w_min)×t/T_max求得，式中w_max＝25为惯性权重的上限，w_min＝1为惯性权重的下限，t为当前迭代次数，T_max为最大迭代次数，得到更新后的粒子飞行速度V_i(t+1)后，带入式X_i(t+1)＝X_i(t)+V_i(t+1)，式中X_i(t+1)为第t+1次迭代时第i个粒子的位置，X_i(t)为第t次迭代时第i个粒子的位置。经上述计算后，得到更新后粒子的位置和飞行速度；

(6)判断是否符合终止条件，当满足下列条件中的任何一个时，迭代终止：1.进化代数达到设定的最大阈值T_max；2.两代之间的最优适应度值之差小于预设精度，满足上述两个条件任何一个则迭代优化过程终止，进入下一步骤；两个条件均不满足则回到步骤(3)继续进行迭代优化；

(7)经粒子迭代更新优化后，得到最优结构参数a和b的值并输出给单稳随机共振系统；

(8)采用最优结构参数a和b的单稳态随机共振：根据步骤(7)得到的最优结构参数a和b的值，固化步骤(3)所述单稳态随机共振系统的结构参数值，对自主式水下机器人控制信号和状态信号进行随机共振处理。

本发明根据AUV信号的非周期特性，采用单稳态随机共振系统实现其随机共振，采用粒子群优化算法实现随机共振系统结构参数的自适应优化调整，构成一种新型的基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法，有效解决传统方法难以实现AUV信号最佳随机共振效果问题，以抑制外部干扰，增强故障信号特征，进而提高故障诊断的准确性。

本发明与现有技术相比的有益效果主要体现在：与现有传统双稳态自适应随机共振方法相比，本发明提出了一种新型的单稳态自适应随机共振实现方法，该方法有效解决了传统方法仅对单一参数进行调节，缺乏理论依据的问题；解决了传统方法由于忽略了参数之间的交互作用，难以实现最优随机共振效果的问题。经随机共振处理后的AUV信号在抑制外部干扰的同时增强了故障信号特征，为故障诊断提供更为准确的AUV状态信息。

附图说明

图1为本发明方法的流程图。

图2为推进器推力损失程度为20％的AUV多普勒信号时域曲线。

图3为本发明方法的最优结构参数收敛曲线。

图4为推力损失程度为20％的AUV多普勒信号经本发明方法处理后时域曲线。

图5为传统单参数调节自适应随机共振方法实现的随机共振效果。

具体实施方式

下面结合附图举例对本发明做更详细的描述。

结合图1，本发明的基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法，其具体实施步骤如下：

1、首先，对原始数据采用滑动窗进行截取，原始数据如图2所示。当采集到数据长度为L＝300的多普勒数据后启动检测算法，当再次采集到新的数据后，舍弃原数组第一个数据并将新采集回来的数据放在原数组的末尾，始终保持数据长度为L。

2.采用粒子群优化算法对单稳态随机共振系统结构参数进行优化，首先进行种群初始化，具体方法为：设置单稳系统结构参数a、b的搜索范围在[0,7]区间，T_max＝100，随机初始化N＝50个粒子组成一个种群。

3.采用如下式所示的单稳态随机共振模型处理AUV信号：式中x(t)为单稳随机共振系统输出信号，为其导数，s(t)为步骤(1)所述的自主式水下机器人控制信号和状态信号，a、b为单稳随机共振系统结构参数；

4.采用互相关系数R作为适应度函数来评价粒子的个体适应度，R值越大则粒子的适应性越好。互相关系数R由下式求得：式中 其中：R为所求互相关系数，s为AUV纵向速度原始信号，x为单稳系统输出信号，L为AUV信号数据长度，j代表取L个数据中的第j个数据。

5.采用如下式所示的方式更新所有粒子的分形速度和位置：V_i(t+1)＝w×V_i(t)+c₁×R₁×(P_i(t)-X_i(t))+c₂×R₂×(G(t)-X_i(t))，式中：t为当前迭代次数，i代表种群中第i个粒子，X_i(t)、V_i(t)分别为第t次迭代时第i个粒子的位置和飞行速度，V_i(t+1)为第t+1次迭代时第i个粒子的飞行速度，V_i(t)为第t次迭代时第i个粒子的飞行速度，c₁＝2和c₂＝2为学习因子，R₁和R₂为介于[0,1]之间相互独立均匀分布的随机数，P_i(t)为经过t次迭代第i个粒子迄今为止搜索到的最优解，G(t)为经过t次迭代整个种群所有粒子迄今为止搜索到的最优解，w为惯性权重，由下式求得：w(t)＝w_max-(w_max-w_min)×t/T_max，式中w_max＝25为惯性权重的上限，w_min＝1为惯性权重的下限，t为当前迭代次数，T_max为算法的最大迭代次数。得到更新后的粒子飞行速度V_i(t+1)后，带入下式：X_i(t+1)＝X_i(t)+V_i(t+1)，式中X_i(t+1)为第t+1次迭代时第i个粒子的位置，X_i(t)为第t次迭代时第i个粒子的位置。经上述计算后，得到更新后粒子的位置和飞行速度；

6.判断是否符合终止条件，当满足下列条件中的任何一个时，迭代终止：1.进化代数达到设定的最大阈值T_max；2.两代之间的最优适应度值之差小于预设精度。满足上述两个条件任何一个则迭代优化过程终止，进入下一步骤；两个条件均不满足则回到步骤(3)继续进行迭代优化；本发明方法最终所得的最优结构参数收敛曲线如图3所示，从图3中可以看出，本发明方法最终实现的随机共振效果R＝0.99998。

7.经上述步骤粒子迭代更新优化后，得到最优结构参数a和b的值，a＝7，b＝2.4493，并输出给单稳随机共振系统；

8.采用最优结构参数a和b的单稳态随机共振：根据步骤(7)得到的最优结构参数a和b的值，固化步骤(3)所述单稳态随机共振系统的结构参数值，对自主式水下机器人控制信号和状态信号进行随机共振处理。推力损失程度为20％的AUV多普勒信号经本发明方法处理后时域曲线如图4所示。

图5为传统单参数调节自适应随机共振方法实现的随机共振效果。从图5中可以看出，固定结构参数b＝1，按固定步长0.6对AUV左主推进器推力损失20％故障实现随机共振时，在结构参数a＝3.6，b＝1处实现了随机共振，随机共振效果为R＝0.9295。本发明方法相对传统方法随机共振效果提高了(0.99998-0.9295)/0.9295＝7.58％，说明本发明方法比传统方法实现随机共振效果更佳。

综上所述，本发明首先采用滑动窗方法对原始数据进行截取，然后采用粒子群优化算法对单稳态随机共振系统的结构参数进行优化，利用优化后的结构参数构建的单稳随机共振系统处理AUV信号，实现自主式水下机器人的单稳态自适应随机共振。最终可一直外部随机干扰并增强故障信号特征，是一种新型、有效的自主式水下机器人信号处理实现方法。

Claims (2)

1.一种基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法，其特征是：

(1)首先，对自主式水下机器人采集到的数据进行滑动窗处理，当采集到数据长度为L＝250～500的传感器和控制器信号后开始检测，当再次采集到新的数据后，舍弃原数组第一个数据并将新采集回来的数据放在原数组的末尾，始终保持数据长度为L；

(2)采用粒子群优化算法对单稳态随机共振系统结构参数进行优化，首先进行种群初始化，具体方法为：设置单稳系统结构参数a、b的搜索范围在[0,7]区间，T_max＝100，随机初始化N＝50个粒子组成一个种群；

(3)采用式所示的单稳态随机共振模型处理自主式水下机器人信号，式中x(t)为单稳随机共振系统输出信号，为中x(t)的导数，s(t)为步骤(1)所述的自主式水下机器人控制信号和状态信号，a、b为单稳随机共振系统结构参数；

(4)采用互相关系数R作为适应度函数来评价粒子的个体适应度，R值越大则粒子的适应性越好；R由式 $R=\frac{\underset{j=1}{\overset{L}{\mathrm{\Σ}}}(s\left(j\right)-\stackrel{\‾}{s})(x\left(j\right)-\stackrel{\‾}{x})}{\sqrt{\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{(s\left(j\right)-\stackrel{\‾}{s})}^2\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{(x\left(j\right)-\stackrel{\‾}{x})}^2}}$ 求得，式中 $\stackrel{\‾}{s}=\frac{1}{L}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s\left(j\right),\stackrel{\‾}{x}=\frac{1}{L}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}x\left(j\right),$ 其中：s为自主式水下机器人纵向速度原始信号，x为单稳系统输出信号，L为自主式水下机器人信号数据长度，j代表取L个数据中的第j个数据；

(5)采用式V_i(t+1)＝w×V_i(t)+c₁×R₁×(P_i(t)-X_i(t))+c₂×R₂×(G(t)-X_i(t))所示的方式更新所有粒子的分形速度和位置，其中：t为当前迭代次数，i代表种群中第i个粒子，X_i(t)、V_i(t)分别为第t次迭代时第i个粒子的位置和飞行速度，V_i(t+1)为第t+1次迭代时第i个粒子的飞行速度，V_i(t)为第t次迭代时第i个粒子的飞行速度，c₁＝2和c₂＝2为学习因子，R₁和R₂为介于[0,1]之间相互独立均匀分布的随机数，P_i(t)为经过t次迭代第i个粒子迄今为止搜索到的最优解，G(t)为经过t次迭代整个种群所有粒子迄今为止搜索到的最优解，w为惯性权重、由式w(t)＝w_max-(w_max-w_min)×t/T_max求得，式中w_max＝25为惯性权重的上限，w_min＝1为惯性权重的下限，t为当前迭代次数，T_max为最大迭代次数，得到更新后的粒子飞行速度V_i(t+1)后，带入式X_i(t+1)＝X_i(t)+V_i(t+1)，式中X_i(t+1)为第t+1次迭代时第i个粒子的位置，X_i(t)为第t次迭代时第i个粒子的位置。经上述计算后，得到更新后粒子的位置和飞行速度；

(6)判断是否符合终止条件，当满足下列条件中的任何一个时，迭代终止：1.进化代数达到设定的最大阈值T_max；2.两代之间的最优适应度值之差小于预设精度，满足上述两个条件任何一个则迭代优化过程终止，进入下一步骤；两个条件均不满足则回到步骤(3)继续进行迭代优化；

(7)经粒子迭代更新优化后，得到最优结构参数a和b的值并输出给单稳随机共振系统；

(8)采用最优结构参数a和b的单稳态随机共振：根据步骤(7)得到的最优结构参数a和b的值，固化步骤(3)所述单稳态随机共振系统的结构参数值，对自主式水下机器人控制信号和状态信号进行随机共振处理。

2.根据权利要求1所述的基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法，其特征是：L＝300。