CN110716532A - 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法 - Google Patents

Abstract

本发明涉及一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，属于水下机器人推进器弱故障辨识技术领域；包括基于小波包降噪方法对控制器和传感器数据进行降噪；基于经验模态分解EMD方法及互相关准则，提取降噪后数据的能量特征；同时，基于FFT方法对降噪后的数据进行频域分析，得到改进频域特征；基于灰色关联分析方法对能量及改进频域特征组成的故障矩阵与样本矩阵进行对比计算，实现弱故障辨识。本发明可有效解决仅采用单一时域或能量特征进行弱故障辨识时，由于特征变化呈非单一，且容易丢失部分重要信息，导致弱故障辨识精度较低的问题，提高了弱故障辨识精度，适用于水下机器人推进器弱故障辨识等领域，应用前景广阔。

Description

一种基于小波包能量与FFT的水下机器人推进器弱故障辨识 方法

技术领域

本发明涉及一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，属于水下机器人推进器弱故障辨识技术领域。

背景技术

随着陆地资源日渐减少，人类开发海洋的步伐越来越快。自主式水下机器人是目前唯一能够在无人情况下在深海进行探测、开发的载体，一直受到国内外研究人员的高度重视。推进器是其关键部件也是负荷最重的部件，研究推进器故障诊断技术对于提高安全性具有重要意义。很多学者在推进器故障诊断技术方面取得了很好的研究成果，但大都关注推进器硬故障以及出力损失程度较大的故障，而较少研究出力损失程度小于总出力的、故障程度较小的弱故障，同时，推进器弱故障多为早期故障，尽早有效检测与诊断早期故障对于避免发生“灾难性事故”具有重要作用。

小波变换是近年来迅速发展起来的时频分析工具，克服了傅里叶变换只能表示信号的频率特征，但不能反映时间域上局部信息的缺陷，同时具有时间和频率的局部分析特征与多分辨率分析特性，并已在图像处理、信号滤波与特征提取等方面获得了广泛的应用。小波降噪方法以小波变换为基础，根据信号和噪声经过小波分解后对应的小波系数所具有的不同特性，可很好地实现外部干扰抑制，以提高故障辨识结果的准确性。然而，由于小波变换只能对信号的低频部分进行处理分析，会使部分重要信息丢失。因此，采用基于小波变换的小波包变换信号处理方法，能提高信号高频部分的时频分辨率。

传统仅基于时域信号或能量特征进行故障辨识的方法，由于外部随机干扰的影响，以及不同程度推力损失对应的故障特征并非呈单一变化趋势，弱故障辨识精度较低。针对弱故障辨识精度较低的问题，本发明采用EMD方法与互相关准则提取小波包降噪后的数据的能量特征以及FFT方法提取小波包降噪后的数据的改进频域特征，组建弱故障特征矩阵，计算待测弱故障信号的特征矩阵与故障样本的特征矩阵间的灰色关联度，选取较大的两个关联度加权平均，得到辨识弱故障程度。本发明方法提高了水下机器人推进器弱故障辨识的精度。

因此,将能量特征与改进频域特征相结合,构成一种新型的水下机器人推进器弱故障辨识方法，可有效解决弱故障诊断中，水下机器人运行在外部干扰和量测噪声环境下，仅采用单一时域或小波能量特征，由于特征并非呈单一变化趋势，且容易丢失部分重要信息，导致弱故障辨识精度较低的问题。

发明内容

本发明的目的是为了解决弱故障诊断中，水下机器人弱故障辨识精度较低的问题而提供一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法。

本发明的目的是这样实现的：一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，具体包括以下步骤：

步骤1、采用小波包降噪方法对采集到的水下机器人控制器和传感器数据进行W层小波包分解,小波基函数为X，得到小波包系数d_i,j(k)，d_i,j(k)为节点(i,j)对应的第k个小波包系数，节点(i,j)为第j层第个i频带，计算各个节点的能量比例，选取能量比例较大的节点进行重构，得到重构信号；

步骤2、采用EMD方法与互相关准则提取降噪后数据的能量特征；

步骤3、采用FFT方法对步骤1降噪后的数据进行变换，提取改进频域特征，即改进标准偏差频率STDF_x：

式中，ΔX_r＝(X_r+1-X_r)²，X_r为FFT变换后的幅值，故障矩阵中记为F；

步骤4、采用灰色关联分析方法计算故障矩阵与样本矩阵间的灰色关联度，实现弱故障辨识。

本发明还包括这样一些特征：

1、步骤2具体包括：

步骤2.1、EMD分解重构信号：对步骤1得到的重构信号采用EMD方法分解，得到若干个IMF分量；

步骤2.2、互相关准则选取IMF分量：计算步骤2.1得到的若干个IMF分量与重构信号间的相关系数，选取相关系数较大的s个IMF分量；

步骤2.3、构建能量特征：计算步骤2.2选取的s个IMF分量各自的能量值

i＝1,2,…,2^j，式中，N为第i个频带的长度；

步骤2.4、归一化处理：根据步骤2.3得到的各个能量值E_i,j，计算频带的总能量

并进行归一化处理，得到能量特征Eⁱ＝E_i,j/E_i。

2、步骤4具体包括：

步骤4.1、构建故障特征矩阵：采用步骤2和步骤3所得的能量特征与频域特征，构建故障特征矩阵：

式中，E_AUV为故障特征矩阵，

E_ΔV与E_θ分别为左主推进器电压、右主推进器电压、纵向速度误差与艏向角的能量特征，上标代表所选取的s＝4个不同的IMF分量，F代表各个信号的改进标准偏差频率特征；

步骤4.2、计算灰色关联度||R||：根据步骤4.1获得的待测信号的故障特征矩阵,计算其与故障样本特征矩阵之间的灰色关联度：

待测故障矩阵X＝[x₁,x₂,x₃,x₄]'和样本故障矩阵Y＝[y₁,y₂,y₃,y₄]'，其中x_i＝{x_i(1),…,x_i(m)}和y_i＝{y_i(1),…,y_i(m)},m为特征值的个数,i＝1,…,4分别对应待测故障和样本故障的左主推进器电压、右主推进器电压、纵向速度误差和艏向角故障特征，根据灰色关联分析方法，待测故障特征向量数列x_i和样本故障特征向量数列y_i各个特征值间相互关系：

式中，ζ_ii(k)为第k个特征值的相互关联系数，ζ为分辨系数，一般ζ＝0.5；x_i和y_i的向量关联度

X和Y的关联度矩阵R＝[r₁₁,r₂₂,r₃₃,r₄₄]，关联度

步骤4.3、辨识弱故障程度：根据步骤4.2计算得出的关联度，得到辨识结果：

选取关联度最大的两个关联度||R||_p和||R _q,下标为对应样本故障矩阵的故障程度p和q，待测故障程度为

3、步骤1所述小波包分解层数W＝3,小波基函数X为db1。

4、步骤2.2所述相关系数较大的IMF分量的个数为s＝4。

5、步骤4.1所述故障特征矩阵行数n＝4,列数m＝5。

6、步骤4.2所述故障样本数t＝4,，推进器出力故障程度分别为100％、95％、92％和90％。

与现有技术相比，本发明的有益效果是：本发明提出了一种新型的弱故障辨识方法,与现有仅提取故障信号时域特征或能量特征的故障辨识方法相比,该方法有效地解决了弱故障诊断中，仅采用单一时域特征或小波能量特征进行弱故障辨识，由于特征并非呈单一变化趋势，且容易丢失部分重要信息，导致弱故障辨识精度较低的问题，提高了弱故障辨识精度，适用于水下机器人推进器弱故障辨识等领域。

附图说明

图1是本发明的弱故障辨识方法结构框图；

图2是弱故障程度待测的水下机器人传感器和控制器信号；

图3是小波包降噪后的数据的小波包系数；

图4是各个节点的能量比例；

图5是本发明方法构建的水下机器人待测信号弱故障特征矩阵；

图6是本发明方法的弱故障辨识结果；

图7是传统仅提取水下机器人待测信号的时域特征及能量特征的弱故障辨识结果。

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。

本发明提供了一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法,具体通过对水下机器人状态信号进行小波包方法降噪,以抑制外部随机干扰及自身传感器噪声对辨识准确性的影响,并获得容易丢失的信号的高频部分，能提高信号高频部分的时频分辨率，从而提高弱故障辨识的准确性，同时基于经验模态分解EMD方法与互相关准则和FFT方法提取能量特征与改进频域特征，组成弱故障特征矩阵，通过计算其与前期通过水池实验建立的故障样本的特征矩阵间的灰色关联度，从而得到水下机器人推进器弱故障辨识结果。本发明方法有效地解决了弱故障诊断中，有效地解决了弱故障诊断中，仅采用单一时域特征或小波能量特征进行弱故障辨识，由于特征并非呈单一变化趋势，且容易丢失部分重要信息，弱故障辨识精度较低的问题。本发明方法提高了弱故障辨识精度，适用于水下机器人推进器弱故障辨识等领域。

本发明的目的是通过以下技术方案来实现的：基于小波包降噪、EMD方法和FFT方法，实现步骤如下：

(1)对水下机器人采集到的数据进行小波包降噪：

选定合适的小波基函数“db1”，确定分解层数为3层，对传感器原始数据和与传感器信号高度相关的控制量进行小波包分解，得到小波包系数d_i,j(k)，d_i,j(k)为节点(i,j)对应的第k个小波包系数，节点(i,j)为第j层第个i频带，计算各个节点的能量比例，选取能量比例较大的节点重构；

(2)EMD方法与互相关准则提取能量特征：对步骤(1)重构信号进行EMD方法分解，得到若干个分量IMF；计算其与重构信号的相关系数，选取相关系数较大的s个IMF分量，计算其能量值

式中，N为第i个频带的长度，计算频带的总能量

并进行归一化处理，得到能量特征Eⁱ＝E_i,j/E_i；

(3)FFT方法提取频域特征：对步骤(1)降噪后的数据进行变换，提取改进频域特征，即，改进标准偏差频率STDF_x

式中，ΔX_r＝(X_r+1-X_r)²，X_r为FFT后的幅值，故障特征矩阵中记为F；

(4)构建故障特征矩阵：根据步骤(2)和(3)获得的待测信号能量特征和频域特征，组成故障特征矩阵

式中，E_AUV为故障特征矩阵，

E_ΔV与E_θ分别为左主推进器电压、右主推进器电压、纵向速度误差与艏向角的能量特征，上标代表选取的s＝4个选取的IMF分量，F代表各个信号的改进标准偏差频率特征；

(5)根据步骤(4)获得的待测故障信号特征矩阵,通过灰色关联分析方法，计算其与故障样本特征矩阵之间的灰色关联度，样本特征为已知出力故障程度100％、95％、92％和90％的故障信号经步骤(1)-(4)分别提取能量特征与改进频域特征组成，待测弱故障特征向量数列x_i和样本故障特征向量数列y_i各个特征值间相互关系

式中，ζ_ii(k)为第k个特征值的相互关联系数，ζ为分辨系数，一般ζ＝0.5；x_i和y_i的向量关联度

X和Y的关联度矩阵R＝[r₁₁,r₂₂,r₃₃,r₄₄]，关联度

(6)根据步骤(5)计算得到的灰色关联度，选取关联度较大的两个关联度||R||_p和||R||_q,下标为对应样本故障矩阵的故障出力程度p和q，待测弱故障程度为

结合附图1到附图7对本发明的水下机器人弱故障辨识方法进行阐述。本发明所提弱故障辨识方法流程图，如图1所示,其具体实施步骤如下：

1、首先,采集水下机器人控制器及传感器数据，数据如附图2所示。

2、然后，对处理后的数据进行小波包分解，具体做法为选取小波基函数“db1”，分解层数为3层，以小波基函数对处理后的数据进行小波包分解，得到小波包系数d_i,j(k)，如附图3所示。

3、计算各个节点的能量比例，如附图4所示，选取能量比例较大的节点进行重构，得到重构信号。

4、对步骤1的重构信号进行EMD分解，得到若干个分量IMF；计算其与重构信号的相关系数，选取相关系数较大的IMF分量，计算其能量值

与频带的总能量

并进行归一化处理，得到能量特征Eⁱ＝E_i,j/E_i。

5、然后，对步骤1降噪后的数据进行变换，提取改进频域特征，即改进标准偏差频率STDF_x

式中，ΔX_r＝(X_r+1-X_r)²，X_r为FFT后的幅值，记为F。

6、根据步骤2和3获得的待测信号能量特征和频域特征，组成待测信号故障特征矩阵如附图5所示。

7、根据步骤4获得的故障特征矩阵,采用灰色关联分析方法，计算灰色关联度

8、根据步骤5计算得出的灰色关联度，选取关联度最大的两个关联度||R||_p和||R||_q，下标为对应样本故障矩阵的故障程度p和q，待测弱故障程度为

本发明方法辨识结果如图6所示。因此，本发明方法对实际推力故障程度为98％的故障,辨识结果为97.47％推力故障，辨识精度较高。

附图7为仅提取水下机器人待测信号小波能量的故障辨识结果。由附图可以看出，小波能量对实际推力故障程度为98％的故障，辨识结果为93.44％推力故障，辨识精度较低。所以，本发明方法的弱故障辨识精度更高。

本发明首先采集原始数据，然后对原始数据进行小波包降噪，分别采用EMD方法与互相关准则及FFT方法，提取能量特征及改进频域特征作为故障特征，组成故障特征矩阵，计算待测信号故障特征矩阵与故障样本库中已知推力损失程度的样本特征矩阵间的灰色关联度并加权平均，即为待测信号弱故障程度，实现水下机器人的弱故障辨识。最终可提高水下机器人弱故障辨识精度，是一种新型、有效的水下机器人弱故障辨识方法。

综上，本发明涉及水下机器人推进器弱故障辨识技术领域，具体涉及一种基于小波包能量与快速傅里叶变换FFT的水下机器人推进器弱故障辨识方法。该方法基于小波包降噪方法对控制器和传感器数据进行降噪；基于经验模态分解EMD方法及互相关准则，提取降噪后数据的能量特征；同时，基于FFT方法对降噪后的数据进行频域分析，得到改进频域特征；基于灰色关联分析方法对能量及改进频域特征组成的故障矩阵与样本矩阵进行对比计算，实现弱故障辨识。本发明方法可有效解决仅采用单一时域或能量特征进行弱故障辨识时，由于特征变化呈非单一，且容易丢失部分重要信息，导致弱故障辨识精度较低的问题，提高了弱故障辨识精度，适用于水下机器人推进器弱故障辨识等领域。

Claims (7)

1.一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，其特征在于，包括以下步骤：

步骤1、采用小波包降噪方法对采集到的水下机器人控制器和传感器数据进行W层小波包分解,小波基函数为X，得到小波包系数d_i,j(k)，d_i,j(k)为节点(i,j)对应的第k个小波包系数，节点(i,j)为第j层第个i频带，计算各个节点的能量比例，选取能量比例较大的节点进行重构，得到重构信号；

步骤2、采用EMD方法与互相关准则提取降噪后数据的能量特征；

步骤3、采用FFT方法对步骤1降噪后的数据进行变换，提取改进频域特征，即改进标准偏差频率STDF_x：

式中，ΔX_r＝(X_r+1-X_r)²，X_r为FFT变换后的幅值，故障矩阵中记为F；

步骤4、采用灰色关联分析方法计算故障矩阵与样本矩阵间的灰色关联度，实现弱故障辨识。

2.根据权利要求1所述一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，其特征在于，所述步骤2具体包括：

步骤2.1、EMD分解重构信号：对步骤1得到的重构信号采用EMD方法分解，得到若干个IMF分量；

步骤2.2、互相关准则选取IMF分量：计算步骤2.1得到的若干个IMF分量与重构信号间的相关系数，选取相关系数大的s个IMF分量；

步骤2.3、构建能量特征：计算步骤2.2选取的s个IMF分量各自的能量值

式中，N为第i个频带的长度；

步骤2.4、归一化处理：根据步骤2.3得到的各个能量值E_i,j，计算频带的总能量

并进行归一化处理，得到能量特征Eⁱ＝E_i,j/E_i。

3.根据权利要求1或2所述一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，其特征在于，所述步骤4具体包括：

步骤4.1、构建故障特征矩阵：采用步骤2和步骤3所得的能量特征与频域特征，构建故障特征矩阵：

式中，E_AUV为故障特征矩阵，

E_ΔV与E_θ分别为左主推进器电压、右主推进器电压、纵向速度误差与艏向角的能量特征，上标代表所选取的s＝4个不同的IMF分量，F代表各个信号的改进标准偏差频率特征；

步骤4.2、计算灰色关联度||R||：根据步骤4.1获得的待测信号的故障特征矩阵,计算其与故障样本特征矩阵之间的灰色关联度：

待测故障矩阵X＝[x₁,x₂,x₃,x₄]'和样本故障矩阵Y＝[y₁,y₂,y₃,y₄]'，其中x_i＝{x_i(1),…,x_i(m)}和y_i＝{y_i(1),…,y_i(m)},m为特征值的个数,i＝1,…,4分别对应待测故障和样本故障的左主推进器电压、右主推进器电压、纵向速度误差和艏向角故障特征，根据灰色关联分析方法，待测故障特征向量数列x_i和样本故障特征向量数列y_i各个特征值间相互关系：

式中，ζ_ii(k)为第k个特征值的相互关联系数，ζ为分辨系数，一般ζ＝0.5；x_i和y_i的向量关联度X和Y的关联度矩阵R＝[r₁₁,r₂₂,r₃₃,r₄₄]，关联度

步骤4.3、辨识弱故障程度：根据步骤4.2计算得出的关联度，得到辨识结果：

选取关联度最大的两个关联度||R||_p和||R||_q，下标为对应样本故障矩阵的故障程度p和q，待测故障程度为

4.根据权利要求1所述一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，其特征在于：步骤1所述小波包分解层数W＝3,小波基函数X为db1。

5.根据权利要求2所述一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，其特征在于：步骤2.2所述相关系数大的IMF分量的个数为s＝4。

6.根据权利要求3所述一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，其特征在于：步骤4.1所述故障特征矩阵行数n＝4,列数m＝5。

7.根据权利要求3所述一种基于小波包能量与FFT的水下机器人推进器弱故障辨识方法，其特征在于：步骤4.2所述故障样本数t＝4,，推进器出力故障程度分别为100％、95％、92％和90％。

Images