CN107132760B - 基于模糊支持向量域描述的水下机器人状态监测方法 - Google Patents
基于模糊支持向量域描述的水下机器人状态监测方法 Download PDFInfo
- Publication number
- CN107132760B CN107132760B CN201710185935.5A CN201710185935A CN107132760B CN 107132760 B CN107132760 B CN 107132760B CN 201710185935 A CN201710185935 A CN 201710185935A CN 107132760 B CN107132760 B CN 107132760B
- Authority
- CN
- China
- Prior art keywords
- propeller
- auv
- coefficient
- monitoring
- support vector
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供一种基于模糊支持向量域描述的水下机器人状态监测方法,属于水下机器人故障诊断技术领域。该方法基于修正贝叶斯分类算法分别从推进器运行状态待测时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息,基于提取的特征信息构造待测样本、计算模糊隶属度系数,并带入模糊支持向量域描述监测模型,得到监测系数,基于监测系数判断AUV推进器运行状态。本发明专利不仅能判断AUV推进器故障的有无,而且能够判断AUV推进器故障严重程度,特别适合应用于自主式水下机器人推进器的状态监测。
Description
技术领域
本发明涉及一种基于模糊支持向量域描述的水下机器人状态监测方法,属于水下机器人故障诊断技术领域。
背景技术
自主式水下机器人(AUV)无人无缆工作在复杂的海洋环境中,安全性是AUV研究和实用化过程中的重要研究内容之一。推进器是AUV主要故障源之一,研究AUV推进器的状态监测技术,对提高AUV的安全性具有重要研究意义和实用价值。但在AUV推进器的实际状态监测过程中,常常存在推进器正常运行状态的数据样本多,而推进器故障状态的数据样本少的问题。针对此问题,以单值分类理论为基础的支持向量域描述算法(SVDD)是一种有效的解决方法。SVDD与二值分类方法的不同之处在于:二值分类方法需要正常样本和故障样本等两种数据样本来建立推进器正常类别和故障类别,在状态监测时,将新的数据样本识别为推进器正常类别或故障类别;SVDD只需要正常样本这一类数据样本来建立正常类别,在状态监测时,只需要判断新的数据样本是否属于该类别,如果属于正常类别,则推进器正常,否则,推进器发生故障。所以SVDD仅仅依靠推进器正常运行状态下的AUV数据样本,就可以建立起单值故障分类器,从而对AUV推进器的运行状态进行识别。但SVDD没有考虑AUV数据样本在测量过程中的重要性,将AUV推进器正常运行时的数据样本与AUV推进器故障不同严重程度时的数据样本同等看待,从而只能判断AUV推进器有无故障,而不能判断AUV推进器故障严重程度。
发明内容
本发明的目的是为了提供一种基于模糊支持向量域描述的水下机器人状态监测方法,既能有效判断AUV推进器故障的有无,又能判断AUV推进器故障严重程度。
本发明的目的是这样实现的:
(1)构造目标样本
基于修正贝叶斯分类算法分别从推进器正常工作时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息,得到速度信号故障特征XS={xSi}和控制信号故障特征XC={xCi},其中,i=1,2,…,N1,N1为这一组特征值中的节拍个数;
基于上述两组故障特征建立目标样本集X={xi},目标样本集X中共有N1个目标样本,且目标样本xi=[xSi xCi]T;
基于模糊隶属度函数sxi=S(xCi)计算目标样本xi的模糊隶属度系数sxi,然后将目标样本集扩展为SX={(xi,sxi)}的形式;
(2)建立FSVDD监测模型
对公式进行优化计算,其中:约束条件为0≤αi≤C,K(xi,xj)为核函数,C为惩罚系数,得到全局最优解α={αi},i=1,2,…,N1,其中:多数αi=0,少数αi>0,这部分不为零的αi对应的目标样本为支持向量,用xsvi表示;
计算得到FSVDD超球的半径为:
(3)构造待测样本
基于修正贝叶斯分类算法分别从推进器运行状态待测时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息,得到速度信号故障特征ZS={zSi}和控制信号故障特征ZC={zCi},其中,i=1,2,…,N2,N2为这一组特征值中的节拍个数;
基于上述两组特征信息建立待测样本集Z={zi},其中zi=[zSi zCi]T;
基于模糊隶属度函数szi=S(zCi)计算待测样本zi的模糊隶属度系数szi,然后将待测样本集扩展为SZ={(zi,szi)}的形式,其中,i=1,2,…,N2;
(4)计算监测系数
(5)判别AUV推进器运行状态
本发明还包括这样一些结构特征:
1.在提取AUV纵向速度信号小波近似分量时,小波分解层数为3,小波基函数为DB4小波。
2.模糊隶属度函数为:
式中:xCi为控制信号特征值,b1=13.5,b2=500。
4.N1=100;N2=100;C=0.6。
与现有技术相比,本发明的有益效果是:传统SVDD方法基于单值分类器实现对AUV推进器运行状态的识别。但SVDD没有考虑AUV数据样本在测量过程中的重要性,将AUV推进器正常运行时的数据样本与AUV推进器故障不同严重程度时的数据样本同等看待,从而只能判断AUV推进器有无故障,而不能判断AUV推进器故障严重程度。本发明专利在SVDD方法的基础上提出了FSVDD方法。本文发明专利不仅继承了SVDD单值分类的优点,能够有效判断AUV推进器故障的有无,而且利用模糊隶属度函数计算AUV数据样本的模糊隶属度系数,用以描述AUV数据样本在测量过程中的重要性,从而能够判断AUV推进器故障严重程度。
附图说明
图1为本发明专利的AUV推进器状态监测结构框图;
图2为传统SVDD方法的AUV推进器状态监测结构框图;
图3为AUV推进器故障不同严重程度时的AUV纵向速度信号和推进器控制信号;
图4为本发明专利的AUV推进器状态监测结果;
图5为传统SVDD方法的状态监测结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
图1为本发明专利的AUV推进器状态监测结构框图。结合图1,基于模糊支持向量描述的水下机器人推进器状态监测方法的具体实现步骤如下:
(1)对推进器正常运行时的AUV纵向速度信号进行小波分解,分解层数为3,小波基函数为DB4小波。在分解结果中提取小波近似分量,舍去小波细节分量。
(2)构造目标样本:
基于修正贝叶斯算法分别从推进器正常运行时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息,得到速度信号故障特征XS={xSi}和控制信号故障特征XC={xCi},其中,i=1,2,…,N1,N1=100为这一组特征值中的节拍个数。基于上述两组故障特征建立目标样本集X={xi},目标样本集X中共有100个目标样本,且目标样本xi=[xSixCi]T。基于模糊隶属度函数公式
(3)建立FSVDD监测模型:
对公式进行优化计算,其中,约束条件为0≤αi≤C,核函数σ=10,C=0.6。得到全局最优解α={αi},i=1,2,…,N1,其中,多数αi=0,少数αi>0,这部分不为零的αi对应的目标样本为支持向量,用xsvi表示。基于公式
(4)构造待测样本:
基于修正贝叶斯分类算法分别从推进器运行状态待测时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息,得到速度信号故障特征ZS={zSi}和控制信号故障特征ZC={zCi},其中,i=1,2,…,N2,N2=100为这一组特征值中的节拍个数。基于上述两组特征信息建立待测样本集Z={zi},其中zi=[zSi zCi]T。基于模糊隶属度函数
(5)计算监测系数:
(6)判别AUV推进器运行状态:
图2为传统SVDD方法的AUV推进器状态监测结构框图。对比分析图2和图1可知,传统SVDD方法在构造目标样本以及待测样本时,用速度信息故障特征和控制信息故障特征构造目标样本以及待测样本,而本发明专利在构造目标样本以及待测样本时,不仅用速度信息故障特征和控制信息故障特征构造目标样本以及待测样本,还通过模糊隶属度函数计算模糊隶属度系数,并用模糊隶属度系数对目标样本和待测样本的属性进行了扩展。
图3为AUV推进器故障程度不同时的AUV纵向速度信号和推进器控制信号。图3中λ为推进器出力损失程度,λ=0%表示推进器正常运行。在本发明专利的实验验证过程中,选取推进器故障程度为0%状态下的第301~400拍实验数据构造目标样本,训练超球体,选取推进器故障程度分别为0%、10%、20%、30%、40%状态下的第401~500拍的实验数据构造待测样本。
图4为本发明专利的AUV推进器状态监测结果。分析图4,在推进器故障程度为0%时,监测系数ε为-0.48~0,即在推进器故障程度为10%~40%时,监测系数为1.07~3.40,即说明本发明专利能够有效判断推进器故障的有无。此外,推进器故障程度分别为10%、20%、30%、40%时,监测系数平均值分别为1.45、1.74、2.07、3.32,由此可见,随着故障程度的增加,监测系数平均值依次增大,监测系数与故障程度之间呈单调递增关系,说明本发明专利能够判断推进器故障严重程度。
图5为传统SVDD方法的状态监测结果。分析图5,在推进器故障程度为0%时,监测系数ε为-0.48~0,即在推进器故障程度为10%~40%时,监测系数为1.07~1.67,即说明传统SVDD方法能够有效判断推进器故障的有无。进一步分析推进器故障程度为20%~40%时的监测系数,当故障程度为20%、30%、40%时,监测系数均为1.67。说明不同故障程度对应监测系数相同,传统SVDD方法难以区分推进器故障的严重程度。
综上,本发明专利涉及一种基于模糊支持向量域描述的水下机器人推进器状态监测方法。属于水下机器人故障诊断技术领域。该方法基于修正贝叶斯分类算法分别从推进器运行状态待测时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息,基于提取的特征信息构造待测样本、计算模糊隶属度系数,并带入模糊支持向量域描述监测模型,得到监测系数,基于监测系数判断AUV推进器运行状态。本发明专利不仅能判断AUV推进器故障的有无,而且能够判断AUV推进器故障严重程度,特别适合应用于自主式水下机器人推进器的状态监测。
Claims (5)
1.基于模糊支持向量域描述的水下机器人状态监测方法,其特征在于:
(1)构造目标样本
基于修正贝叶斯分类算法分别从推进器正常工作时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息,得到速度信号故障特征XS={xSi}和控制信号故障特征XC={xCi},其中,i=1,2,…,N1,N1为这一组特征值中的节拍个数;
基于上述两组故障特征建立目标样本集X={xi},目标样本集X中共有N1个目标样本,且目标样本xi=[xSi xCi]T;
基于模糊隶属度函数sxi=S(xCi)计算目标样本xi的模糊隶属度系数sxi,然后将目标样本集扩展为SX={(xi,sxi)}的形式;
(2)建立FSVDD监测模型
对公式进行优化计算,其中:sxi是目标样本xi的模糊隶属度系数,约束条件为0≤αi≤C,K(xi,xj)为核函数,C为惩罚系数,得到全局最优解α={αi},i=1,2,…,N1,其中:多数αi=0,少数αi>0,这部分不为零的αi对应的目标样本为支持向量,用xsvi表示;
(3)构造待测样本
基于修正贝叶斯分类算法分别从推进器运行状态待测时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息,得到速度信号故障特征ZS={zSi}和控制信号故障特征ZC={zCi},其中,i=1,2,…,N2,N2为这一组特征值中的节拍个数;
基于上述两组特征信息建立待测样本集Z={zi},其中待测样本zi=[zSi zCi]T;
基于模糊隶属度函数szi=S(zCi)计算待测样本zi的模糊隶属度系数szi,然后将待测样本集扩展为SZ={(zi,szi)}的形式,其中,i=1,2,…,N2;
(4)计算监测系数
待测样本(zi,szi)到超球球心的广义距离为:
(5)判别AUV推进器运行状态
2.根据权利要求1所述的基于模糊支持向量域描述的水下机器人状态监测方法,其特征在于:在提取AUV纵向速度信号小波近似分量时,小波分解层数为3,小波基函数为DB4小波。
4.根据权利要求1所述的基于模糊支持向量域描述的水下机器人状态监测方法,其特征在于:核函数其中σ=10。
5.根据权利要求1所述的基于模糊支持向量域描述的水下机器人状态监测方法,其特征在于:N1=100;N2=100;C=0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710185935.5A CN107132760B (zh) | 2017-03-27 | 2017-03-27 | 基于模糊支持向量域描述的水下机器人状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710185935.5A CN107132760B (zh) | 2017-03-27 | 2017-03-27 | 基于模糊支持向量域描述的水下机器人状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107132760A CN107132760A (zh) | 2017-09-05 |
CN107132760B true CN107132760B (zh) | 2020-02-11 |
Family
ID=59721404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710185935.5A Active CN107132760B (zh) | 2017-03-27 | 2017-03-27 | 基于模糊支持向量域描述的水下机器人状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107132760B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830218B (zh) * | 2018-06-15 | 2022-03-18 | 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 |
CN109033965B (zh) * | 2018-06-22 | 2021-10-01 | 江苏科技大学 | 一种水下机器人推进器故障时频特征增强方法 |
CN109683591B (zh) * | 2018-12-27 | 2021-03-19 | 江苏科技大学 | 基于融合信号时域能量与时频熵的水下推进器故障程度辨识方法 |
CN109696906B (zh) * | 2018-12-27 | 2021-06-11 | 江苏科技大学 | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 |
CN111091159B (zh) * | 2019-12-27 | 2023-03-17 | 哈尔滨工程大学 | 一种自主式水下机器人推进器弱故障特征提取方法 |
CN112034826B (zh) * | 2020-09-11 | 2021-09-24 | 江苏科技大学 | 基于最小二乘法的水下推进器故障程度辨识方法 |
CN112051836B (zh) * | 2020-09-11 | 2021-09-24 | 江苏科技大学 | 基于多核模型的水下机器人推进器状态监测方法 |
CN112182862A (zh) * | 2020-09-17 | 2021-01-05 | 山东省科学院海洋仪器仪表研究所 | 一种水下推进器故障分类计算方法 |
CN112462730A (zh) * | 2020-10-09 | 2021-03-09 | 中国科学院沈阳自动化研究所 | 一种水下滑翔机的故障诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009108711A2 (en) * | 2008-02-25 | 2009-09-03 | University Of Southern California | Multiplex-thruster systems for delivering thrusting flow |
CN103822793B (zh) * | 2014-01-20 | 2016-05-11 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
BR112015030293B1 (pt) * | 2014-10-01 | 2022-08-16 | Ocean Floor Geophysics, Inc | Método para a compensação magnética de dados |
CN104503432B (zh) * | 2014-11-27 | 2017-04-12 | 哈尔滨工程大学 | 一种基于小波能量的自主式水下机器人故障辨识方法 |
CN106198749B (zh) * | 2015-05-08 | 2019-03-15 | 中国科学院声学研究所 | 一种基于金属裂纹监测的多路传感器的数据融合方法 |
-
2017
- 2017-03-27 CN CN201710185935.5A patent/CN107132760B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107132760A (zh) | 2017-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107132760B (zh) | 基于模糊支持向量域描述的水下机器人状态监测方法 | |
CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
Zhang et al. | Machinery fault diagnosis with imbalanced data using deep generative adversarial networks | |
Ren et al. | A novel model with the ability of few-shot learning and quick updating for intelligent fault diagnosis | |
CN111651937A (zh) | 变工况下类内自适应轴承故障诊断方法 | |
CN113792758B (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
Cheng et al. | Temporal attention convolutional neural network for estimation of icing probability on wind turbine blades | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
Yu et al. | Rolling bearing fault diagnosis based on mean multigranulation decision-theoretic rough set and non-naive Bayesian classifier | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
Zhang et al. | A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data | |
CN112393934A (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
CN112014108A (zh) | 基于lmd及改进pso优化bp神经网络的轴承故障诊断方法 | |
CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
Moosavian et al. | A Comparison Between ANN, SVM and Least Squares SVM: Application in Multi-Fault Diagnosis of Rolling Element Bearing. | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN115510967A (zh) | 一种基于重构相似性的复杂装备不均衡异常检测方法 | |
CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
Zhang et al. | Fault diagnosis of natural gas pipeline leakage based on 1D-CNN and self-attention mechanism | |
CN114152442A (zh) | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 | |
Das et al. | GASEL: Genetic algorithm-supported ensemble learning for fault detection in autonomous underwater vehicles | |
CN110414407B (zh) | 基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法 | |
CN112287752A (zh) | 一种水力发电机转轴早期故障特征的提取方法 | |
Zhao et al. | Hybrid Semi-Supervised Learning for Rotating Machinery Fault Diagnosis based on Grouped Pseudo-labeling and Consistency Regularization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |