CN105737876A - 水下自主潜器传感器状态诊断与信号恢复系统 - Google Patents
水下自主潜器传感器状态诊断与信号恢复系统 Download PDFInfo
- Publication number
- CN105737876A CN105737876A CN201410735452.4A CN201410735452A CN105737876A CN 105737876 A CN105737876 A CN 105737876A CN 201410735452 A CN201410735452 A CN 201410735452A CN 105737876 A CN105737876 A CN 105737876A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- fault
- diagnosis
- signal
- 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
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明的目的是保证水下自主潜器上配置的许多的传感器系统的可靠性与准确性,提供一种其能够进行水下自主潜器传感器系统状态的监测与诊断,并在诊断出故障后在一定程度上实现故障传感器。先通过对水下自主潜器传感器系统的类型和信号模式的分析对四种典型的故障模式进行建模。然后采用的基于信号方法,即灰色动态预测的方法,建立一阶灰色预测模型,进行故障诊断。基于数据融合的方法进行信号恢复,利用自适应加权融合恢复算法,使得融合后的结果达到最优。最后分别对故障诊断与信号恢复部分进行仿真验证,仿真时注入四种典型故障,对故障进行诊断与信号恢复,通过对故障传感器的信号进行恢复,以保证水下自主潜器控制系统的正常工作。
Description
技术领域
本发明涉及的是一种信号诊断和恢复的方法,特别涉及一种水下自主潜器传感器状态诊断与信号恢复系统。
背景技术
水下无人航行器在海底资源勘探、调查、目标搜索和识别以及在军事中的应用越来越广泛,是一种有效的水下运载和作业工具,在水下环境中执行任务而设计研发的一类自带能源、自主导航与控制、自主决策及自主作业的水下无人平台。
水下自主潜器自身系统的可靠性是其顺利完成各种海洋使命的重要保证,也是保障其自身安全的重要前提。经过几十年的发展,虽然水下自主潜器的各项技术都获得了较大的进步和突破,但是总体来说,其技术还不够成熟。水下自主潜器各设备或部件出现故障的可能性还是存在的。如果水下自主潜器的设备或部件发生故障,而没有检测、诊断出来,那么水下自主潜器将会以一种不可预测的或潜在危险的方式工作。其导致的结果包括以下几个方面:一是水下自主潜器可能坚持完成本次使命,但带伤工作会缩短水下自主潜器的寿命;二是水下自主潜器无法继续完成使命;三是严重的故障可能导致灾难性的后果,造成水下自主潜器的丢失。因而水下自主潜器具有对自身设备状态的诊断和处理能力,对提高水下自主潜器的安全性、可靠性和智能水平极为重要,已经成为水下自主潜器技术的迫切研究任务。
水下自主潜器载体上往往配置了许多传感器来获取自身状态信息或外界信息。这些传感器信息不仅能够协助水下自主潜器完成特定任务,而且对于其自身的安全及定位都发挥着极为重要的作用。而且传感器信息是水下自主潜器所有控制的反馈输入,只有在保证传感器系统的可靠性与准确性的基础上,才能够更加有效地完成水下自主潜器的各种控制行为。所以,本课题的目的就是通过研究水下自主潜器传感器的状态诊断及信号恢复方法,达到使水下自主潜器能够进行对自身传感器系统状态进行自主诊断的能力,并在诊断出故障后在一定程度上实现故障传感器的信号恢复的能力,以保证水下自主潜器控制系统的正常工作,从而顺利的完成被赋予的使命和保障水下自主潜器安全。
发明内容
本发明的目的是保证水下自主潜器上配置的许多的传感器系统的可靠性与准确性,提供一种其能够进行水下自主潜器传感器系统状态的监测与诊断,并在诊断出故障后在一定程度上实现故障传感器的信号恢复的方法。
本发明的目的是这样实现的:
先通过对水下自主潜器传感器系统的类型和信号模式的分析对四种典型的故障模式进行建模。然后采用的基于信号方法,即灰色动态预测的方法,建立一阶灰色预测模型,进行故障诊断。基于数据融合的方法进行信号恢复,利用自适应加权融合恢复算法,使得融合后的结果达到最优。最后分别对故障诊断与信号恢复部分进行仿真验证,仿真时注入四种典型故障,对故障进行诊断与信号恢复,通过对故障传感器的信号进行恢复,以保证水下自主潜器控制系统的正常工作。
传感器的预测值进行水下自主潜器传感器的实时诊断,实时诊断流程如下:
第一步:是对传感器数据进行预处理,预处理的目的是对数据进行平滑和滤波。本文采用的滤波方法是滑动平均滤波法。其原理是把连续取传感器信息的个采样值看成一个队列,队列的长度固定为,每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据(先进先出原则),把队列中的个数据进行算术平均运算,就可获得新的滤波结果。即传感器第时刻的滤波值为:
第二步:是构造灰色预测的原始序列,其关键是要确定原始序列中数据的个数,
一般来说越大预测精度越高,但是算法的实时性会差,的一般取值范围为4~7,可以再保证实时性的同时尽可能的选取较大的。
第三步:利用灰色预测方法预测出传感器下一时刻的预测值。
第四步:将下一时刻的预测值与下一时刻传感器的实际值比较获得残差。
第五步:将残差与设定的故障诊断阈值,如果小于阈值则认为传感器正常,否则可认为传感器发生故障。阈值的选取可以根据传感器无故障时灰色预测的偏差确定,不同的传感器应有不同的诊断阈值。
第六步:实现原始序列动态更新,如果传感器正常,利用实际值构造新的下一时刻的灰色预测原始序列;如果传感器故障,利用预测值构造新的下一时刻的灰色预测原始序列。
基于数据融合的信号恢复方案是这样的:当深度计正常时,利用正常的深度计数据与CTD测得的深度数据进行自适应加权融合,得到融合后的深度数据以提高数据精度。当灰色预测诊断检测出深度计异常时,利用灰色预测数据与CTD测得的深度数据进行自适应加权融合,得到融合后的深度数据以进行数据恢复。在该方案中,关键的问题是加权系数的确定。加权系数不能是固定不变的,必须根据两个传感器的数据质量和故障状态自适应的调整,以使融合后的数据最优,或信号恢复后的数据不包含故障信息。
附图说明
图1为基于灰色预测的水下自主潜器传感器实时诊断的流程;
图2为基于数据融合的信号恢复方案。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1,图1为基于灰色预测的水下自主潜器传感器实时诊断的流程。传感器的预测值进行水下自主潜器传感器的实时诊断,实时诊断流程如下:
第一步:是对传感器数据进行预处理,预处理的目的是对数据进行平滑和滤波。本文采用的滤波方法是滑动平均滤波法。其原理是把连续取传感器信息的个采样值看成一个队列,队列的长度固定为,每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据(先进先出原则),把队列中的个数据进行算术平均运算,就可获得新的滤波结果。即传感器第时刻的滤波值为:
第二步:是构造灰色预测的原始序列,其关键是要确定原始序列中数据的个数,
一般来说越大预测精度越高,但是算法的实时性会差,的一般取值范围为4~7,可以再保证实时性的同时尽可能的选取较大的。
第三步:利用灰色预测方法预测出传感器下一时刻的预测值。
第四步:将下一时刻的预测值与下一时刻传感器的实际值比较获得残差。
第五步:将残差与设定的故障诊断阈值,如果小于阈值则认为传感器正常,否则可认为传感器发生故障。阈值的选取可以根据传感器无故障时灰色预测的偏差确定,不同的传感器应有不同的诊断阈值。
第六步:实现原始序列动态更新,如果传感器正常,利用实际值构造新的下一时刻的灰色预测原始序列;如果传感器故障,利用预测值构造新的下一时刻的灰色预测原始序列。
结合图2,基于数据融合的信号恢复方案如图2所示,当深度计正常时,利用正常的深度计数据与CTD测得的深度数据进行自适应加权融合,得到融合后的深度数据以提高数据精度。当灰色预测诊断检测出深度计异常时,利用灰色预测数据与CTD测得的深度数据进行自适应加权融合,得到融合后的深度数据以进行数据恢复。
在该方案中,关键的问题是加权系数的确定。加权系数不能是固定不变的,必须根据两个传感器的数据质量和故障状态自适应的调整,以使融合后的数据最优,或信号恢复后的数据不包含故障信息。下一节将介绍所采用的自适应加权融合算法来自适应调整权系数。
Claims (3)
1.水下自主潜器传感器状态诊断与信号恢复系统,其特征是先通过对水下自主潜器传感器系统的类型和信号模式的分析对四种典型的故障模式进行建模;然后采用的基于信号方法,即灰色动态预测的方法,建立一阶灰色预测模型,进行故障诊断;基于数据融合的方法进行信号恢复,利用自适应加权融合恢复算法,使得融合后的结果达到最优;最后分别对故障诊断与信号恢复部分进行仿真验证,仿真时注入四种典型故障,对故障进行诊断与信号恢复,通过对故障传感器的信号进行恢复,以保证水下自主潜器控制系统的正常工作。
2.根据权利要求1所述的水下自主潜器传感器状态诊断与信号恢复系统,其特征是:传感器的预测值进行水下自主潜器传感器的实时诊断,实时诊断流程如下:
第一步:是对传感器数据进行预处理,预处理的目的是对数据进行平滑和滤波;本文采用的滤波方法是滑动平均滤波法;其原理是把连续取传感器信息的个采样值看成一个队列,队列的长度固定为,每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据(先进先出原则),把队列中的个数据进行算术平均运算,就可获得新的滤波结果;即传感器第时刻的滤波值为:
第二步:是构造灰色预测的原始序列,其关键是要确定原始序列中数据的个数,
一般来说越大预测精度越高,但是算法的实时性会差,的一般取值范围为4~7,可以再保证实时性的同时尽可能的选取较大的;
第三步:利用灰色预测方法预测出传感器下一时刻的预测值;
第四步:将下一时刻的预测值与下一时刻传感器的实际值比较获得残差;
第五步:将残差与设定的故障诊断阈值,如果小于阈值则认为传感器正常,否则可认为传感器发生故障;阈值的选取可以根据传感器无故障时灰色预测的偏差确定,不同的传感器应有不同的诊断阈值;
第六步:实现原始序列动态更新,如果传感器正常,利用实际值构造新的下一时刻的灰色预测原始序列;如果传感器故障,利用预测值构造新的下一时刻的灰色预测原始序列;第六步:实现原始序列动态更新,如果传感器正常,利用实际值构造新的下一时刻的灰色预测原始序列;如果传感器故障,利用预测值构造新的下一时刻的灰色预测原始序列。
3.根据权利要求2所述的水下自主潜器传感器状态诊断与信号恢复系统,其特征是基于数据融合的信号恢复方案是这样的:当深度计正常时,利用正常的深度计数据与CTD测得的深度数据进行自适应加权融合,得到融合后的深度数据以提高数据精度;当灰色预测诊断检测出深度计异常时,利用灰色预测数据与CTD测得的深度数据进行自适应加权融合,得到融合后的深度数据以进行数据恢复;在该方案中,关键的问题是加权系数的确定;加权系数不能是固定不变的,必须根据两个传感器的数据质量和故障状态自适应的调整,以使融合后的数据最优,或信号恢复后的数据不包含故障信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410735452.4A CN105737876A (zh) | 2014-12-08 | 2014-12-08 | 水下自主潜器传感器状态诊断与信号恢复系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410735452.4A CN105737876A (zh) | 2014-12-08 | 2014-12-08 | 水下自主潜器传感器状态诊断与信号恢复系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105737876A true CN105737876A (zh) | 2016-07-06 |
Family
ID=56236697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410735452.4A Pending CN105737876A (zh) | 2014-12-08 | 2014-12-08 | 水下自主潜器传感器状态诊断与信号恢复系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105737876A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133376A (zh) * | 2017-03-27 | 2017-09-05 | 哈尔滨工程大学 | 一种基于灰色预测模型的自主式水下机器人推进器弱故障程度预测方法 |
CN111238725A (zh) * | 2020-02-18 | 2020-06-05 | 中南大学 | 电空制动系统压力传感器的故障诊断方法、装置及系统 |
CN116643517A (zh) * | 2023-05-17 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种水下载人潜器预防事故设备 |
CN117710759A (zh) * | 2024-02-06 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测系统及方法 |
-
2014
- 2014-12-08 CN CN201410735452.4A patent/CN105737876A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133376A (zh) * | 2017-03-27 | 2017-09-05 | 哈尔滨工程大学 | 一种基于灰色预测模型的自主式水下机器人推进器弱故障程度预测方法 |
CN111238725A (zh) * | 2020-02-18 | 2020-06-05 | 中南大学 | 电空制动系统压力传感器的故障诊断方法、装置及系统 |
CN116643517A (zh) * | 2023-05-17 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种水下载人潜器预防事故设备 |
CN116643517B (zh) * | 2023-05-17 | 2024-02-23 | 青岛哈尔滨工程大学创新发展中心 | 一种水下载人潜器预防事故设备 |
CN117710759A (zh) * | 2024-02-06 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测系统及方法 |
CN117710759B (zh) * | 2024-02-06 | 2024-04-26 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roumeliotis et al. | Fault detection and identification in a mobile robot using multiple-model estimation | |
Liu et al. | Review on fault diagnosis of unmanned underwater vehicles | |
Wang et al. | Appli: Adaptive planner parameter learning from interventions | |
US11494252B2 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
CN105737876A (zh) | 水下自主潜器传感器状态诊断与信号恢复系统 | |
Phillips et al. | A knowledge driven approach to aerospace condition monitoring | |
CN116643517B (zh) | 一种水下载人潜器预防事故设备 | |
Tang et al. | A testbed for real-time autonomous vehicle PHM and contingency management applications | |
CN108427400A (zh) | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 | |
Brito et al. | Analysis of causation of loss of communication with marine autonomous systems: A probability tree approach | |
Bryne et al. | Design of inertial navigation systems for marine craft with adaptive wave filtering aided by triple‐redundant sensor packages | |
CN105823503A (zh) | 基于改进灰色预测gm(1,1)模型自主水下航行器传感器故障诊断方法 | |
CN104180845A (zh) | 水下无人航行器传感器状态诊断与信号恢复方法 | |
Berdjag et al. | Fault detection and isolation of aircraft air data/inertial system | |
Galvan et al. | Sensor data-driven uav anomaly detection using deep learning approach | |
D’Amato et al. | UKF-based fault detection and isolation algorithm for IMU sensors of Unmanned Underwater Vehicles | |
CN104677404A (zh) | 一种uuv传感器状态诊断系统 | |
Qin et al. | Predictive monitoring for signal temporal logic with probabilistic guarantees | |
CN113888380A (zh) | 一种人员落水轨迹预测方法、装置、设备和介质 | |
CN117710759B (zh) | 一种载人潜器故障和寿命预测系统及方法 | |
CN113837213A (zh) | 一种基于贝叶斯的深潜器多变量融合及漏水检测方法 | |
Hereau | Multi-level fault tolerance for autonomous robots-Application to an underwater robot | |
CN117706961B (zh) | 一种深海潜器机械臂控制系统故障仿真平台 | |
Wang et al. | UAV actuator fault detection using maximal information coefficient and 1-D convolutional neural network | |
KR20190062874A (ko) | 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160706 |
|
WD01 | Invention patent application deemed withdrawn after publication |