基于相对灰色关联度边界约束的水下机器人推进器故障程度
辨识方法
技术领域
本发明属于水下机器人技术,涉及水下机器人推进器故障诊断方法,具体涉及一种基于相对灰色关联度边界约束的水下机器人推进器故障程度辨识方法。
背景技术
水下机器人工作在复杂海洋环境中,安全性是水下机器人研究和实用化过程中的重要研究内容之一。推进器是水下机器人负荷最重和最易发生故障的部件,研究水下机器人推进器的故障程度辨识技术,对提高水下机器人的安全性具有重要研究意义和实用价值。在推进器故障程度辨识方面,常用的故障程度辨识方法一般先建立故障程度分类模型,然后通过该模型辨识故障程度,其中,灰色关联分析方法是一种典型的故障程度辨识方法。灰色关联度分析是灰色系统理论进行系统分析的重要方法,它是根据系统各个因素之间的内部联系或发展态势的相似程度来度量因素之间关联度的方法。这种方法对数据的样本数量没有太多的要求,适合于水下机器人推进器正常样本多而真实故障样本少且获取困难的情况。然而,基于该方法进行推进器故障程度辨识的实践中发现:某一程度的推进器故障对应的故障模式矢量,落在数据库中两个标准模式矢量之间时,与其最接近的标准模式矢量对应的标准故障程度,将作为故障辨识结果。由于标准模式矢量是与故障程度对应的不同档位的离散值,因此,基于该方法故障程度只能辨识到离散的标准故障程度中的某一个档位,而难以在两个标准故障程度之间得到故障程度的具体值,从而降低了辨识精度
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供基于相对灰色关联度边界约束的水下机器人推进器故障程度辨识方法,当真实故障对应的故障模式矢量落在某个标准模式矢量点上时,通过本发明能够辨识出该标准模式矢量所对应的标准故障程度;当真实故障对应的故障模式矢量落在两个标准模式矢量之间时,本发明能够辨识出两个标准故障程度之间的具体值。
技术方案:本发明的一种基于相对灰色关联度边界约束的水下机器人推进器故障程度辨识方法,具体步骤依次如下:
(1)获得多组推进器各自不同已知故障程度对应的已知模式矢量Ri;
其中,Ri表示第i个已知模式矩阵,xij=[xij1xij2… xijm]表示第i个已知模式矩阵中推进器第j种已知故障程度λj对应的已知模式矢量,xijk表示已知模式矢量中第k个故障特征值;i=1,2,…,N,N为已知模式矩阵的个数;j=1,2,…,n,n为故障模式数量,k=1,2,…,m,m为一个故障模式矢量中故障特征值的个数;
(2)对多组已知模式矢量Ri进行聚类分析得到标准模式矢量库R0;聚类分析的方法为:
其中,x0j=[x0j1x0j2… x0jm]称为标准模式矢量,标准模式矢量x0j对应的已知故障程度称为标准故障程度λ0j;即是指在标准模式矢量库R0中,每一种标准故障程度λ0j均有一个标准模式矢量x0j与之对应;
(3)计算标准模式矢量之间的灰色关联度γ1j,计算相对灰色关联度γRab,建立相对灰色关联度与故障程度的映射函数;
(4)计算已知模式矢量与标准模式矢量之间的灰色关联度,确定灰色关联度边界约束γ0jlim;
(5)基于灰色关联度边界约束γ0jlim,修正相对灰色关联度与故障程度的映射函数;
(6)获得推进器未知故障程度对应的未知模式矢量xU,
xU=[xU1xU2… xUm];
(7)计算未知模式矢量与标准模式矢量之间的灰色关联度,确定灰色关联度最大值γUM和第二大值γUS,对应的标准模式矢量分别为x0a和x0b。
(8)判断,如果灰色关联度最大值γUM大于或等于灰色关联度边界约束γ0alim,那么灰色关联度最大值γUM对应的标准模式矢量x0a对应的标准故障程度λ0a,即为推进器故障程度;
(9)判断,如果灰色关联度最大值γUM小于灰色关联度边界约束γ0alim,那么根据灰色关联度最大值γUM和第二大值γUS确定故障程度区间[λ0aλ0b],计算相对灰色关联度γRMS=γUM/γUS,并将相对灰色关联度带入计及边界约束的相对灰色关联度与故障程度映射函数,计算得到推进器故障程度,计算公式如下:
其中,λU为故障程度辨识结果。
进一步的,所述步骤(1)的具体方法为:
先获取一组推进器不同已知故障程度对应的已知模式矢量,将已知模式矢量以数据矩阵形式表示,构成已知模式矩阵R1;然后重复此过程,获得多组推进器不同已知故障程度对应的已知模式矢量,最终构成多个已知模式矩阵Ri;
其中,已知模式矩阵获取过程为:首先进行一组推进器故障水池实验,实验过程中,推进器分别为不同已知故障程度,提取不同已知故障程度下的不同种类的故障特征值,构成一个已知模式矩阵,然后与第一组实验相同实验参数条件下,重复此实验过程N次,获得N个已知模式矩阵;j=1,2,…,n,n为故障模式数量。
例如,若在实验中推进器已知故障程度分别为0%、10%、20%、30%、40%,则n=5;k=1,2,…,m,m为一个故障模式矢量中故障特征值的个数,若在实验中,对应于一种已知故障程度,分别从速度信号、控制信号、融合信号中各提取一个故障特征值来构成已知模式矢量,则m=3;即n和m为整数值,根据实际需要选取,没有限定。
进一步的,所述步骤(3)的具体方法为:
(3.1)计算灰色关联度:
(3.1.1)计算第一个标准模式矢量x01与标准模式矢量库R0中所有标准模式矢量x0j之间的灰色关联度:
首先,计算灰色关联系数η1jk:
其中,△x1jk=|x01k-x0jk|,x01k为第1个标准模式矢量x01的第k个故障特征值,x0jk为第j个标准模式矢量x0j的第k个特征值,β为分辨系数,例如可以取β=0.5。
然后,计算灰色关联度γ1j:
其中,γ1j为第1个标准模式矢量x01与第j个标准模式矢量x0j之间的灰色关联度;
(3.1.2)重复步骤(3.1),直至计算第j个标准模式矢量x0j与标准模式矢量库R0中所有标准模式矢量之间的灰色关联度;即,得到第1个标准模式矢量与所有标准模式矢量之间的灰色关联度之后,接下来依次计算第二个标准模式矢量、第三个标准模式矢量,…..,第j个标准模式矢量与所有标准模式矢量之间的灰色关联度;
(3.2)计算相对灰色关联度:
设在任意相邻两个标准模式矢量x0a和x0b之间存在推进器未知故障程度λU对应的未知模式矢量xU=[xU1xU2… xUm],且xU与x0a、x0b的灰色关联度分别为γUa和γUb,将灰色关联度γUa与γUb的比值称为相对灰色关联度γRab,即γRab=γUa/γUb;x0a和x0b例如可以取值为10%和20%,或者20%和30%;其中γUa和γUb的计算方法为(3.1.1);
(3.3)建立相对灰色关联度与故障程度的映射函数:
当xU=x0a时,xU对x0a的灰色关联度等于x0a对x0a的灰色关联度γaa,xU对x0b的灰色关联度等于x0a对x0b的灰色关联度γab,此时,相对灰色关联度γRab=γaa/γab,未知故障程度λU等于标准故障程度λ0a;
当xU=x0b时,xU对x0a的灰色关联度等于x0b对x0a的灰色关联度γba,xU对x0b的灰色关联度等于x0b对x0b的灰色关联度γbb,此时,相对灰色关联度γRab=γba/γbb,未知故障程度λU等于标准故障程度λ0b;
当xU位于x0a和x0b之间时,根据上述条件(即:当xU=x0a时,γRab=γaa/γab,λU=λ0a;当xU=x0b时,γRab=γba/γbb,λU=λ0b)以及线性比例关系,建立相对灰色关联度γRab与故障程度λU的映射函数如下:
其中,γRab=γUa/γUb。
进一步的,所述步骤(4)的具体方法为:
(4.1)计算每个已知模式矩阵中推进器第一种已知故障程度λ1对应的已知模式矢量xi1与标准模式矢量库中推进器第一种标准故障程度λ01对应的标准模式矢量x01之间的灰色关联度,选取该计算结果中的灰色关联度最小值作为第一种标准模式矢量x01对应的灰色关联度边界约束γ01lim;
(4.2)重复该过程,直至计算得到每一种标准模式矢量x0j对应的灰色关联度边界约束γ0jlim。
进一步的,所述步骤(5)的具体方法为:
设在相邻两个标准模式矢量x0a和x0b之间存在推进器未知故障程度λU对应的未知模式矢量xU=[xU1xU2… xUm],且xU更接近x0a,由步骤(3)可知,当xU=x0a时,γUa=γaa,γUb=γab,当xU=x0b时,γUa=γba,γUb=γbb;
那么当xU位于x0a和x0b之间,且γUa=γ0alim时,则γaa的边界约束γaalim为γ0alim,γab的边界约束γablim根据线性比例关系由如下公式求得:
此时,相对灰色关联度边界约束为γRalim=γaalim/γablim=γ0alim/γablim,未知故障程度λU仍然等于标准故障程度λ0a;
考虑到未知模式矢量xU从x0a逐渐滑向x0b的过程中,γUa逐渐减小,γUb逐渐增大,从而γRab=γUa/γUb逐渐减小,当γRab=1时,γUa=γUb,此时λU=(λ0a+λ0b)/2;
当γRalim≥γRab≥1时,根据上述条件,建立基于灰色关联度边界约束修正后的相对灰色关联度γRab与故障程度λU的映射函数如下:
有益效果:当真实故障对应的故障模式矢量落在某个标准模式矢量点上时,本发明能够辨识出该标准模式矢量所对应的标准故障程度;当真实故障对应的故障模式矢量落在两个标准模式矢量之间时,本发明能够辨识出两个标准故障程度之间的具体值。
附图说明
图1为现有中水下机器人推进器故障程度辨识流程图;
图2为本发明中基于相对灰色关联度的水下机器人推进器故障程度辨识流程图;
图3为本发明中基于相对灰色关联度边界约束的水下机器人推进器故障程度辨识流程图;
图4为实施例中多组推进器不同已知故障程度对应的已知模式矢量;
图5为实施例中推进器未知故障程度对应的未知模式矢量;
图6为实施例中已知模式矢量、标准模式矢量与标准模式矢量库中所有标准模式矢量之间的灰色关联度;
图7为实施例中未知模式矢量与标准模式矢量库中各标准模式矢量之间的灰色关联度;
图8为实施例中不同方法的推进器故障程度辨识精度对比图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
目前,现有技术中基于灰色关联分析的水下机器人推进器故障程度辨识方法如图1所示;而本发明专利基于相对灰色关联度的水下机器人推进器故障程度辨识方法如图2所示;本发明基于相对灰色关联度边界约束的水下机器人推进器故障程度辨识方法如图3所示。
对比图1和图2可知,本发明的相对灰色关联度方法与公知灰色关联分析方法的不同之处在于:一是,现有技术只计算未知模式矢量与标准模式矢量之间的灰色关联度,本发明不仅计算未知模式矢量与标准模式矢量之间的灰色关联度,同时还计算不同标准模式矢量之间的灰色关联度,并建立相对灰色关联度与故障程度的映射函数;二是,现有技术将未知模式矢量与标准模式矢量之间的灰色关联度最大值对应的标准故障程度作为辨识结果,本发明不仅用到灰色关联度最大值,同时还用到灰色关联度第二大值,确定真实故障程度在灰色关联度最大值和第二大值对应的标准故障程度区间,并在这个区间内,根据相对灰色关联度与故障程度的映射函数计算得到的真实故障程度的具体值。
对比图2和图3可知,本文发明相对灰色关联度边界约束方法在相对灰色关联度方法的基础上,还计算多组推进器不同已知故障程度对应的已知模式矢量与标准模式矢量之间的灰色关联度,并据此确定灰色关联度边界约束,根据边界约束修正相对灰色关联度与故障程度的映射函数,进而计算故障程度。
本发明的一种基于相对灰色关联度边界约束的水下机器人推进器故障程度辨识方法,如图3所示具体步骤如下:
第一步,获得一组推进器不同已知故障程度对应的已知模式矢量,将已知模式矢量以数据矩阵形式表示,构成已知模式矩阵R1;重复此过程,获得多组推进器不同已知故障程度对应的已知模式矢量,构成多个已知模式矩阵Ri,i=1,2,3,…,N;每个已知模式矩阵Ri表示如下:
其中,Ri表示第i个已知模式矩阵,xij=[xij1xij2… xijm]表示第i个已知模式矩阵中推进器第j种已知故障程度λj对应的已知模式矢量,xijk表示已知模式矢量中第k种故障特征值。
第二步,对多组已知模式矢量进行聚类分析,计算公式如下:
其中,R0为聚类分析结果,称为标准模式矢量库,x0j=[x0j1x0j2… x0jm]称为标准模式矢量,标准模式矢量x0j对应的已知故障程度称为标准故障程度λ0j。
第三步,计算标准模式矢量之间的灰色关联度,计算过程如下:
首先,计算第一个标准模式矢量x01与标准模式矢量库中所有标准模式矢量之间的灰色关联度。
计算灰色关联系数η1jk,计算公式如下
其中,△x1jk=|x01k-x0jk|,x01k为第1个标准模式矢量x01的第k个特征值,x0jk为第j个标准模式矢量x0j的第k个特征值,β为分辨系数,取β=0.5。
计算灰色关联度,计算公式如下:
其中,γ1j为第1个标准模式矢量x01与第j个标准模式矢量x0j之间的灰色关联度。
然后,重复上述过程,计算第j个标准模式矢量与标准模式矢量库中所有标准模式矢量之间的灰色关联度。
第四步,计算相对灰色关联度,建立相对灰色关联度与故障程度的映射函数,计算过程如下:
设在相邻两个标准模式矢量x0a和x0b之间存在推进器未知故障程度λU对应的未知模式矢量xU=[xU1xU2… xUm],且xU与x0a、x0b的灰色关联度分别为γUa、γUb,将灰色关联度γUa与γUb的比值称为相对灰色关联度γRab,即γRab=γUa/γUb。
当xU=x0a时,xU对x0a的灰色关联度等于x0a对x0a的灰色关联度γaa,xU对x0b的灰色关联度等于x0a对x0b的灰色关联度γab,此时,相对灰色关联度γRab=γaa/γab,未知故障程度λU等于标准故障程度λ0a
当xU=x0b时,xU对x0a的灰色关联度等于x0b对x0a的灰色关联度γba,xU对x0b的灰色关联度等于x0b对x0b的灰色关联度γbb,此时,相对灰色关联度γRab=γba/γbb,未知故障程度λU等于标准故障程度λ0b
当xU位于x0a和x0b之间时,根据上述三段描述的条件以及线性比例关系,建立相对灰色关联度γRab与故障程度λU的映射函数如下:
其中,γRab=γUa/γUb。
第五步,计算已知模式矢量与标准模式矢量之间的灰色关联度,确定灰色关联度边界约束,计算过程如下:
首先,计算每个已知模式矩阵中推进器第一种已知故障程度λ1对应的已知模式矢量xi1与标准模式矢量库中推进器第一种标准故障程度λ01对应的标准模式矢量x01之间的灰色关联度,选取该计算结果中的灰色关联度最小值,作为第一种标准模式矢量x01对应的灰色关联度边界约束γ01lim。
然后,重复该过程,计算得到每一种标准模式矢量x0j对应的灰色关联度边界约束γ0jlim。
第六步,基于灰色关联度边界约束,修正相对灰色关联度与故障程度的映射函数,计算过程如下:
设在相邻两个标准模式矢量x0a和x0b之间存在推进器未知故障程度λU对应的未知模式矢量xU=[xU1xU2… xUm],且xU更接近x0a,由第四步可知,当xU=x0a时,γUa=γaa,γUb=γab,当xU=x0b时,γUa=γba,γUb=γbb;
那么当xU位于x0a和x0b之间,且γUa=γ0alim时,则γaa的边界约束γaalim为γ0alim,γab的边界约束γablim根据线性比例关系由如下公式求得:
此时,相对灰色关联度边界约束为γRalim=γaalim/γablim=γ0alim/γablim,未知故障程度λU仍然等于标准故障程度λ0a
考虑到未知模式矢量xU从x0a逐渐滑向x0b的过程中,γUa逐渐减小,γUb逐渐增大,从而γRab=γUa/γUb逐渐减小,当γRab=1时,γUa=γUb,此时λU=(λ0a+λ0b)/2。
当γRalim≥γRab≥1时,根据上述条件,建立基于灰色关联度边界约束修正后的相对灰色关联度γRab与故障程度λU的映射函数如下:
第六步,获得推进器未知故障程度对应的未知模式矢量
xU=[xU1xU2… xUm];
第七步,计算未知模式矢量与标准模式矢量之间的灰色关联度,确定灰色关联度最大值γUM和第二大值γUS,对应的标准模式矢量分别为x0a和x0b。
第八步,判断,如果灰色关联度最大值γUM大于或等于灰色关联度边界约束γ0alim,那么灰色关联度最大值γUM对应的标准模式矢量x0a对应的标准故障程度λ0a,即为推进器故障程度;
第九步,判断,如果灰色关联度最大值γUM小于灰色关联度边界约束γ0alim,那么根据灰色关联度最大值γUM和第二大值γUS确定故障程度区间[λ0aλ0b],计算相对灰色关联度γRMS=γUM/γUS,并将相对灰色关联度带入计及边界约束的相对灰色关联度与故障程度映射函数,计算得到推进器故障程度,计算公式如下:
其中,λU为故障程度辨识结果。
实施例:
本实施例中设有三组推进器;图4为该多组推进器不同已知故障程度对应的已知模式矢量,根据图4所示已知模式矢量建立的标准模式矢量库中,标准故障程度为:λ01=0%、λ02=10%、λ03=20%、λ04=30%、λ05=40%。
图5为推进器未知故障程度对应的未知模式矢量,本实施例中的未知故障程度为:λU1=10%、λU2=13%、λU3=18%、λU4=20%、λU5=25%、λU6=30%、λU7=37%、λU8=40%。
图6为已知模式矢量、标准模式矢量与标准模式矢量库中各标准模式矢量之间的灰色关联度。根据图6可知,每一种标准故障程度对应的灰色关联度边界约束分别为γ01lim=0.9543、γ02lim=0.9203、γ03lim=0.9283、γ03lim=0.9109、γ05lim=0.9012。
图7为未知模式矢量与标准模式矢量库中各标准模式矢量之间的灰色关联度。其中每一行为某一未知模式矢量与各标准故障程度之间的灰色关联度。本实施例中,对应于未知故障程度10%、13%、18%、20%、25%、30%、37%、40%,未知模式矢量与标准模式矢量之间的灰色关联度最大值分别为0.9830、0.8827、0.8326、0.9416、0.8710、0.9595、0.9010、0.9392,对应的标准故障程度分别为10%、10%、20%、20%、30%、30%、40%、40%,可见,灰色关联分析方法只能辨识到标准模式矢量库中已有的离散的标准故障程度,而当未知故障程度位于两个标准故障程度之间时,灰色关联分析方法将其最接近的标准模式矢量对应的标准故障程度,作为故障辨识结果,如未知故障程度13%位于标准故障程度10%和20%之间,灰色关联分析将10%作为故障辨识结果。
本发明以及现有技术公知方法等不同方法推进器故障程度辨识结果对比图如表1所示。
表1不同方法推进器故障程度辨识程度结果对比
其中,λU为真是故障程度,λGRA为公知灰色关联方法辨识结果,λRGRG为本发明中相对灰色关联度方法辨识结果,λRGRGBC为本发明中相对灰色关联度边界约束方法辨识结果。
并且,在表1中灰色关联分析方法只能辨识到标准模式矢量库中已有的离散的标准故障程度,如10%、20%等;而本发明相对灰色关联度方法能够辨识出相邻两个标准故障程度之间的具体值,如9.7%、14.9%等,但是在未知故障程度落在标准故障程度上时,本发明相对灰色关联分析方法故障辨识结果偏离标准故障程度,例如,相对灰色关联度方法对于未知故障程度10%的辨识结果为9.7%;本发明相对灰色关联度边界约束方法不仅能够辨识出相邻两个标准故障程度之间的具体值,如14.8%、16.9%等,而且在未知故障程度落在标准故障程度上时,本发明相对灰色关联度边界约束方法故障辨识结果为标准故障程度,例如,相对灰色关联度边界约束方法对未知故障程度10%的辨识结果为10%。
如图8所示,当进行上述不同方法推进器故障程度辨识精度对比时,可发现,从单个未知故障程度的辨识精度角度来分析,对比本发明相对灰色关联度方法与公知灰色关联分析方法,对于10%、20%、30%、40%等落在标准故障程度上的未知故障程度,本发明相对灰色关联度方法辨识精度低于公知灰色关联分析方法,对于13%、18%、25%、37%等落在相邻两个标准故障程度之间的未知故障程度,本发明相对灰色关联度方法辨识精度高于公知灰色关联分析方法;对比本发明相对灰色关联度边界约束方法与公知灰色关联分析方法,对于10%、20%、30%、40%等落在标准故障程度上的未知故障程度,本发明相对灰色关联度边界约束方法辨识精度等于公知灰色关联分析方法,对于13%、18%、25%、37%等落在相邻两个标准故障程度之间的未知故障程度,本发明专利相对灰色关联度边界约束方法辨识精度高于公知灰色关联分析方法。
根据图8所示数据,从所有未知故障程度辨识精度的整体效果来分析,对于未知故障程度10%、13%、18%、20%、25%、30%、37%、40%,公知灰色关联分析方法、本发明相对灰色关联度方法、本发明相对灰色关联度边界约束方法的辨识精度平均值分别为92.2%、93.2%、95.4%,辨识精度标准差分别为9.5%、4.0%、5.7%,反映出本发明的平均辨识精度高于公知灰色关联分析方法,辨识精度标准差小于公知灰色关联分析方法。说明在整体辨识效果上,本发明与现有的公知灰色关联分析方法相比,平均辨识精度较高,且辨识精度集中性较好。