CN111144307A - 一种自主式水下机器人推进器故障特征提取方法 - Google Patents
一种自主式水下机器人推进器故障特征提取方法 Download PDFInfo
- Publication number
- CN111144307A CN111144307A CN201911372160.8A CN201911372160A CN111144307A CN 111144307 A CN111144307 A CN 111144307A CN 201911372160 A CN201911372160 A CN 201911372160A CN 111144307 A CN111144307 A CN 111144307A
- Authority
- CN
- China
- Prior art keywords
- fault
- fractal dimension
- steps
- extracting
- following
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 16
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000005096 rolling process Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 21
- 238000013398 bayesian method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/08—Propulsion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种自主式水下机器人推进器故障特征提取方法，具体是基于经验模态分解、分形维数和SHFC定位算法的，属于水下机器人故障诊断技术领域。该方法采用经验模态分解进行数据预处理替代分形维数中普通的滤波方法；在模态分解后的高频部分，把滚动时间窗引入，通过每个时间窗内小样本的分形维数故障特征的提取，捕捉到故障到分形维数中发生时刻分形维数特征值的突变，提取出分形维数突变的极大值，进而增强故障特征的提取效果。本发明专利能增强故障特征，便于检测水下机器人推进器是否出现故障，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
本发明涉及一种适用于自主式水下机器人推进器的状态监测方法，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：Autonomous Underwater Vehicle)无人无缆工作在复杂海洋环境，安全性是保证其顺利完成任务的前提，故障诊断技术是保障水下机器人安全性的关键技术之一。
故障特征提取是AUV推进器故障诊断研究的重要内容之一，其典型方法有修正的贝叶斯和分形维数方法。为了探讨从AUV的状态量中提取故障特征，本专利采用修正的贝叶斯方法和分形维数方法对AUV推进器故障诊断的实验研究中发现：该方法在故障程度较大时，故障特征提取效果较好，故障程度较小时(推进器出力损失小于20％的故障)，容易受传感器等噪声影响，易导致故障特征提取失败。为了降低传感器噪声干扰，采用小波阈值降噪方法对信号进行预处理，本专利采用该方法实验研究中发现：小波降噪方法在小波系数小于阈值情况下降低随机干扰效果显著，但在小波系数大于阈值情况下，会将小波系数所对应的信号视为有用信号而予以保留，保留的这部分信号将影响故障特征值与噪声特征值的差值，进而影响故障特征值得提取的效果。
发明内容
本发明的目的是为了一种基于经验模态分解、分形维数和SHFC定位算法的自主式水下机器人推进器故障特征提取方法。本发明专利能增强故障特征，便于检测水下机器人推进器是否出现故障。
本发明的目的是这样实现的：步骤如下：
步骤一：特征量和状态量的数据融合，对AUV的速度状态量数据进行经验模态分解，把原始数据分解成不同模态；
步骤二：采用SHFC定位算法和分形维数这两种算法对高模态和低模态分别提取和筛选，完成特征提取。
本发明还包括这样一些结构特征：
1.步骤二中的分形维数故障特征提取具体是：
采用时间窗分形维数算法对模态四以及更高的模态进行故障特征的提取及筛选，在当前时刻计算前50拍的分形维数故障特征，而在下一个时刻，删掉时间窗内的最早时刻的数据，把此时刻的样本数据填入到时间窗内，并计算此时刻的分形维数故障特征值，
重构相空间吸引子的分形维数Dc为：
式中：C(r)为超球的筛选结果，r为分形维数中超球半径。
2.步骤二中的SHFC定位算法故障特征提取是采用SHFC定位算法对模态五以及更低的模态进行故障特征的提取及筛选；
以模态待检信号x(t)，且x(t)在ti，i＝1,2,…时刻取得极值点为处理对象，对故障特征提取过程为：
首先得到信号幅度变化的度量α(ti)为：
其次得到算信号时间变化的度量φ(ti)为：
最后得到信号突变变化的度量w(ti)为：
w(ti)＝|α(ti)|φ(ti)
当AUV发生突变或者遇到干扰时，会产生模态混叠，从而会使极值点在时间上变化，这时候，通过SHFC定位算法信号突变变化的度量w(ti)就能检测出故障。
与现有技术相比，本发明的有益效果是：首先，传统的分形维数方法是在取故障前后的多组数据，计算有限组数据的分形维数作为故障特征，本专利考虑到随机干扰可能会发生在故障前后，为了突显出故障时刻故障特征值的变化，减弱随机干扰的影响，[后面就是处理措施]本专利把滚动时间窗引入到分形维数中，采用小样本时间窗进行故障特征的提取；然后，考虑到对原始信号经验模态后的各个模态故障特征受随机干扰的影响会有所差异，本专利把检测信号频率或幅度差上的突变的定位算法(Short-time HigherFrequency Component,SHFC)引入到低频模态故障特征的提取过程中，把SHFC定位算法的定位值作为故障特征值，通过该算法筛选出故障特征受随机干扰影响最小的模态。通过本发明，能增强故障特征，便于检测推进器是否发生了故障。
附图说明
图1为本发明专利故障特征提取算法流程图。
图2为本发明专利所用的推进器出力80％故障速度曲线。
图3为本发明在高频模态中提取到故障特征提取结果。
图4为本发明在低频模态中提取到故障特征提取结果。。
图5为本发明与分形维数和修正的贝叶斯传统方法在高频模态部分的故障特征对比结果表。
图6为本发明与分形维数和修正的贝叶斯传统方法在低频模态部分的故障特征对比结果表。
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。
本专利的故障特征提取方法分为预处理、高模态部分故障特征提取、低模态部分故障特征提取三个部分其基本流程如下：
(1)特征量和状态量的数据融合，对AUV的速度状态量数据进行经验模态分解，把原始数据分解成不同模态，分为低频模态和高频模态；
传统的分形维数故障特征提取方法是在取故障前后的多组数据，计算有限组数据的分形维数作为故障特征。并根据故障前后的分形维数的差异，来判断故障或进行其它后续操作。考虑到随机干扰可能会发生在故障前后，为了突出故障时刻特征值的变化，减弱随机干扰的影响，本专利把滚动时间窗引入，通过每个时间窗内小样本的分形维数故障特征的提取，捕捉到故障发生时刻分形维数特征值的突变，提取出分形维数突变的极大值，进而增强故障特征的提取效果。
(2)特征提取，采用时间窗分形维数算法对模态四以及更高的模态进行故障特征的提取及筛选；采用SHFC定位算法对模态五以及更低的模态进行故障特征的提取及筛选。而两种处理方法中间是有模态交叉的。
传统SHFC定位算法是为了检测信号频率或幅度差上的突变。考虑到对原始信号经验模态后，各个模态故障特征受随机干扰的影响会有所差异。本专利把该算法引入到故障特征的提取过程中，把SHFC定位算法的定位值作为故障特征值。通过该算法筛选出故障特征受随机干扰影响最小的模态。
(3)在经验模态分解把原始信号分解为各个模态后，传统的故障特征提取方法的一般思路认为高频模态部分都是高频噪声，在预处理阶段都会把高频模态部分直接舍去。本专利通过分析实验数据认为：高频模态部分同样含有较丰富的故障特征，舍去高频模态部分的故障特征会使故障特征效果减弱，从而更容易受到干扰的影响。为了从各个模态中提取故障特征，本专利采用SHFC定位算法和分形维数这两种算法对高模态和低模态分别提取和筛选。
图1为本发明专利的AUV推进器故障诊断流程图。结合图1，基于改进等距特征映射算法的水下机器人推进器故障诊断方法的具体实现步骤如下：
(1)分形维数故障特征提取
本专利采用时间窗分形维数算法对模态四以及更高的模态进行故障特征的提取及筛选。
将滚动时间窗引入到分形维数中的具体实现方法为：在当前时刻计算前50拍(包括当前时刻)的分形维数故障特征，而在下一个时刻，删掉时间窗内的最早时刻的数据，把此时刻的样本数据填入到时间窗内，并计算此时刻的分形维数故障特征值。
选择时间窗长度的具体考虑。上文中选择50拍窗长度是根据“海狸-II”号AUV确定的，通过分析以往的实验数据，“海狸-II”号AUV从发生故障到控制系统稳定到新的平衡状态大约需要50拍的时间，因此确定时间窗长度为50拍。
在时间窗选取完成后，接下来就是计算窗内数据的分形维数值了。根据分形维数计算的一般过程，最终本专利重构相空间吸引子的分形维数定义为：
式中：C(r)为超球的筛选结果，r为分形维数中超球半径。
(2)SHFC定位算法故障特征提取
本专利采用SHFC定位算法对模态五以及更低的模态进行故障特征的提取及筛选；
为了更方便的描述SHFC定位算法故障特征提取过程，现以模态待检信号x(t)，且x(t)在ti(i＝1,2,…)时刻取得极值点为处理对象，对故障特征提取过程阐述如下。
首先计算信号幅度变化的度量α(ti)为：
其次计算信号时间变化的度量φ(ti)为：
最后计算信号突变变化的度量w(ti)为：
w(ti)＝|α(ti)|φ(ti) (4)
当AUV发生突变或者遇到干扰时，它会产生模态混叠，从而会使极值点在时间上变化，这时候，通过SHFC定位算法信号突变变化的度量w(ti)就能检测出故障。
图2为本发明专利所采用的水下机器人速度状态量数据。AUV推进器故障通过软件实现故障模拟，目标速度0.4m/s，推进器出力80％故障速度状态量数据。
图3为按照本专利的数据处理流程对图2数据进行处理，最终从高频模态中提取到故障特征提取结果。
图5是本专利与分形维数和修正的贝叶斯传统方法在高频模态部分的故障特征对比结果。“差值评价”方法考虑的是故障发生时的故障特征值极大值与故障未发生时的差值，是最直观的故障的评价方法；“面积评价”方法就是考虑故障来临时的故障特征值高点与未发生故障时特征值平均值所围成的面积，它表现出了故障特征值的变化。本专利“差值评价”和“面积评价”为评价参数。对于高频模态故障特征值提取效果，从图可以看出，“差值评价”本专利、修正贝叶斯和分形维数方法都实效；“面积评价”本专利的评价结果是2.4，修正贝叶斯方法的结果是1.0，而分形维数方法的结果为失效，说明本专利比修正贝叶斯和分形维数方法相对要好。
图4为按照本专利的数据处理流程对上图2数据进行处理，最终从低频模态中提取到故障特征提取结果。
图6是本专利与分形维数和修正的贝叶斯传统方法在低频模态部分的故障特征对比结果。从图可以看出，出力80％水池实验数据处理中，“差值评价”，本专利的结果是1.8，分形维数方法和修正贝叶斯方法都失效；“面积评价”，修正贝叶斯方法的结果是1.0，而本专利和分形维数方法都失效。
综合图5、6中的表，分析高频、低频模态故障特征值提取效果。分形维数方法对高频、低频两种模态，“差值评价”和“面积评价”两个评价指标都失效；修正贝叶斯方法对高频、低频两种模态，“面积评价”这个评价指标有效果，“差值评价”这个评价指标有效果；本专利对高频模态，“面积评价”这个评价指标有效果，并且，比修正贝叶斯方法效果好。本专利对低频模态，“面积评价”这个评价指标没有效果，但“差值评价”这个评价指标有效果。综合考虑高频、低频两种模态的故障特征值提取效果，说明本专利比修正贝叶斯和分形维数方法相对要好。
综上，本发明专利涉及一种基于经验模态分解、分形维数和SHFC定位算法的自主式水下机器人推进器故障特征提取方法。属于水下机器人故障诊断技术领域。该方法采用经验模态分解进行数据预处理替代分形维数中普通的滤波方法；在模态分解后的高频部分，把滚动时间窗引入，通过每个时间窗内小样本的分形维数故障特征的提取，捕捉到故障到分形维数中发生时刻分形维数特征值的突变，提取出分形维数突变的极大值，进而增强故障特征的提取效果。本发明专利能增强故障特征，便于检测水下机器人推进器是否出现故障，特别适合应用于自主式水下机器人推进器的状态监测。
Claims (3)
1.一种自主式水下机器人推进器故障特征提取方法，其特征在于：步骤如下：
步骤一：特征量和状态量的数据融合，对AUV的速度状态量数据进行经验模态分解，把原始数据分解成不同模态；
步骤二：采用SHFC定位算法和分形维数这两种算法对高模态和低模态分别提取和筛选，完成特征提取。
2.根据权利要求1所述的一种自主式水下机器人推进器故障特征提取方法，其特征在于：步骤二中的分形维数故障特征提取具体是：
采用时间窗分形维数算法对模态四以及更高的模态进行故障特征的提取及筛选，在当前时刻计算前50拍的分形维数故障特征，而在下一个时刻，删掉时间窗内的最早时刻的数据，把此时刻的样本数据填入到时间窗内，并计算此时刻的分形维数故障特征值，
重构相空间吸引子的分形维数Dc为：
式中：C(r)为超球的筛选结果，r为分形维数中超球半径。
3.根据权利要求1或2所述的一种自主式水下机器人推进器故障特征提取方法，其特征在于：步骤二中的SHFC定位算法故障特征提取是采用SHFC定位算法对模态五以及更低的模态进行故障特征的提取及筛选；
以模态待检信号x(t)，且x(t)在ti，i＝1,2,…时刻取得极值点为处理对象，对故障特征提取过程为：
首先得到信号幅度变化的度量α(ti)为：
其次得到算信号时间变化的度量φ(ti)为：
最后得到信号突变变化的度量w(ti)为：
w(ti)＝|α(ti)|φ(ti)
当AUV发生突变或者遇到干扰时，会产生模态混叠，从而会使极值点在时间上变化，这时候，通过SHFC定位算法信号突变变化的度量w(ti)就能检测出故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911372160.8A CN111144307A (zh) | 2019-12-27 | 2019-12-27 | 一种自主式水下机器人推进器故障特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911372160.8A CN111144307A (zh) | 2019-12-27 | 2019-12-27 | 一种自主式水下机器人推进器故障特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111144307A true CN111144307A (zh) | 2020-05-12 |
Family
ID=70520833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911372160.8A Pending CN111144307A (zh) | 2019-12-27 | 2019-12-27 | 一种自主式水下机器人推进器故障特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144307A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114114924A (zh) * | 2021-11-26 | 2022-03-01 | 江苏科技大学 | 一种自主式水下机器人控制系统输入电流故障检测方法 |
| CN117392114A (zh) * | 2023-11-27 | 2024-01-12 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
-
2019
- 2019-12-27 CN CN201911372160.8A patent/CN111144307A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 邓柯: "基于SVR算法的AUV推进器故障预测诊断技术研究" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114114924A (zh) * | 2021-11-26 | 2022-03-01 | 江苏科技大学 | 一种自主式水下机器人控制系统输入电流故障检测方法 |
| CN114114924B (zh) * | 2021-11-26 | 2024-05-03 | 江苏科技大学 | 一种自主式水下机器人控制系统输入电流故障检测方法 |
| CN117392114A (zh) * | 2023-11-27 | 2024-01-12 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
| CN117392114B (zh) * | 2023-11-27 | 2024-03-08 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
| CN110680302B (zh) | 一种心电信号特征波的自动识别方法 | |
| 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 | |
| CN109033965B (zh) | 一种水下机器人推进器故障时频特征增强方法 | |
| CN105223482B (zh) | 局部放电特高频信号波形的小波分解二值去噪方法 | |
| CN113255733A (zh) | 多模态数据缺失下的无监督异常检测方法 | |
| CN111144307A (zh) | 一种自主式水下机器人推进器故障特征提取方法 | |
| CN104462803B (zh) | 一种基于小波近似熵的自主式水下机器人故障辨识方法 | |
| CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
| CN107560850A (zh) | 基于小波阈值降噪与AdaBoost的轴系故障识别方法 | |
| CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
| CN112842348B (zh) | 一种基于特征提取与深度学习的心电信号自动分类方法 | |
| CN115962941A (zh) | 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 | |
| CN115359258B (zh) | 一种成分不确定度测量的弱小目标检测方法及系统 | |
| CN112633132A (zh) | 基于二维振动图像增强的轴承故障诊断方法及系统 | |
| CN110929376B (zh) | 一种基于gan的管道漏磁检测数据缺失的重构方法 | |
| CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
| CN113655778B (zh) | 一种基于时频能量的水下推进器故障诊断系统及诊断方法 | |
| CN110989005A (zh) | 基于标量磁力仪阵列的弱磁异常自适应实时探测方法 | |
| CN110598674B (zh) | 一种基于模式识别的转辙机故障识别方法 | |
| CN110781783A (zh) | 一种自主式水下机器人推进器故障特征提取方法 | |
| CN114781427B (zh) | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 | |
| CN112932431B (zh) | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 | |
| CN113177484B (zh) | 基于lof自编码的机械故障智能诊断方法 | |
| Yu et al. | Thruster fault feature extraction method for underwater vehicle |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |