CN110132627A

CN110132627A - 一种推进器的故障诊断方法

Info

Publication number: CN110132627A
Application number: CN201910451839.XA
Authority: CN
Inventors: 朱大奇; 程学龙; 胡震; 杨磊; 陈云赛; 孙兵
Original assignee: Shanghai Maritime University
Current assignee: Shanghai Maritime University
Priority date: 2019-05-28
Filing date: 2019-05-28
Publication date: 2019-08-16

Abstract

本发明公开了一种推进器的故障诊断方法，包括：获取待测试的推进器参数，参数包括：推进器的控制电压信号、推进器的电流信号、推进器的转速信号；将参数输入预设DBN深度置信网络故障辨识器进行预测；将预设DBN故障辨识器的输出作为参数对应的故障系数；根据故障系数确定推进器的当前工作状态；预设DBN故障辨识器的训练方法包括：获取故障训练样本；将故障训练样本输入DBN故障诊断模型；使用故障训练样本进行训练DBN故障诊断模型。本发明实施例通过测量反应载人潜水器HOV推进器运行状态，利用DBN深度置信网络对控制电压、转速和电流信号进行深度信息融合，对在深海作业的载人潜水器HOV推进器故障大小进行在线辨识。

Description

一种推进器的故障诊断方法

技术领域

本发明涉及推进器的故障诊断技术领域，尤其涉及一种推进器的故障诊断方法。

背景技术

作为目前深海作业和资源开发的最便捷有效的平台，深海载人潜水器HOV(HumanOccupied Vehicle)的可靠性研究引起了世界各国科学家的高度重视。作为载人潜水器HOV最核心子系统之一，推进器长期裸露在环境复杂的深海，在海洋作业过程中存在着巨大的不确定与危险性；推进器的运行状态决定了载人潜水器水下作业的成功与否，一旦出现故障则会严重威胁到潜水器自身和潜航员的生命安全。及时准确地监测推进器运行状态和辨识故障信息是水下作业成功完成和潜水器安全的保证。因此，在载人潜水器HOV的开发与水下作业过程中，推进器的可靠性与故障诊断研究成为一项重要技术问题。

目前，国内外关于深海载人潜水器HOV推进器的可靠性与故障诊断研究的报道还较少，其中基于神经网络的智能信息融合故障诊断方法是HOV故障诊断的重要手段之一。对于传统神经网络，自组织特征映射神经网络(SOM：Self-organizing feature Map)的离散型输出特点，决定了基于SOM网络的信息融合故障诊断模型只能简单地诊断出训练样本中的已知故障类型，一旦推进器在实际作业过程中出现了新的故障类型，SOM网络故障辨识器的故障辨识误差较大，有时将无法使用。而使用了误差反向传播算法的多层全局逼近神经网络(BP：Back Propagation)信息融合故障诊断模型，虽然可以识别各种连续变化的故障情况，同时可以辨识在训练样本中之外的故障类型，然而由于BP神经网络的易陷入局部最优等缺点，使得BP网络在诊断非训练样本故障类型时辨识精度较低。

发明内容

本发明的目的在于提供一种推进器的故障诊断方法，旨在通过测量反应载人潜水器HOV推进器运行状态的推进器控制电压信号、电流信号和转速信号，利用DBN深度置信网络对控制电压、转速和电流信号进行深度信息融合，对在深海作业的载人潜水器HOV推进器故障大小进行在线辨识。

为了实现上述目的，本发明提供一种推进器的故障诊断方法，包括：

获取待测试的推进器参数，其中，所述参数包括：推进器的控制电压信号、推进器的电流信号、推进器的转速信号；

将所述参数输入预设DBN故障辨识器进行预测；

将所述预设DBN故障辨识器的输出作为所述参数对应的故障系数；

根据所述故障系数确定推进器的当前工作状态；

其中，所述预设DBN故障辨识器的训练方法包括：

获取故障训练样本；

将所述故障训练样本输入DBN故障诊断模型；

使用故障训练样本进行训练所述DBN故障诊断模型。

一种实现方式中，所述方法还包括：

根据所述故障系数，计算优先权矩阵；

根据所述优先权矩阵、推进器配置矩阵，获得容错控制矩阵；

根据容错控制矩阵进行推进器故障的水下容错控制。

一种实现方式中，所述计算优先权矩阵所采用的公式为：

其中，W_i是优先权矩阵，s_i是第i个推进器的故障系数。

一种实现方式中，所述根据所述故障系数确定推进器的当前工作状态的步骤，包括：

判断根据所述故障系数是否大于第一预设阈值；

如果是，确定推进器的当发生故障；

否则，确定推进器没有发生故障。

一种实现方式中，所述方法还包括：

判断所述故障系数是否大于第二预设阈值；

如果是，执行抛载上浮；

如果否，根据容错控制矩阵进行推进器故障的水下容错控制。

一种实现方式中，所述推进器包括：第一RBM、第二RBM、第三RBM、BP分类器；

所述第一RBM、所述第二RBM、所述第三RBM和所述BP分类器依次相连；

其中，所述第一RBM包括：显示层和第一隐含层；

所述第二RBM包括：第一隐含层和第二隐含层；

所述第三RBM包括：第二隐含层和第三隐含层；

所述BP分类器包括：第三隐含层和和输出层。

应用本发明实施例提供的一种推进器的故障诊断方法，具备的有益效果如下：

(1)通过测量反应载人潜水器HOV推进器运行状态的推进器控制电压信号、电流信号和转速信号，利用DBN深度置信网络对控制电压、转速和电流信号进行深度信息融合，对在深海作业的载人潜水器HOV推进器故障大小进行在线辨识。

(2)与传统电解水相比，HOV在水下实际作业时发生推进器轻微故障，根据HOV推进器故障大小和推进器配置矩阵计算出推进器的优先权矩阵和伪逆重构容错矩阵，最后由重构的容错控制电压信号实现HOV推进器故障情形下的水下容错控制。而当推进器故障较为严重时，操纵人员主动抛载上浮。

附图说明

图1是本发明实施例的一种结构示意图。

图2是本发明实施例的一种效果示意图。

图3是本发明实施例的一种效果示意图。

图4是本发明实施例的一种效果示意图。

图5是本发明实施例的一种效果示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1-图5。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1本发明提供一种推进器的故障诊断方法，包括：

S101，获取待测试的推进器参数，其中，所述参数包括：推进器的控制电压信号、推进器的电流信号、推进器的转速信号。

可以理解的是，推进器(Thruster)是将任何形式的能量转化为机械能的装置。通过旋转叶片或喷气(水)来产生推力的。可以用来驱动交通工具前进，或是作为其他装置如发电机的动力来源。

可以理解的是，通过传感器能够采集载人潜水器HOV中各个推进器的控制电压信号、电流信号和转速信号。

S102，将所述参数输入预设DBN故障辨识器进行预测。

本发明实施例提供一种预设DBN故障辨识器的训练方法包括：获取故障训练样本；将所述故障训练样本输入DBN故障诊断模型；使用故障训练样本进行训练所述DBN故障诊断模型。

需要说明的是，深度置信网络(Deep Belief Network，简称DBN)，DBN是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对P(Observation|Label)和P(Label|Observation)都做了评估，而判别模型仅仅而已评估了后者，也就是P(Label|Observation)。DBN由多个限制玻尔兹曼机(Restricted Boltzmann Machines)层组成，一个典型的神经网络类型如图所示。这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。

S103，将所述预设DBN故障辨识器的输出作为所述参数对应的故障系数。

本发明实施例中，通过在水池中的故障模拟实验，获取几种典型故障模式的故障样本，每组故障样本包括通过传感器采集的推进器控制电压信号、电流信号和转速信号，以及对应的故障系数s；将经过预处理的推进器控制电压信号、电流信号和转速信号作为DBN深度置信网络的输入，对应的故障系数s作为网络的期望输出，对网络进行训练，得到满足故障诊断要求的DBN故障辨识器。

例如，深海载人潜水器HOV推进器1人为设置几种典型推进器拥堵故障模式，如正常模式，其故障拥堵大小s＝0；螺旋桨缠绕一根长度为50cm绳子设置轻微拥堵模式，其故障拥堵大小s＝0.25；螺旋桨缠绕一根长度为150cm绳子设置中等拥堵模式，其故障拥堵大小s＝0.5；螺旋桨缠绕一根长度为250cm绳子设置严重拥堵模式，其拥堵故障大小s＝0.75；卸下螺旋桨为完全失效模式，其拥堵故障大小s＝1。针对正常状况和不同故障模式，通过采集与预处理装置2，将推进器1正常运行时的控制电压信号、电流信号和转速信号，以及对应的故障系数s进行记录并保存，并得到如表1的故障训练样本。

表1

控制电压信号	电流信号	转速信号	推进器故障系数
				0.3	1.00	0.0821	s＝1.00
0.3	0.8607	1.00	s＝0.00
				0.3	0.7136	0.7985	s＝0.25
0.3	0.3916	0.4066	s＝0.50
				0.3	0.1592	0.2019	s＝0.75
0.5	1.00	0.0381	s＝1.00
				0.5	0.8737	1.00	s＝0.00
0.5	0.7380	0.8976	s＝0.25
				0.5	0.4795	0.5554	s＝0.50
0.5	0.2231	0.2045	s＝0.75
				0.7	1.00	0.0863	s＝1.00
0.7	0.7851	1.00	s＝0.00
				0.7	0.6757	0.9066	s＝0.25
0.7	0.4493	0.5610	s＝0.50
				0.7	0.1860	0.2327	s＝0.75
0.9	1.00	0.0907	s＝1.00
				0.9	0.7316	1.00	s＝0.00
0.9	0.6757	0.8856	s＝0.25
				0.9	0.4315	0.5161	s＝0.50
0.9	0.2204	0.2151	s＝0.75

将对应的电流信号、转速信号和故障系数s进行记录，将上述的载人潜水器HOV推进器的控制电压信号、电流信号、转速信号经过预处理后得到DBN深度置信网络的故障训练样本；对应的故障系数s作为网络的期望输出，对网络进行训练，经过多个周期的训练得到DBN故障辨识器。

本发明的实现方式中，所述推进器包括：第一RBM、第二RBM、第三RBM、BP分类器；所述第一RBM、所述第二RBM、所述第三RBM和所述BP分类器依次相连；其中，所述第一RBM包括：显示层和第一隐含层；所述第二RBM包括：第一隐含层和第二隐含层；所述第三RBM包括：第二隐含层和第三隐含层；所述BP分类器包括：第三隐含层和和输出层。

具体实现如图2所示，本发明所使用的DBN网络模型如图2所示，输入为预处理后的控制电压信号、电流信号和转速信号，输出为对应的故障大小s。深度置信网络由多个受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)堆叠而成，其中RBM包含显示层和隐含层。本发明所使用的DBN网络模型包含三个非监督的RBM和一个监督BP分类器，上一个RBM的隐含层输出作为输入；而输出作为下一个RBM的显示层的输入。其中，作为输入的显示层v和隐含层1(hidden1)组成RBM1，隐含层1(hidden1)和隐含层2(hidden2)组成RBM2，隐层2(hidden2)和隐层3(hidden3)组成RBM3，隐含层3(hidden3)和输出层(Output)组成BP分类器。

这样的由多个RBM堆叠而成的非监督序列的模型结构使得DBN网络可以得到充分的预训练。当预训练完成后，每个RBM都可以得到初始参数，这些初始参数也就组成了DBN模型的网络初始参数。为了得到更高精度的分类和预测结果，仅有上述的预训练操作是远远不够的，因此我们需要对上述的DBN初始网络参数进行进一步优化-微调。作为一个有监督的训练过程，微调通过误差反传和梯度下降算法使得DBN初始网络参数达到最优。一层层的非线性学习过程和微调方法使得DBN可以从实验数据中提取更深层次的故障信息。

如图3和图4中，是本发明中基于DBN深度置信网络的故障辨识离线训练模型和载人潜水器HOV推进器的DBN故障在线辨识。图3中，在DBN深度置信网络接收电流信号转速信号和控制电压以后获得预测故障系数，并将预测的故障系数与预先获得的已知故障系数进行比较后获得误差返回值DBN深度置信网络进行反馈，从而修正。

图4中，在载人潜水器推进器通过传感器采集到数据以后，电流和转速信号经过信息处理，例如过滤杂质信号，并结合控制电压信号输入至DBN网络，获得故障系数，并发送至计算机，通过计算机进行进一步处理。

由上可知，DBN模型的训练包括两个阶段，逐层无监督与训练和监督微调。第一阶段是从较低层到较高层训练RBM序列，第二阶段是基于误差反传和梯度下降算法对网络参数进行微调。在预训练中，前一层的输出被视为从左到右的下一层的输入。当预训练完成后，每个RBM都可以获得初始参数，构成DBN模型的初始网络参数。然后，通过微调进一步调整和优化初始网络参数，这个DBN可以在分类和预测方面具有更高的精度。微调是一种监督学习过程，他使用标签数据通过误差反传算法调整DBN网络参数，最终使网络参数达到全局最优。因此深海HOV推进器DBN信息融合故障诊断的实现有两个部分：训练(预训练+微调)和测试。通过划分推进器故障样本获得用于有效训练和测试的多个故障样本。

S104，根据所述故障系数确定推进器的当前工作状态。

具体的，根据所述故障系数确定推进器的当前工作状态的步骤，包括：判断根据所述故障系数是否大于第一预设阈值；如果是，确定推进器的当发生故障；否则，确定推进器没有发生故障。

一种实现方式中，所述方法还包括：根据所述故障系数，计算优先权矩阵；

根据所述优先权矩阵、推进器配置矩阵，获得容错控制矩阵；根据容错控制矩阵进行推进器故障的水下容错控制。

一种实现方式中，所述计算优先权矩阵所采用的公式为：

其中，W_i是优先权矩阵，s_i是第i个推进器的故障系数。

HOV在水下实际作业时发生推进器轻微故障，根据HOV推进器故障大小s计算优先权矩阵W_i，并根据伪逆重构方法u＝W^-1B^T(BW^-1B^T)^-1τ_d(u为各个推进器容错控制信号，B为推进器配置矩阵，τ_d为水下机器人设定状态)产生容错控制矩阵，最后由重构的容错控制电压信号实现HOV推进器故障情形下的水下容错控制。而当推进器故障较为严重时，为了HOV和人员的生命安全着想，一般情况下由操纵人员主动抛载上浮。

一种实现方式中，如图5所示，所述方法还包括：判断所述故障系数是否大于第二预设阈值；如果是，执行抛载上浮；如果否，根据容错控制矩阵进行推进器故障的水下容错控制。

因此，本发明提出一种基于深度置信网络(DBN：Deep Belief Network)的深海载人潜水器HOV推进器故障深度信息融合诊断方法。本发明的基于DBN深度置信网络深度信息融合模型的故障辨识器，不仅可以识别载人潜水器HOV推进器连续变化的故障情况，同时由于其具有的局部泛化能力和抗干扰能力，可以以更高的精度诊断出非训练样本故障类型的未知故障情况。

本发明基于DBN深度置信网络的故障深度信息融合模型，通过测量反应载人潜水器HOV推进器运行状态的推进器控制电压信号、电流信号和转速信号，利用DBN深度置信网络对控制电压、转速和电流信号进行深度信息融合，对在深海作业的载人潜水器HOV推进器故障大小进行在线辨识。

HOV在水下实际作业时发生推进器轻微故障，根据HOV推进器故障大小和推进器配置矩阵计算出推进器的优先权矩阵和伪逆重构容错矩阵，最后由重构的容错控制电压信号实现HOV推进器故障情形下的水下容错控制。而当推进器故障较为严重时，为了HOV和人员的生命安全着想，一般情况下由操纵人员主动抛载上浮。具体的，水下容错控制才有现有的容错方案进行，本发明实施例在此不做赘述。

本发明不仅可以识别载人潜水器HOV推进器连续变化的故障情况，而且可以辨识出故障训练样本之外的故障状况；对于载人潜水器HOV推进器的在线故障诊断，本发明的DBN故障融合辨识器的诊断结果比传统神经网络故障辨识器具有更高的稳定性和准确度。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切修饰或改变，仍应由本发明的权利要求所涵盖。

Claims

1.一种推进器的故障诊断方法，其特征在于，包括：

将所述参数输入预设DBN故障辨识器进行预测；

根据所述故障系数确定推进器的当前工作状态；

其中，所述预设DBN故障辨识器的训练方法包括：

获取故障训练样本；

将所述故障训练样本输入DBN故障诊断模型；

使用故障训练样本进行训练所述DBN故障诊断模型。

2.根据权利要求1所述的一种推进器的故障诊断方法，其特征在于，所述方法还包括：

根据所述故障系数，计算优先权矩阵；

根据容错控制矩阵进行推进器故障的水下容错控制。

3.根据权利要求2所述的一种推进器的故障诊断方法，其特征在于，所述计算优先权矩阵所采用的公式为：

其中，W_i是优先权矩阵，s_i是第i个推进器的故障系数。

4.根据权利要求3所述的一种推进器的故障诊断方法，其特征在于，所述根据所述故障系数确定推进器的当前工作状态的步骤，包括：

判断根据所述故障系数是否大于第一预设阈值；

如果是，确定推进器的当发生故障；

否则，确定推进器没有发生故障。

5.根据权利要求2所述的一种推进器的故障诊断方法，其特征在于，所述方法还包括：

判断所述故障系数是否大于第二预设阈值；

如果是，执行抛载上浮；

6.根据权利要求1所述的一种推进器的故障诊断方法，其特征在于，所述推进器包括：第一RBM、第二RBM、第三RBM、BP分类器；

其中，所述第一RBM包括：显示层和第一隐含层；

所述第二RBM包括：第一隐含层和第二隐含层；

所述第三RBM包括：第二隐含层和第三隐含层；

所述BP分类器包括：第三隐含层和和输出层。