CN109579896A - 基于深度学习的水下机器人传感器故障诊断方法及装置 - Google Patents
基于深度学习的水下机器人传感器故障诊断方法及装置 Download PDFInfo
- Publication number
- CN109579896A CN109579896A CN201811424351.XA CN201811424351A CN109579896A CN 109579896 A CN109579896 A CN 109579896A CN 201811424351 A CN201811424351 A CN 201811424351A CN 109579896 A CN109579896 A CN 109579896A
- Authority
- CN
- China
- Prior art keywords
- output data
- underwater robot
- data
- fault diagnosis
- boltzmann machine
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
- G01D18/008—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00 with calibration coefficients stored in memory
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
Abstract
本发明涉及水下机器人传感器故障诊断技术领域,具体涉及基于深度学习的水下机器人传感器故障诊断方法及装置,通过采集水下机器人的历史运行数据,将可测量的数据作为网络的输入数据,需要估计的数据作为输出数据;通过建立输入数据与输出数据之间的映射关系,并使网络以最小误差反映输入与输出的非线性关系,从而得出理论输出数据,进而通过计算理论输出数据与测量输出数据的残差进行故障诊断,本发明提高了水下机器人传感器的故障诊断的精确度。
Description
技术领域
本发明涉及水下机器人传感器故障诊断技术领域,具体涉及基于深度学习的水下机器人传感器故障诊断方法及装置。
背景技术
水下机器人是由计算机控制的复杂机器,它具有类似人的肢体及感官功能;动作程序灵活;有一定程度的智能;在工作时可以不依赖人的操纵。水下机器人传感器在水下机器人的控制中起了非常重要的作用,正因为有了传感器,水下机器人才具备了类似人类的知觉功能和反应能力。
由于海洋深处工作环境的复杂性,不可预测性,水下机器人一旦出现故障,不仅机器人无法完成水下作业任务,而且机器人本身也难以回收,损失巨大。因此其可靠性技术研究与设计十分关键。而直接服务于水下机器人可靠性的故障诊断技术成为值得研究的问题。
传统的浅层神经网络存在梯度衰减、过度拟合、局部最小等缺点,使得故障诊断的效果大打折扣。深度学习理论提出后不仅解决了梯度衰减等问题,而且拥有自动提取特征的能力,有效地避免了人工提取特征的繁琐过程,提高了故障诊断效果。
因此,如何利用深度学习提高水下机器人传感器的故障诊断的精确度成为关键问题。
发明内容
本发明提供一种基于深度学习的水下机器人传感器故障诊断方法及装置,提高了水下机器人传感器的故障诊断的精确度。
本发明提供的基于深度学习的水下机器人传感器故障诊断方法,包括以下步骤:
步骤S1、采集水下机器人的历史运行数据,所述历史运行数据包括输入数据、输出数据以及与所述输入数据、输出数据对应的时刻;所述输入数据包括:水下机器人操纵面偏转量、运行深度、深度变化率、俯仰角、俯仰角速率、水速、空速、动力大小;所述输出数据包括:水下机器人的迎角、俯仰角速率、滚转角速率、偏航角速率,从而将可测量的数据作为网络的输入数据,需要估计的数据作为输出数据;
步骤S2、建立深度置信网络观测器,即通过输入数据与输出数据之间的映射关系,使网络以最小误差反映输入与输出的非线性关系;
步骤S3、实时采集水下机器人的输入数据和测量输出数据;
步骤S4、通过深度置信网络观测器进行估算,得出理论输出数据;
步骤S5、计算理论输出数据与测量输出数据的残差;
步骤S6、根据所述残差与阈值的大小进行故障诊断,若残差不超过阈限,则诊断为无故障;若残差超过阈限,则诊断为有故障。
进一步,所述步骤S2具体包括:
步骤S21、构建受限制玻尔兹曼机网络,所述受限制玻尔兹曼机网络包括神经元n个,隐层神经元m个,节点间的连接只存在层与层之间;
步骤S22、建立受限制玻尔兹曼机的能量函数,所述能量函数计算公式为:
其中,vi和hj分别是可视层第i个单元和隐含层第j个单元的随机状态;ai和bj是对应的偏置;wij是2个单元间的权值;
步骤S23、以v=h0作为输入,训练第1个受限制玻尔兹曼机,使其达到稳定状态;
步骤S24、将第1个受限制玻尔兹曼机学习到外界输入的联合概率分布当作第2个受限制玻尔兹曼机的可视层输入,直至稳定状态;
步骤S25、跳转到步骤S23,直到训练完成最后一个受限制玻尔兹曼机;
步骤S26、将最大似然函数作为目标函数,对各层参数进行微调,使输出值E(v,h)达到最小,从而得到所述受限制玻尔兹曼机网络的最优参数{w,a,b};
步骤S27、将最优参数更新到所述受限制玻尔兹曼机;
步骤S28、将参数更新后的受限制玻尔兹曼机依次堆叠组成深度置信网络观测器。
进一步,所述步骤S5中残差计算公式如下:
其中,k代表时刻,表示时刻k对应的理论输出数据,r(k)表示时刻k对应的测量输出数据,e(k)即为理论输出数据与测量输出数据的残差。
进一步,所述步骤S6具体包括:
步骤S61、对每个参数传感器设置检测阈值Tk,比较残差和阈值的大小,当|e(k)|<Tk,判定为无故障;当|e(k)|≥Tk,判定为有故障,执行以下步骤;
步骤S62、若传感器的测量输出数据为恒定值,则为卡死故障,否则执行以下步骤;
步骤S63、根据以下公式获取未知故障类型的拟合输出数据,
Y(t)=ky(t)+a,t≥T,
其中,k为恒增益,且k≠1;a为偏差,且a≠0;T为故障发生的开始时间,y(t)为测量输出数据,Y(t)为拟合输出数据;
步骤S64、通过将深度置信网络观测器的理论输出数据与传感器的测量输出数据进行线性拟合,得到k、a的值;
步骤S65、若k≠1,且|a|≤Tk,则为恒增益故障;若k=1,且|a|≥Tk,则为恒偏差故障。
本发明提供的基于深度学习的水下机器人传感器故障诊断装置,所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当所述计算机程序指令被所述处理器执行时,触发所述装置执行执行上述任一项所述的方法。
本发明的有益效果是:本发明公开一种于深度学习的水下机器人传感器故障诊断方法及系统,通过将可测量的数据作为网络的输入数据,需要估计的数据作为输出数据,建立输入数据与输出数据之间的映射关系,并使网络以最小误差反映输入与输出的非线性关系;通过深度置信网络观测器进行估算,得出理论输出数据,进而计算理论输出数据与测量输出数据的残差,从而进行故障诊断,本发明提高了水下机器人传感器的故障诊断的精确度。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例基于深度学习的水下机器人传感器故障诊断方法的流程示意图。
具体实施方式
参考图1,本发明提供的基于深度学习的水下机器人传感器故障诊断方法,包括以下步骤:
步骤S1、采集水下机器人的历史运行数据,所述历史运行数据包括输入数据、输出数据以及与所述输入数据、输出数据对应的时刻;所述输入数据包括:水下机器人操纵面偏转量、运行深度、深度变化率、俯仰角、俯仰角速率、水速、空速、动力大小;所述输出数据包括:水下机器人的迎角、俯仰角速率、滚转角速率、偏航角速率,从而将可测量的数据作为网络的输入数据,需要估计的数据作为输出数据;
步骤S2、建立深度置信网络观测器,即通过输入数据与输出数据之间的映射关系,使网络以最小误差反映输入与输出的非线性关系;
步骤S3、实时采集水下机器人的输入数据和测量输出数据;
步骤S4、通过深度置信网络观测器进行估算,得出理论输出数据;
步骤S5、计算理论输出数据与测量输出数据的残差;
步骤S6、根据所述残差与阈值的大小进行故障诊断,若残差不超过阈限,则诊断为无故障;若残差超过阈限,则诊断为有故障。
进一步,所述步骤S2具体包括:
步骤S21、构建受限制玻尔兹曼机网络,所述受限制玻尔兹曼机网络包括神经元n个,隐层神经元m个,节点间的连接只存在层与层之间;
步骤S22、建立受限制玻尔兹曼机的能量函数,所述能量函数计算公式为:
其中,vi和hj分别是可视层第i个单元和隐含层第j个单元的随机状态;ai和bj是对应的偏置;wij是2个单元间的权值;
步骤S23、以v=h0作为输入,训练第1个受限制玻尔兹曼机,使其达到稳定状态;
步骤S24、将第1个受限制玻尔兹曼机学习到外界输入的联合概率分布当作第2个受限制玻尔兹曼机的可视层输入,直至稳定状态;
步骤S25、跳转到步骤S23,直到训练完成最后一个受限制玻尔兹曼机;
步骤S26、将最大似然函数作为目标函数,对各层参数进行微调,使输出值E(v,h)达到最小,从而得到所述受限制玻尔兹曼机网络的最优参数{w,a,b};
步骤S27、将最优参数更新到所述受限制玻尔兹曼机;
步骤S28、将参数更新后的受限制玻尔兹曼机依次堆叠组成深度置信网络观测器。
进一步,所述步骤S5中残差计算公式如下:
其中,k代表时刻,表示时刻k对应的理论输出数据,r(k)表示时刻k对应的测量输出数据,e(k)即为理论输出数据与测量输出数据的残差。
进一步,所述步骤S6具体包括:
步骤S61、对每个参数传感器设置检测阈值Tk,比较残差和阈值的大小,当|e(k)|<Tk,判定为无故障;当|e(k)|≥Tk,判定为有故障,执行以下步骤;
步骤S62、若传感器的测量输出数据为恒定值,则为卡死故障,否则执行以下步骤;
步骤S63、根据以下公式获取未知故障类型的拟合输出数据,
Y(t)=ky(t)+a,t≥T,
其中,k为恒增益,且k≠1;a为偏差,且a≠0;T为故障发生的开始时间,y(t)为测量输出数据,Y(t)为拟合输出数据;
步骤S64、通过将深度置信网络观测器的理论输出数据与传感器的测量输出数据进行线性拟合,得到k、a的值;
步骤S65、若k≠1,且|a|≤Tk,则为恒增益故障;若k=1,且|a|≥Tk,则为恒偏差故障。
当利用深度置信网络观测器检测出传感器故障时,需要进行数据重构,重构的方法有:断开该传感器的输出数据;利用观测器的理论输出数据取代传感器的测量输出数据;或者对故障数据进行一定的修正,进而保证水下机器人的安全运行。
本发明提供的基于深度学习的水下机器人传感器故障诊断装置,所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当所述计算机程序指令被所述处理器执行时,触发所述装置执行执行上述任一项所述的方法。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (5)
1.基于深度学习的水下机器人传感器故障诊断方法,其特征在于,包括以下步骤:
步骤S1、采集水下机器人的历史运行数据,所述历史运行数据包括输入数据、输出数据以及与所述输入数据、输出数据对应的时刻;所述输入数据包括:水下机器人操纵面偏转量、运行深度、深度变化率、俯仰角、俯仰角速率、水速、空速、动力大小;所述输出数据包括:水下机器人的迎角、俯仰角速率、滚转角速率、偏航角速率;
步骤S2、建立深度置信网络观测器;
步骤S3、实时采集水下机器人的输入数据和测量输出数据;
步骤S4、通过深度置信网络观测器进行估算,得出理论输出数据;
步骤S5、计算理论输出数据与测量输出数据的残差;
步骤S6、根据所述残差与阈值的大小进行故障诊断,若残差不超过阈限,则诊断为无故障;若残差超过阈限,则诊断为有故障。
2.根据权利要求1所述的基于深度学习的水下机器人传感器故障诊断方法,其特征在于,所述步骤S2具体包括:
步骤S21、构建受限制玻尔兹曼机网络,所述受限制玻尔兹曼机网络包括神经元n个,隐层神经元m个,节点间的连接只存在层与层之间;
步骤S22、建立受限制玻尔兹曼机的能量函数,所述能量函数计算公式为:
其中,vi和hj分别是可视层第i个单元和隐含层第j个单元的随机状态;ai和bj是对应的偏置;wij是2个单元间的权值;
步骤S23、以v=h0作为输入,训练第1个受限制玻尔兹曼机,使其达到稳定状态;
步骤S24、将第1个受限制玻尔兹曼机学习到外界输入的联合概率分布当作第2个受限制玻尔兹曼机的可视层输入,直至稳定状态;
步骤S25、跳转到步骤S23,直到训练完成最后一个受限制玻尔兹曼机;
步骤S26、将最大似然函数作为目标函数,对各层参数进行微调,使输出值E(v,h)达到最小,从而得到所述受限制玻尔兹曼机网络的最优参数{w,a,b};
步骤S27、将最优参数更新到所述受限制玻尔兹曼机;
步骤S28、将参数更新后的受限制玻尔兹曼机依次堆叠组成深度置信网络观测器。
3.根据权利要求1所述的基于深度学习的水下机器人传感器故障诊断方法,其特征在于,所述步骤S5中残差计算公式如下:
其中,k代表时刻,表示时刻k对应的理论输出数据,r(k)表示时刻k对应的测量输出数据,e(k)即为理论输出数据与测量输出数据的残差。
4.根据权利要求1所述的基于深度学习的水下机器人传感器故障诊断方法,其特征在于,所述步骤S6具体包括:
步骤S61、对每个参数传感器设置检测阈值Tk,比较残差和阈值的大小,当|e(k)|<Tk,判定为无故障;当|e(k)|≥Tk,判定为有故障,执行以下步骤;
步骤S62、若传感器的测量输出数据为恒定值,则为卡死故障,否则执行以下步骤;
步骤S63、根据以下公式获取未知故障类型的拟合输出数据,
Y(t)=ky(t)+a,t≥T,
其中,k为恒增益,a为偏差,且a≠0;T为故障发生的开始时间,y(t)为测量输出数据,Y(t)为拟合输出数据;
步骤S64、通过将深度置信网络观测器的理论输出数据与传感器的测量输出数据进行线性拟合,得到k、a的值;
步骤S65、若k≠1,且|a|≤Tk,则为恒增益故障;若k=1,且|a|≥Tk,则为恒偏差故障。
5.基于深度学习的水下机器人传感器故障诊断装置,其特征在于,所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当所述计算机程序指令被所述处理器执行时,触发所述装置执行权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424351.XA CN109579896A (zh) | 2018-11-27 | 2018-11-27 | 基于深度学习的水下机器人传感器故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424351.XA CN109579896A (zh) | 2018-11-27 | 2018-11-27 | 基于深度学习的水下机器人传感器故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109579896A true CN109579896A (zh) | 2019-04-05 |
Family
ID=65924929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811424351.XA Pending CN109579896A (zh) | 2018-11-27 | 2018-11-27 | 基于深度学习的水下机器人传感器故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109579896A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110231156A (zh) * | 2019-06-26 | 2019-09-13 | 山东大学 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
CN110243405A (zh) * | 2019-06-25 | 2019-09-17 | 东北大学 | 一种基于深度学习的航空发动机传感器故障诊断方法 |
CN110319957A (zh) * | 2019-06-25 | 2019-10-11 | 哈尔滨工程大学 | 船体结构应力监测系统传感器无规律异常值故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008276785A (ja) * | 2007-05-03 | 2008-11-13 | Chung-Ang Univ Industry-Academic Cooperation Foundation | センサの故障検出及び分離方法、これを用いたセンサの故障適応方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108764122A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 一种基于深度学习的auv控制系统优化与故障监测方法 |
-
2018
- 2018-11-27 CN CN201811424351.XA patent/CN109579896A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008276785A (ja) * | 2007-05-03 | 2008-11-13 | Chung-Ang Univ Industry-Academic Cooperation Foundation | センサの故障検出及び分離方法、これを用いたセンサの故障適応方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108764122A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 一种基于深度学习的auv控制系统优化与故障监测方法 |
Non-Patent Citations (1)
Title |
---|
郑晓飞 等: ""基于深度学习的航空传感器故障诊断方法"", 《计算机工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243405A (zh) * | 2019-06-25 | 2019-09-17 | 东北大学 | 一种基于深度学习的航空发动机传感器故障诊断方法 |
CN110319957A (zh) * | 2019-06-25 | 2019-10-11 | 哈尔滨工程大学 | 船体结构应力监测系统传感器无规律异常值故障诊断方法 |
CN110231156A (zh) * | 2019-06-26 | 2019-09-13 | 山东大学 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vazirizade et al. | Seismic reliability assessment of structures using artificial neural network | |
Abdeljaber et al. | 1-D CNNs for structural damage detection: Verification on a structural health monitoring benchmark data | |
CN109579896A (zh) | 基于深度学习的水下机器人传感器故障诊断方法及装置 | |
CN109444740B (zh) | 一种风电机组的故障状态智能监测与诊断方法 | |
CN107272654B (zh) | 一种用于无人机飞控系统故障检测的数据聚类降维方法 | |
Ji et al. | Model-free fault diagnosis for autonomous underwater vehicles using sequence convolutional neural network | |
CN108275524A (zh) | 一种基于第一视角视频序列操作评估的电梯维保操作监测与指导装置 | |
Khalastchi et al. | Sensor fault detection and diagnosis for autonomous systems | |
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 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN110531737A (zh) | 基于混合模型的卫星执行机构故障诊断方法、系统及介质 | |
Han et al. | Human action recognition based on LSTM model using smartphone sensor | |
EP3945472A3 (en) | Method of and system for online machine learning with dynamic model evaluation and selection | |
Singh et al. | Structural health monitoring and damage detection through machine learning approaches | |
CN112883478B (zh) | 钢结构位移预测方法、装置、终端设备和系统 | |
CN109655114A (zh) | 城市地下管廊监测系统及其监测方法 | |
CN113393027A (zh) | 一种基于深度学习的航标漂移智能预测方法 | |
Huo et al. | A distributed closed-loop monitoring approach for interconnected industrial systems | |
Endo et al. | Anticipatory robot navigation by simultaneously localizing and building a cognitive map | |
Ghazvineh et al. | Application of 2-D convolutional neural networks for damage detection in steel frame structures | |
Salkhordeh et al. | A rapid neural network-based demand estimation for generic buildings considering the effect of soft/weak story | |
Yen et al. | Winner take all experts network for sensor validation | |
CN110728397B (zh) | 一种基于模型自动匹配的大坝单测点阈值计算方法 | |
Dang et al. | Vibration-based building health monitoring using spatio-temporal learning model | |
Wang et al. | Recurrent neural network applied to fault diagnosis of underwater robots |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |