CN105823503B

CN105823503B - 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

Info

Publication number: CN105823503B
Application number: CN201610169230.XA
Authority: CN
Inventors: 李娟�; 张晓悠; 徐健; 张娟; 张伟; 陈兴华
Original assignee: Harbin Engineering University
Current assignee: Harbin Engineering University
Priority date: 2016-03-23
Filing date: 2016-03-23
Publication date: 2018-02-09
Anticipated expiration: 2036-03-23
Also published as: CN105823503A

Abstract

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，涉及自主水下航行器(AUV)故障诊断领域。本发明是为了增强自主水下航行器在水下工作的安全性。本发明主要包括以下步骤：1、建立自主水下航行器传感器故障模型；2、对自主水下航行器的传感器数据进行预处理；3、设计改进的灰色预测GM(1,1)模型；4、将改进的灰色预测GM(1,1)模型运用到自主水下航行器传感器中并进行故障诊断；5、利用改进GM(1,1)模型实现自主水下航行器传感器的实时故障诊断。本发明适用于自主水下航行器传感器故障诊断。

Description

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

技术领域

本发明涉及自主水下航行器(AUV)故障诊断领域，涉及一种基于改进的灰色预测GM(1,1)模型传感器故障诊断方法。

背景技术

自主水下航行器作为人类探索和海洋开发的工具，在海洋领域发挥着重要的作用，特别是在海洋开发、科学考察、和水下作战等领域内尤其活跃。马航MH370的失踪更是将自主水下航行器推到了一个更高的平台。自主水下航行器具有水下活动范围大、机动性好、安全、结构简单等优点，成为当前世界各国海洋开发、国防工业部门和海洋装备的最重要研究方向之一。

由于自主水下航行器在恶劣的条件下工作，周围的环境复杂多变，因此极易出现故障，如果故障没有及时的被检测出来，那么自主水下航行器将在一种不可预测的方式下进行工作，不仅会缩短自主水下航行器的使用寿命，更会影响在水下的工作任务，甚至会带来灾难性的后果。对于自主水下航行器的故障诊断，诊断信息大多数来自于自主水下航行器携带的各类传感器，所以如果传感器不能工作在正常状态(即发生故障)，那么自主水下航行器将无法正确的反映此时在水下的种种状况，甚至将会使自主水下航行器整个系统瘫痪，无法正常工作。因此，对于自主水下航行器的传感器故障诊断以及其诊断的正确性是至关重要的。

目前，国内有运用传统的灰色预测GM(1,1)模型对自主水下航行器的传感器进行故障诊断。如费浚纯在专利《水下无人航行器传感器状态诊断与信号恢复方法》中，利用传统的灰色预测GM(1,1)模型，对自主水下航行器的深度传感器进行故障诊断。该方法是假设背景值是由一次累加后生成序列的紧邻权而获得，即权重μ＝0.5。但是经过一系列的试验验证后得出，当μ＝0.5时，并不能说明此时的模型预测精度最高，并且若把X⁽⁰⁾(1)作为被求解微分方程的初始值也是不准确的。本发明便是对μ值的选取做了一定的改进并且对预测模型初始值的选取也做了一定的改进，从而在很大程度上提高了模型的预测精度。

因此，研究自主水下航行器传感器的故障诊断，对于提高自主水下航行器的安全性和可靠性，已经成为迫切的研究任务。

发明内容

本发明是为了增强自主水下航行器在水下工作的安全性，从而提供一种基于改进灰色预测GM(1,1)模型自主水下航行器传感器故障诊断方法。

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，其特征是：

步骤一、建立自主水下航行器的传感器故障模型，包括：

传感器失效模型：

y_out＝0 (1)

y_out是传感器模型故障时的实际输出；

传感器突跳模型：

y_out＝V (2)

其中V为常数；

传感器恒增益模型：

y_out(K+1)＝βy_out(K) (3)

其中β为恒增益系数，K为故障时刻；

传感器恒偏差变化模型：

y_out＝y_in+△ (4)

其中△为恒偏差值；y_in是传感器模型正常时输出的信息；

步骤二、对自主水下航行器传感器数据进行预处理，所述预处理包括剔除野值处理和平滑滤波处理；

步骤三、建立改进的灰色预测GM(1,1)模型，具体为：

步骤三一、设原始数列为：

X⁽⁰⁾＝(X⁽⁰⁾(1),X⁽⁰⁾(2),X⁽⁰⁾(3)......,X⁽⁰⁾(n)) (5)

一阶累加后生成新的序列：

X⁽¹⁾＝(X⁽¹⁾(1),X⁽¹⁾(2),X⁽¹⁾(3)......,X⁽¹⁾(n)) (6)

其中：

n为大于1的整数；

得到一阶线性微分方程：

其中：a为发展灰度，反映X⁽¹⁾以及X⁽⁰⁾是如何变化的；u为内生控制灰度(灰作用量)，反映数据之间的变化关系；

步骤三二、求解a和u，令为待估向量，将上式中离散化，则有：

令：

Z⁽¹⁾(k)＝μX⁽¹⁾(k)+(1-μ)X⁽¹⁾(k-1),k＝2,3,......,n (10)

对整个式子离散化得：

X⁽¹⁾(k)-X⁽¹⁾(k-1)+aZ⁽¹⁾(k)＝u,k＝2,3,......,n (11)；

步骤三三、令μ＝0，代入上式得：

X⁽¹⁾(k)-X⁽¹⁾(k-1)+aX⁽¹⁾(k-1)＝u,k＝2,3,......,n (12)

解得：

其中：

c是一个常数；

步骤三四、将：

累减，得到原始序列的估计方程：

令C＝c·(1-e^a)，将C分别带入(15)和(16)式得：

设：

将式(18)代入上式，得：

步骤三五、令时，此时S取得最小值，模型具有最高的预测精度，得：

将(21)分别代入式(17)和(18)中，得：

然后在此基础上加一个很小的量△μ>0，即增大μ的值，直到μ＝1；获得不同的测量值与实际值的离差平方和，取其中测量值与实际值的离差平方和最小时的权重作为背景值，利用该权重值作为改进灰色预测GM(1,1)模型对传感器进行预测；

步骤四、利用步骤三所述改进的灰色预测GM(1,1)模型实现自主水下航行器传感器的实时故障诊断。

步骤四所述利用步骤三所述改进的灰色预测GM(1,1)模型实现自主水下航行器传感器的实时故障诊断的具体方法为：

步骤四一、对所有的原始数据序列X⁽⁰⁾做一次累加得到X⁽¹⁾；

步骤四二、运用步骤四一的方法确定此时测量值与实际值的离差平方和最小的权重，同时确定此时的k值并代入到X⁽⁰⁾(k)中，从而建立最佳改进的GM(1,1)模型；

步骤四三、求得原始数据N+1时刻的预测值X⁽⁰⁾(N+1)，此时，将序列中的X⁽⁰⁾(1)去掉，加入X⁽⁰⁾(N+1)，构成新的原始序列：

步骤四四、利用实际传感器在n+1时刻反馈的数据与改进的灰色预测GM(1,1)模型在N+1时刻的预测值做差与残差值作比较，即：e＝|x(n+1)-X⁽⁰⁾(N+1)|，与设定的阈值作比较；

若小于所设定的阈值，作为传感器n+1时刻的实际数据，返回执行步骤四三；

若大于所设定的阈值，那么进行故障报警，并将预测的数据作为N+1时刻的数据，返回执行步骤四三，实现实时动态故障诊断。

本发明利用改进的灰色预测GM(1,1)模型对自主水下航行器传感器故障进行及时的诊断，从而增强自主水下航行器在水下工作的安全性。

附图说明

图1是剔除野值仿真示意图；

图2是平滑滤波仿真示意图；

图3是改进的GM(1,1)模型流程示意图；

图4是改进的灰色预测GM(1,1)模型对传感器实时动态预测流程示意图；

图5是以自主水下航行器光纤罗经为例，假设其艏向角输出数据出现异常，对光纤罗经失效故障的仿真验证图；

图6是以自主水下航行器光纤罗经为例，假设其艏向角输出数据出现异常，对光纤罗经突跳的仿真验证图；

图7是以自主水下航行器光纤罗经为例，假设其艏向角输出数据出现异常，对光纤罗经恒增益变化的仿真验证图；

图8是以自主水下航行器光纤罗经为例，假设其艏向角输出数据出现异常，对光纤罗经恒偏差变化的仿真验证图；

具体实施方式

具体实施方式一、本发明以自主水下航行器传感器作为研究对象，提出了一种基于改进的灰色预测GM(1,1)模型传感器故障诊断方法。传统的灰色动态预测方法还是有一定的缺陷的，如果不对其改正将会引入到理论误差，从而得到不准确的预测结果。改进的灰色动态预测GM(1,1)模型不需要诊断信息的太多信息，也不需要建立诊断对象的模型，通过诊断对象的原始数据实现故障传感器的数据预测。

下面结合附图对本发明作进一步详细说明。

(1)首先建立自主水下航行器的传感器故障模型

传感器是自主水下航行器在水下作业的重要设备，通常可以分为两类：运动控制传感器和海洋勘测传感器。其中运动控制传感器是用来获得自主水下航行器的自身状态信息以及获得跟自主水下航行器运动相关的信息，例如：测高声纳、深度计等；海洋勘测传感器作用是感知自主水下航行器的外部环境信息和采集、存储自主水下航行器的外部信息，可用于对海洋的勘探，例如：ADCP和CTD等。传感器运行正常与否直接关系到自主水下航行器的整个运行状态的好坏，因此保证传感器的正常运行，以及及时的诊断出传感器的故障是至关重要的。

自主水下航行器的传感器常见的故障有：传感器失效、传感器突跳、传感器恒增益变化、传感器恒偏差变化。

a.传感器失效：指的是传感器正常工作一段时间后完全没有输出，失去所有功能。当用于建立模型时，定义为0输出。令y_out作为传感器模型故障时的实际输出，y_in作为传感器模型正常时输出的信息。则：传感器的失效模型为：

y_out＝0 (1)

b.传感器突跳：指的是传感器数据一直正常，但在某一时刻(故障时刻)数据突然突变到某一定值，即：传感器突跳模型为：

y_out＝V,其中V为常数 (2)

c.传感器增益变化：指的是传感器数据一直正常，但在某一时刻(故障时刻)数据按照一定的比例变化，即：传感器恒增益模型为：

y_out(K+1)＝βy_out(K),其中β为恒增益系数 (3)

d.传感器恒偏差变化：指的是传感器数据一直正常，但在某一时刻(故障时刻)数据与之前正常数据存在一定的恒偏差，即：

y_out＝y_in+△,其中△为恒偏差值 (4)

(2)对自主水下航行器传感器数据预处理方案

本发明中，传感器数据的正确性对于自主水下航行器正常的工作，以及工作中遇到突发事件所采取的措施是至关重要的。传感器不正确的数据可能会导致自主水下航行器工作状态不稳定，更甚者会产生不可估量的损失。自主水下航行器工作环境复杂，所采集到的数据普遍存在野值，以及带有一定的干扰。因此，需要将采集到的信号采取一定的处理之后才能进行正确的数据分析。通常情况下，自主水下航行器传感器输出的数据处理方式分为剔除野值和数据滤波两个步骤。

a.剔除野值

通常情况下，传感器采集的数据有一个总体的趋势，如果某小部分数据严重偏离这个趋势，则称这小部分数据为野值。如果不对野值进行任何处理，会大大的影响后续对数据预测的正确性，从而对传感器的故障诊断便会受到影响。常用的剔除野值的方法主要有莱以特准则(3σ准则)、格拉布斯准则。

附图1以自主水下航行器艏向角为例，进行剔除野值仿真。根据光纤罗经Octans特性，取σ＝2°，则自主水下航行器反馈所得到的艏向角S的范围应该在(T_S-3σ,T_S+3σ)区间内，不在此区间的即为野值需要剔除，其中T_S为艏向角的真值。

b.平滑滤波

对于自主水下航行器数据的滤波通常采用平滑滤波。由于自主水下航行器运行速度比较缓慢，因此对于自主水下航行器的数据不需要太高阶次的拟合，便能得到很好的平滑效果。本发明对自主水下航行器数据平滑滤波采用五点二次平滑公式。附图2是以自主水下航行器的纵向速度为例，对其纵向速度数据平滑滤波，具体方法如下：

令来拟合曲线，其中i＝-2,-1,0,1,2，为了让(5)式的方差取得最小值，

令即得到公式(6)(五点二次平滑公式)：

其中y_i为i时刻自主水下航行器传感器的数据信息，i+2时刻为当前时刻。将初步滤波值与当前滤波数据加权求和得到自主水下航行器滤波后的数据。

(3)改进的灰色预测GM(1,1)模型传感器动态故障诊断设计

灰色系统理论的关键部分是灰色预测模型，模型的特点是根据已知的数据预测部分未知的数据。灰色预测理论的核心部分是微分拟合，以灰色生成函数作为建模方法。通过系统的特征数据，利用数据与数据之间或者是数据自身的关系和规律，从而建立起一种描述被研究对象的模型。

附图3是对传统的GM(1,1)模型进行改进的流程图，具体方法介绍如下：

第一步：假设原始数列为：

X⁽⁰⁾＝(X⁽⁰⁾(1),X⁽⁰⁾(2),X⁽⁰⁾(3)......,X⁽⁰⁾(n)) (7)

一阶累加后生成新的序列：

X⁽¹⁾＝(X⁽¹⁾(1),X⁽¹⁾(2),X⁽¹⁾(3)......,X⁽¹⁾(n)) (8)

其中：

得到一阶线性微分方程：

第二步：求解a和u，令为待估向量，将上式中离散化，则有

令：

Z⁽¹⁾(k)＝μX⁽¹⁾(k)+(1-μ)X⁽¹⁾(k-1),k＝2,3,......,n (12)

对整个式子离散化得：

X⁽¹⁾(k)-X⁽¹⁾(k-1)+aZ⁽¹⁾(k)＝u,k＝2,3,......,n (13)

第三步：令μ＝0，代入上式得：

X⁽¹⁾(k)-X⁽¹⁾(k-1)+aX⁽¹⁾(k-1)＝u,k＝2,3,......,n (14)

解得：

其中：

第四步：将

累减，得到原始序列的估计方程：

令C＝c·(1-e^a)，将C分别带入(17)和(18)式得：

设：

将式(20)代入上式，得：

第五步：令时，此时S取得最小值，模型具有最高的预测精度，得：

将(23)代入(19)和(20)中，得：

然后在此基础上加一个很小的量△μ>0，即增大μ的值，直到μ＝1。利用该方法便能够获得不同的测量值与实际值的离差平方和，取其中测量值与实际值的离差平方和最小时的权重作为背景值，此时的预测精度最高。然后用这个权重值作为改进灰色预测GM(1,1)模型对传感器进行预测。

(4)利用改进GM(1,1)模型实现自主水下航行器传感器的实时故障诊断设计主要方法如附图4，具体步骤如下：

a.对所有的原始数据序列X⁽⁰⁾做一次累加得到X⁽¹⁾；

b.运用上述方法确定此时测量值与实际值的离差平方和最小的权重，同时确定此时的k值并代入到X⁽⁰⁾(k)中，从而建立最佳改进的GM(1,1)模型；

c.求得原始数据N+1时刻的预测值X⁽⁰⁾(N+1)，此时，将序列中的X⁽⁰⁾(1)去掉，加入X⁽⁰⁾(N+1)，构成新的原始序列：

d.利用实际传感器在n+1时刻反馈的数据与改进的灰色预测GM(1,1)模型在N+1时刻的预测值做差与残差值作比较，即e＝|x(n+1)-X⁽⁰⁾(N+1)|，与设定的阈值作比较。若小于所设定的阈值，那么传感器n+1时刻的实际数据，循环c步骤；若大于所设定的阈值，那么进行故障报警，并将预测的数据作为N+1时刻的数据循环c步骤，实现实时动态故障诊断。

其中，阈值ε的设定根据传感器的种类来设定以及AUV当时所运行的状态来设定。当通过改进的灰色预测检测出故障时，并不能判定此时一定是传感器故障，还有可能是相对应的推进器或者传感器发生故障。此时，应让其中的传感器单独工作而不让相应的推进器和辅助的传感器工作，观察其异常。

(5)以光纤罗经为例，假设艏向角输出数据异常，进行仿真验证

以自主水下航行器的某次试验航向数据中截取500组数据作为航向研究的原始数据，预设航向残差阈值δ＝10°。航向曲线图的第0s～299s为UUV正常工作时的航向数据，在第300s时分别加入四种异常信号，即分别设置(1)所述的四种故障类型。

从附图5至8中可以看出航向残差数据曲线图中可以看出在第0s～299s中当原始数据变化率较小时ε(k)较小(低于3°)，即使当原始数据变化率较大时ε(k)也不高于10°，均小于阈值δ，由此可见本文采用的改进GM(2,1)模型能较好的对航向数据进行预测。在第302s时，残差曲线陡增且后续较长时间内ε(k)均大于δ，若此时舵角、航速、加速度传感器均正常工作，则认为出光纤罗经异常。

Claims

1.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，其特征是：

步骤一、建立自主水下航行器的传感器故障模型，包括：

传感器失效模型：

y_out＝0 (1)

y_out是传感器模型故障时的实际输出；

传感器突跳模型：

y_out＝V (2)

其中V为常数；

传感器恒增益模型：

y_out(K+1)＝βy_out(K) (3)

其中β为恒增益系数，K为故障时刻；

传感器恒偏差变化模型：

y_out＝y_in+Δ (4)

其中Δ为恒偏差值；y_in是传感器模型正常时输出的信息；

步骤三、建立改进的灰色预测GM(1,1)模型，具体为：

步骤三一、设原始数列为：

一阶累加后生成新的序列：

X⁽¹⁾＝(X⁽¹⁾(1),X⁽¹⁾(2),X⁽¹⁾(3)......,X⁽¹⁾(n)) (6)

其中：

<mrow> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>i</mi> </munderover> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

n为大于1的整数；

得到一阶线性微分方程：

其中：a为发展灰度；u为内生控制灰度；

令：

Z⁽¹⁾(k)＝μX⁽¹⁾(k)+(1-μ)X⁽¹⁾(k-1),k＝2,3,......,n (10)

对整个式子离散化得：

X⁽¹⁾(k)-X⁽¹⁾(k-1)+aZ⁽¹⁾(k)＝u,k＝2,3,......,n (11)；

步骤三三、令μ＝0，代入上式得：

X⁽¹⁾(k)-X⁽¹⁾(k-1)+aX⁽¹⁾(k-1)＝u,k＝2,3,......,n (12)

解得：

<mrow> <mover> <mi>&alpha;</mi> <mo>^</mo> </mover> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mi>B</mi> <mrow> <mi>&mu;</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>T</mi> </msubsup> <msub> <mi>B</mi> <mrow> <mi>&mu;</mi> <mo>=</mo> <mn>0</mn> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msubsup> <mi>B</mi> <mrow> <mi>&mu;</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>T</mi> </msubsup> <msub> <mi>Y</mi> <mi>n</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

其中：

Y_n＝[X⁽⁰⁾(2),X⁽⁰⁾(3),X⁽⁰⁾(4),…,X⁽⁰⁾(n)]^T；c是一个常数；

步骤三四、将：

<mrow> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>ce</mi> <mrow> <mo>-</mo> <mi>a</mi> <mi>k</mi> </mrow> </msup> <mo>+</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>

累减，得到原始序列的估计方程：

<mrow> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>c</mi> <mo>&CenterDot;</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mi>k</mi> </mrow> </msup> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>

令C＝c·(1-e^a)，将C分别带入(15)和(16)式得：

<mrow> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mi>C</mi> <mo>&CenterDot;</mo> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>&CenterDot;</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mi>k</mi> </mrow> </msup> <mo>+</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>C</mi> <mo>&CenterDot;</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mi>k</mi> </mrow> </msup> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> </mrow>

设：

<mrow> <mi>S</mi> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>19</mn> <mo>)</mo> </mrow> </mrow>

将式(18)代入上式，得：

<mrow> <mtable> <mtr> <mtd> <mrow> <mi>S</mi> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mrow> <mo>&lsqb;</mo> <mi>C</mi> <mo>&CenterDot;</mo> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> <mo>-</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>&lsqb;</mo> <mi>C</mi> <mo>&CenterDot;</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msup> <mo>-</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>20</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

<mrow> <mi>C</mi> <mo>=</mo> <mfrac> <mrow> <mo>&lsqb;</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> <mo>&rsqb;</mo> <msup> <mrow> <mo>&lsqb;</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>&rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>n</mi> </munderover> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msup> </mrow> <mrow> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>n</mi> </munderover> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mn>2</mn> <mi>a</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>21</mn> <mo>)</mo> </mrow> </mrow>

将(21)分别代入式(17)和(18)中，得：

<mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mfrac> <mrow> <mo>&lsqb;</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> <mo>&rsqb;</mo> <msup> <mrow> <mo>&lsqb;</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>&rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>n</mi> </munderover> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msup> </mrow> <mrow> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>n</mi> </munderover> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mn>2</mn> <mi>a</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msup> </mrow> </mfrac> <mo>&CenterDot;</mo> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>&CenterDot;</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mi>k</mi> </mrow> </msup> <mo>+</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>22</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mover> <mi>X</mi> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>&lsqb;</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> <mo>&rsqb;</mo> <msup> <mrow> <mo>&lsqb;</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>&rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>n</mi> </munderover> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msup> </mrow> <mrow> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>n</mi> </munderover> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mn>2</mn> <mi>a</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msup> </mrow> </mfrac> <mo>&CenterDot;</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mi>k</mi> </mrow> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>23</mn> <mo>)</mo> </mrow> </mrow>

然后在此基础上加一个很小的量Δμ＞0，即增大μ的值，直到μ＝1；获得不同的测量值与实际值的离差平方和，取其中测量值与实际值的离差平方和最小时的权重作为背景值，改进灰色预测GM(1,1)模型利用该权重值对传感器进行预测；

2.根据权利要求1所述的基于改进灰色预测GM(1,1)模型自主水下航行器传感器故障诊断方法，其特征在于步骤四所述利用步骤三所述改进的灰色预测GM(1,1)模型实现自主水下航行器传感器的实时故障诊断的具体方法为：

3.根据权利要求1所述的基于改进灰色预测GM(1,1)模型自主水下航行器传感器故障诊断方法，其特征在于传感器包括运动控制传感器和海洋勘测传感器，运动控制传感器是用于获得自主水下航行器的自身状态信息以及获得跟自主水下航行器运动相关的信息；

海洋勘测传感器用于感知自主水下航行器的外部环境信息和采集、存储自主水下航行器的外部信息。

4.根据权利要求1所述的基于改进灰色预测GM(1,1)模型自主水下航行器传感器故障诊断方法，其特征在于步骤二中，对自主水下航行器传感器数据进行剔除野值处理采用莱以特准则或格拉布斯准则实现。