CN104679994A - 基于小波单支重构的自主式水下机器人推进器故障检测方法 - Google Patents
基于小波单支重构的自主式水下机器人推进器故障检测方法 Download PDFInfo
- Publication number
- CN104679994A CN104679994A CN201510054106.4A CN201510054106A CN104679994A CN 104679994 A CN104679994 A CN 104679994A CN 201510054106 A CN201510054106 A CN 201510054106A CN 104679994 A CN104679994 A CN 104679994A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- reconstruct
- control signal
- fault
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于小波单支重构的自主式水下机器人推进器故障检测方法。通过对自主式水下机器人控制信号进行多层离散小波分解,获得推进器故障多个频段上的故障描述;分别计算获取的多频带故障信息的小波熵,获得小波最优单支重构尺度;采用获取的最优重构尺度进行小波单支重构,重构后信号模极大值点处对应的时序列位置即为推进器故障发生时刻,从而得到自主式水下机器人推进器故障检测结果。本发明解决自主式水下机器人由于外部干扰影响,小波分解后故障信号特征易被外部干扰信号淹没,故障检测准确性不高的问题,提高了自主式水下机器人推进器故障检测的准确性,可用于自主式水下机器人推进器故障诊断等领域。
Description
技术领域
本发明涉及的是一种机器人故障诊断方法,具体地说是一种自主式水下机器人推进器故障检测方法。
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,对其进行准确的故障检测对于提高AUV安全性具有重要意义和实用价值。
小波变换是近年来迅速发展起来的时频分析工具,克服了傅里叶变换只能表示信号的频率特征但不能反映时间域上局部信息的缺陷,小波变换同时具有时间和频率的局部分析特征与多分辨率分析特性,并已在图像处理、信号滤波与特征提取等方面获得了广泛的应用。基于多层小波变换的故障检测方法以小波变换为基础,根据信号和噪声经过小波分解后对应的小波系数所具有的不同特性,通过小波细节系数模极大值所在位置,反演计算故障发生的时序列位置。
传统基于小波多层分解方法的AUV推进器故障检测方法,由于AUV工作在复杂多变的海洋环境中,外部干扰对故障检测结果的影响较大。多层小波分解后获得的多尺度小波系数,每个尺度代表一个频带,每个频带信息均由多尺度信号构成,多尺度信息虽然增加了信息量,但是也增加了干扰信号占信号总量的比重,不利于AUV推进器故障检测。对最佳的分解尺度小波系数进行单支重构,有利于准确检测AUV推进器故障发生时刻,提高故障检测的准确性。
因此,将离散多层小波分解方法与小波Shannon熵方法相结合,构成一种新型的AUV推进器故障检测方法,可有效解决AUV受外部干扰和量测噪声影响,传统多层小波分解方法难以准确检测推进器故障发生时序列位置的问题。
发明内容
本发明的目的在于提供一种能消除外部干扰和量测噪声影响,能准确检测推进器故障发生时序列位置的基于小波单支重构的自主式水下机器人推进器故障检测方法。
本发明的目的是这样实现的:
(1)滑动窗处理信号:当采集到的自主式水下机器人传感器和控制器信号数据长度为L的控制信号数据后启动检测,当再次采集到新的控制信号数据后,舍弃原数组第一个数据并将新采集回来的控制信号数据放在原数组的末尾,始终保持控制信号数据长度为L;
(2)离散多层小波分解:采用离散多层小波分解方法对控制信号数据进行分解;
(3)计算各尺度小波熵:将每一分解尺度上的细节系数均处理成概率分布序列:根据式将小波细节系数处理成概率分布序列,根据获得的小波系数概率分布密度函数,按式求得各分解尺度上的小波Shannon熵值,其中:W(i)为分解尺度上的第i个小波系数,PW(i)为小波系数的概率分布密度函数,N为分解尺度上的小波系数的总长度,i为第i个小波系数,H为所求小波Shannon熵值;
(4)确定最优重构尺度:比较步骤(3)所求各分解尺度小波Shannon熵的值,其中熵值最小的分解尺度即为的最优重构尺度;
(5)小波单支重构:根据步骤(4)确定的最优重构尺度,采用步骤(2)中所采用的小波基函数,对最优重构尺度进行单支重构;
(6)AUV推进器故障诊断结果:根据步骤(5)获得的单支重构结果,寻找模极大值所在点,其对应的时序列位置即为AUV推进器故障发生时刻。
控制信号数据长度L的范围为250~500,通常取L=300。
所述采用离散多层小波分解方法对控制信号数据进行分解是对控制信号数据进行W=4层小波分解,小波基函数为“db4”。
本发明通过对自主式水下机器人控制信号进行多层离散小波分解,获得自主式水下机器人推进器故障多个频段上的故障描述;分别计算获取的多频带故障信息的小波熵,获得小波最优单支重构尺度;采用获取的最优重构尺度进行小波单支重构,重构后信号模极大值点处对应的时序列位置即为自主式水下机器人推进器故障发生时刻,从而得到自主式水下机器人推进器故障检测结果。本发明解决自主式水下机器人由于外部干扰影响,小波分解后故障信号特征易被外部干扰信号淹没,故障检测准确性不高的问题,通过计算小波最优重构尺度并进行小波单支重构,得到自主式水下机器人推进器故障检测结果,提高了自主式水下机器人推进器故障检测的准确性,可用于自主式水下机器人推进器故障诊断等领域。
本发明与现有技术相比的有益效果主要体现在:与现有传统基于多层小波分解方法的AUV推进器故障检测方法相比,本发明提出了一种新型的故障检测方法,该方法有效解决了AUV受外部干扰和量测噪声影响,传统多层小波分解方法难以准确检测推进器故障发生时序列位置的问题,提高AUV推进器故障检测的准确性。
附图说明
图1为本发明的故障检测方法结构框图。
图2为推进器故障程度30%的AUV控制器时域信号。
图3为多层小波分解后AUV控制器信号小波系数。
图4为本发明方法小波单支重构后故障检测结果。
图5为传统多层小波分解方法故障检测结果。
具体实施方式
下面接附图。
结合图1本发明的故障检测方法的具体实施步骤如下:
1.滑动窗处理信号:当采集到数据长度为L=300的控制信号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=300,AUV控制器信号原始数据如图2所示。
2.离散多层小波分解:采用离散多层小波分解方法对自主式水下机器人控制信号数据进行分解,对步骤(1)截取的自主式水下机器人传感器和控制器信号进行W=4层小波分解,小波基函数为“db4”,AUV控制器信号离散多层小波分解后所得小波系数如图3所示。
3.计算各尺度小波熵:将每一分解尺度上的细节系数均处理成概率分布序列:根据下式将小波细节系数处理成概率分布序列:根据获得的小波系数概率分布密度函数,按下式求得各分解尺度上的小波Shannon熵值:上述式中:W(i)为该分解尺度上的第i个小波系数,PW(i)为该小波系数的概率分布密度函数,N为该分解尺度上的小波系数的总长度,i为第i个小波系数,H为所求小波Shannon熵值,本发明所提方法求得小波细节系数各分解尺度(d1、d2、d3和d4)的小波Shannon熵值分别为:H(d1)=10.4531,H(d2)=6.6159,H(d3)=6.3965,H(d4)=3740.6。
4.确定最优重构尺度:比较步骤(3)所求各分解尺度小波Shannon熵的值,其中熵值最小的分解尺度即为本发明方法确定的最优重构尺度,即尺度d3。
5.小波单支重构:根据步骤(4)确定的最优重构尺度d3,采用步骤(2)中所采用的小波基函数“db4”,对该最优重构尺度进行单支重构,本发明方法小波单支重构后故障检测结果如图4所示。
6.AUV推进器故障诊断结果:根据步骤(5)获得的单支重构结果,寻找模极大值所在点,其对应的时序列位置即为AUV推进器故障发生时刻,从图4中可以看出,本发明的方法检测出AUV推进器故障发生在时序列位置104拍处,与真实故障发生时刻100拍仅相差4个节拍。
图5为传统多层小波分解方法故障检测结果。从图5中可以看出,模极大值所在位置为第四层小波分解尺度的模序列号9所在位置,根据小波理论,其检测出的AUV推进器时序列位置为(9*24)=144拍处,与真实故障发生时刻100拍相差44个节拍,故障检测的准确性低于本发明所提方法。
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,然后对原始数据进行多层小波分解;计算所得各分解尺度小波系数的小波Shannon熵,并根据小波Shannon熵最小值确定最优重构尺度;对最优重构尺度所在尺度的小波系数进行单支重构,根据重构结果中模极大值所在时序列位置检测AUV推进器故障所在位置,实现对AUV推进器的故障检测。最终可提高AUV推进器故障检测的准确性,是一种新型、有效的AUV推进器故障检测方法。
Claims (3)
1.一种基于小波单支重构的自主式水下机器人推进器故障检测方法,其特征是:
(1)滑动窗处理信号:当采集到的自主式水下机器人传感器和控制器信号数据长度为L的控制信号数据后启动检测,当再次采集到新的控制信号数据后,舍弃原数组第一个数据并将新采集回来的控制信号数据放在原数组的末尾,始终保持控制信号数据长度为L;
(2)离散多层小波分解:采用离散多层小波分解方法对控制信号数据进行分解;
(3)计算各尺度小波熵:将每一分解尺度上的细节系数均处理成概率分布序列:根据式将小波细节系数处理成概率分布序列,根据获得的小波系数概率分布密度函数,按式求得各分解尺度上的小波Shannon熵值,其中:W(i)为分解尺度上的第i个小波系数,PW(i)为小波系数的概率分布密度函数,N为分解尺度上的小波系数的总长度,i为第i个小波系数,H为所求小波Shannon熵值;
(4)确定最优重构尺度:比较步骤(3)所求各分解尺度小波Shannon熵的值,其中熵值最小的分解尺度即为的最优重构尺度;
(5)小波单支重构:根据步骤(4)确定的最优重构尺度,采用步骤(2)中所采用的小波基函数,对最优重构尺度进行单支重构;
(6)AUV推进器故障诊断结果:根据步骤(5)获得的单支重构结果,寻找模极大值所在点,其对应的时序列位置即为AUV推进器故障发生时刻。
2.根据权利要求1所述的基于小波单支重构的自主式水下机器人推进器故障检测方法,其特征是:控制信号数据长度L=300。
3.根据权利要求2所述的基于小波单支重构的自主式水下机器人推进器故障检测方法,其特征是:所述采用离散多层小波分解方法对控制信号数据进行分解是对控制信号数据进行W=4层小波分解,小波基函数为“db4”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510054106.4A CN104679994A (zh) | 2015-01-30 | 2015-01-30 | 基于小波单支重构的自主式水下机器人推进器故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510054106.4A CN104679994A (zh) | 2015-01-30 | 2015-01-30 | 基于小波单支重构的自主式水下机器人推进器故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104679994A true CN104679994A (zh) | 2015-06-03 |
Family
ID=53315027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510054106.4A Pending CN104679994A (zh) | 2015-01-30 | 2015-01-30 | 基于小波单支重构的自主式水下机器人推进器故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104679994A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095918A (zh) * | 2015-09-07 | 2015-11-25 | 上海交通大学 | 一种多机器人系统故障诊断方法 |
CN106725487A (zh) * | 2016-12-20 | 2017-05-31 | 广州视源电子科技股份有限公司 | 一种呼吸率提取方法及装置 |
CN108830218A (zh) * | 2018-06-15 | 2018-11-16 | 哈尔滨工程大学 | 一种基于改进等距特征映射算法isomap的水下机器人推进器故障诊断方法 |
CN110263832A (zh) * | 2019-06-11 | 2019-09-20 | 哈尔滨工程大学 | 一种基于多尺度分析的auv导航系统故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102468807A (zh) * | 2010-11-09 | 2012-05-23 | 中国舰船研究设计中心 | 一种机械故障信号消噪方法 |
CN102590716A (zh) * | 2012-02-11 | 2012-07-18 | 广东电网公司电力科学研究院 | 一种基于小波分析的电力电缆局部放电信号去噪方法 |
CN104048680A (zh) * | 2014-07-09 | 2014-09-17 | 哈尔滨工程大学 | 基于donoho阈值的自主式水下机器人外部干扰抑制方法 |
-
2015
- 2015-01-30 CN CN201510054106.4A patent/CN104679994A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102468807A (zh) * | 2010-11-09 | 2012-05-23 | 中国舰船研究设计中心 | 一种机械故障信号消噪方法 |
CN102590716A (zh) * | 2012-02-11 | 2012-07-18 | 广东电网公司电力科学研究院 | 一种基于小波分析的电力电缆局部放电信号去噪方法 |
CN104048680A (zh) * | 2014-07-09 | 2014-09-17 | 哈尔滨工程大学 | 基于donoho阈值的自主式水下机器人外部干扰抑制方法 |
Non-Patent Citations (3)
Title |
---|
李宏坤等: "连续小波最优重构尺度确定方法与故障早期识别", 《机械工程学报》 * |
王丽荣等: "水下机器人传感器故障诊断", 《机器人》 * |
蒋永华等: "基于参数优化Morlet小波变换的故障特征提取方法", 《仪器仪表学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095918A (zh) * | 2015-09-07 | 2015-11-25 | 上海交通大学 | 一种多机器人系统故障诊断方法 |
CN105095918B (zh) * | 2015-09-07 | 2018-06-26 | 上海交通大学 | 一种多机器人系统故障诊断方法 |
CN106725487A (zh) * | 2016-12-20 | 2017-05-31 | 广州视源电子科技股份有限公司 | 一种呼吸率提取方法及装置 |
CN108830218A (zh) * | 2018-06-15 | 2018-11-16 | 哈尔滨工程大学 | 一种基于改进等距特征映射算法isomap的水下机器人推进器故障诊断方法 |
CN110263832A (zh) * | 2019-06-11 | 2019-09-20 | 哈尔滨工程大学 | 一种基于多尺度分析的auv导航系统故障诊断方法 |
CN110263832B (zh) * | 2019-06-11 | 2023-01-06 | 哈尔滨工程大学 | 一种基于多尺度分析的auv导航系统故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103989462B (zh) | 一种脉搏波形第一特征点和第二特征点的提取方法 | |
CN104679994A (zh) | 基于小波单支重构的自主式水下机器人推进器故障检测方法 | |
CN103393435B (zh) | 一种胎心音信号包络的取得方法及装置 | |
CN106443178A (zh) | 一种基于IQuinn‑Rife综合的正弦信号频率估计方法 | |
CN103584854B (zh) | 心电信号r波的提取方法 | |
CN104503432A (zh) | 一种基于小波能量的自主式水下机器人故障辨识方法 | |
CN105676168A (zh) | 一种声矢量阵方位估计方法 | |
CN103292792B (zh) | 一种适用海底探测与假地形处理的实测svp重构方法 | |
CN103230267B (zh) | 一种抗运动干扰的脉率提取方法 | |
CN102141403A (zh) | 基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法 | |
CN104820993A (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
CN109871733A (zh) | 一种自适应海杂波信号去噪方法 | |
CN104462803A (zh) | 一种基于小波近似熵的自主式水下机器人故障辨识方法 | |
CN103207390B (zh) | Frft域海杂波中目标的近似分形检测方法 | |
CN110716532A (zh) | 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法 | |
CN105158749A (zh) | 高频雷达海杂波幅度统计分布检验方法 | |
CN106548031A (zh) | 一种结构模态参数识别方法 | |
CN106594526A (zh) | 一种基于水压采样数据的供水管网状态监测方法及装置 | |
CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN107656250A (zh) | 一种基于人工蜂群算法的智能雷达海上目标检测系统及方法 | |
CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
CN104867493A (zh) | 基于小波变换的多重分形维数端点检测方法 | |
CN102183751B (zh) | 一种智能雷达海上目标检测系统及方法 | |
CN113516303B (zh) | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 | |
CN102183746A (zh) | 一种雷达海上目标检测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150603 |
|
WD01 | Invention patent application deemed withdrawn after publication |