CN113655778A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113655778A CN113655778A CN202110936117.0A CN202110936117A CN113655778A CN 113655778 A CN113655778 A CN 113655778A CN 202110936117 A CN202110936117 A CN 202110936117A CN 113655778 A CN113655778 A CN 113655778A
- Authority
- CN
- China
- Prior art keywords
- time
- fault
- frequency
- energy
- power spectrum
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 78
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了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,该诊断方法从水下机器人动态信号中得到时频功率谱中故障能量区域的时域边界,以及通过时频功率谱中时域边界内外的能量差,通过能量差曲线得到频域边界,用于将时域边界和频域边界内的时频功率谱的和作为水下推进器故障的时频能量故障特征,然后基于支持向量数据描述算法建立水下推进器故障分类模型,对故障样本进行分类,得到水下推进器故障程度。采用能量差曲线最大值所在位置为故障区域能量频域上边界,以其左侧局部极小值所在位置为故障能量区域频域下边界,这种方式不依赖于故障能量区域的具体频带特性,具有通用性,规避了小波基函数的选取,省时省力。
Description
技术领域
本发明涉及水下机器人推进器故障诊断,具体是涉及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。
背景技术
随着陆地资源日益枯竭,海洋资源开发需求逐渐增大。水下机器人是海洋资源开发中的重要装备。水下推进器是水下机器人的常用动力元件,由于水下推进器载荷重,水下推进器易发生故障。及时发现水下推进器的故障对保障水下作业任务的顺利进行以及水下机器人的安全具有重要意义。故障诊断是监测水下推进器运行状态的常用技术,水下推进器故障诊断可分为故障特征提取和故障样本分类两个方面。
现有技术中,申请号为201910001146.0,名称为“故障能量区域边界识别及特征提取方法”的中国专利申请,公开了一种水下推进器故障特征提取的方法,该专利在进行故障能量区域边界识别时,利用小波近似分量对应的频带来识别时频功率谱中故障能量区域的频域边界,对于水下推进器的故障诊断取得了良好的效果,但为选取合适的小波近似分量,首先需要根据故障能量区域的频带特性选取合适的小波基函数,由于不同工况下、不同推进器故障程度下,故障能量区域的频带特性均不相同,针对一种故障能量区域特性选取的小波基函数难以适用于其他故障能量区域的频域边界识别,而针对每一种故障能量区域都选取一个合适的小波基函数,费时费力。
又如,申请号为201811609960.2,名称为“基于融合信号时域能量与时频熵的水下推进器故障程度辨识方法”的中国专利申请,该专利采用原始故障特征构造故障样本,基于支持向量数据描述算法对故障样本进行分类。该方法在每种工况下都需有充足的训练样本。由于水下机器人在作业过程中,工况的变化是连续的,因此,将有无穷多种工况,导致为每一种工况都配备充足的训练样本是难以实现的。如果在拥有充足训练样本的工况下建立故障分类模型,然后将该故障分类模型应用于无训练样本的工况时,由于不同工况下的故障样本分布差异较大,导致故障分类模型在无训练样本工况下的分类精度较低。
发明内容
发明目的:针对以上缺点,本发明提供一种规避小波基函数选取,省时省力的基于时频能量的水下推进器故障迁移诊断系统。
本发明还提供一种基于时频能量的水下推进器故障诊断方法。
技术方案:为解决上述问题,本发明采用一种基于时频能量的水下推进器故障诊断系统,包括:信号采集模块,用于获取时间长度为L1的水下机器人动态信号;
时域边界计算模块,用于计算得到水下机器人动态信号时频功率谱中故障能量区域的时域边界;
频域边界计算模块,用于根据时频功率谱中时域边界内外的能量差,得到水下机器人动态信号时频功率谱中故障能量区域的频域边界,得到时频功率谱中时域边界内外的能量差曲线,能量差曲线中能量差最大值对应的频率为故障能量区域的频域上边界FU,以能量差最大值所在位置为起点,沿着能量差曲线向左延伸至局部能量差极小值,局部能量差极小值对应的频率为故障能量区域的频域下边界FL;
故障特征计算模块,用于将时域边界和频域边界内的时频功率谱的和作为水下推进器故障的时频能量故障特征;
模型建立模块,用于将多组不同工况样本下对应的时频能量故障特征,基于支持向量数据描述算法建立水下推进器故障分类模型。
本发明还采用一种基于时频能量的水下推进器故障诊断系统的诊断方法,包括以下步骤:
(1)获取时间长度为L1的水下机器人动态信号;
(2)通过平滑伪维格纳-威利分布算法得到水下机器人动态信号的时频功率谱SPWVD(n,m),其中,n为时间节拍,n=1,2,3,…,L1,m为频率轴序号,m=1,2,3,…,N3;N3为频率轴划分区间数;
(3)根据步骤(2)中时频功率谱SPWVD(n,m)得到瞬时功率谱熵曲线,并根据瞬时功率谱熵曲线得到故障能量区域的时域边界,其中,故障能量区域的时域下边界为TL,故障能量区域的时域上边界为TU;
(4)在时频功率谱中划分时域下边界TL和时域上边界TU,并计算时频功率谱中时域边界内外的能量差:
其中,t为时间节拍,i和k为频率轴序号;
(5)确定时频功率谱中故障能量区域的频域边界:
根据步骤(4)得到能量差曲线,能量差曲线中能量差最大值对应的频率为故障能量区域的频域上边界FU,以能量差最大值所在位置为起点,沿着能量差曲线向左延伸至局部能量差极小值,局部能量差极小值对应的频率为故障能量区域的频域下边界FL;
(6)将步骤(3)得到的时域边界和步骤(5)得到的频域边界内的时频功率谱的和作为水下推进器故障的时频能量故障特征:
其中,F为时频能量故障特征,t为时间节拍,i为频率轴序号;
(7)重复步骤(1)到步骤(6),得到多组不同工况样本下的多组时频能量故障特征,然后基于支持向量数据描述算法建立水下推进器故障分类模型;
(8)根据获取的水下机器人动态信号,得到当前工况下水下推进器的时频能量故障特征,根据步骤(7)的故障分类模型,对此时水下推进器的故障类型进行诊断。
进一步的,所述步骤(7)中包括对时频能量故障特征进行归一化处理,并利用归一化后的时频能量故障特征建立水下推进器故障分类模型,时频能量故障特征归一化处理为:
其中,c表示某一工况,cFλnor表示c工况下归一化后的时频能量故障特征,cFλ表示c工况下对应于故障程度为λ时的原始时频能量故障特征,cFmin表示c工况下原始时频能量故障特征最小值,cFmax表示c工况下原始时频能量故障特征最大值,|cFmax-cFmin|表示c工况下的归一化尺度。
进一步的,所述步骤(2)中时频功率谱SPWVD(n,m)的计算公式为:
其中,SPWVD(n,m)为时频功率谱,h(k)为频域方向的平滑窗函数,k为函数自变量,k=-(L-1)~(L-1),L为不大于(N3)/4的最大整数;g(l)为时域方向的平滑窗函数,l为函数自变量,l=-(M-1)~(M-1),M为不大于(N3)/5的最大整数;z(n)为水下推进器动态信号的解析信号,z*(n)为z(n)的共轭复数,j为复数的虚部。
进一步的,所述步骤(3)中瞬时功率谱熵曲线的计算公式为:
其中,p(n,m)为概率密度函数,H(n)是瞬时功率谱熵曲线。
进一步的,所述步骤(3)中根据瞬时功率谱熵曲线得到故障能量区域的时域边界具体内容为:
计算时间节拍的对应瞬时功率谱熵,当取n=1,m=1,2,3,…,N3时,计算得到H(1),当取n=2,m=1,2,3,…,N3时,计算得到H(2),以此类推,最后得到H(L1);确定瞬时功率谱熵曲线中的最小值,以最小值所在位置为起点,分别沿着该曲线向两侧延伸至局部极大值,其中,左侧局部极大值对应时间节拍定为故障能量区域的时域下边界TL,右侧局部极大值对应时间节拍定为故障能量区域的时域上边界TU。
进一步的,所述水下机器人动态信号包括水下推进器纵向速度信号和推进器控制电压变化率。
本发明还采用一种基于时频能量的水下推进器故障诊断系统的诊断方法,获取多组水下机器人动态信号,训练得到多组不同工况样本下对应的时频能量故障特征,根据有训练样本的工况得到的时频能量故障特征,对无训练样本工况进行时频能量故障特征估计,利用有训练样本工况和无训练样本工况的时频能量故障特征,基于水下推进器故障分类模型迁移学习建立新故障分类模型,具体包括以下步骤:
(11)得到多组有训练样本工况下的时频能量故障特征,包括工况c1和工况c2;
(12)估计无训练样本工况下的时频能量故障特征最大值:
(13)估计无训练样本工况下的归一化尺度:
(14)估计无训练样本工况下的时频能量故障特征最小值:
(15)对多组有训练样本工况及无训练样本工况的时频能量故障特征进行归一化处理,利用归一化后的时频能量故障特征,基于水下推进器故障分类模型迁移学习建立新故障分类模型;
(16)根据获取的水下机器人动态信号,得到当前工况下水下推进器的时频能量故障特征,根据步骤(15)的新故障分类模型,对此时水下推进器的故障类型进行诊断。
有益效果:本发明相对于现有技术,其显著优点是采用能量差曲线最大值所在位置为故障区域能量频域上边界,以其左侧局部极小值所在位置为故障能量区域频域下边界,这种方式不依赖于故障能量区域的具体频带特性,具有通用性,规避了小波基函数的选取,省时省力。
本发明通过一系列归一化处理,将不同工况下的故障样本映射到同一变化尺度空间,从而减小不同工况下的故障样本分布差异,完成故障特征分布适配,进而提高故障分类模型在无训练样本工况下的分类精度。
附图说明
图1所示为本发明诊断方法的流程示意图;
图2所示为本发明中纵向目标速度为0.3m/s的水下机器人动态信号;
图3所示为本发明中水下机器人纵向速度信号时频功率谱;
图4所示为本发明中瞬时功率谱熵曲线图;
图5所示为本发明中故障能量区域时域边界划分示意图;
图6所示为本发明中时频功率谱中时域边界内、外能量差曲线图;
图7所示为本发明中故障能量区域频域边界划分示意图;
图8所示为本发明中水下机器人纵向速度信号对应的故障特征;
图9所示为本发明中水下推进器控制电压变化率对应的故障特征;
图10所示为本发明中不同工况下原始故障样本分布示意图;
图11所示为本发明中同一种工况下每一种故障特征归一化后的故障样本分布示意图;
图12所示为本发明中不同工况下每一种故障特征归一化后的故障样本分布示意图;
图13所示为本发明中无训练样本工况下每一种故障特征归一化后的故障样本分布示意图。
具体实施方式
实施例1
本实施例中一种基于时频能量的水下推进器故障诊断系统,包括:
信号采集模块,用于获取时间长度为L1的水下机器人动态信号,水下机器人动态信号包括水下机器人纵向速度信号和推进器控制电压变化率等动态信号;
时域边界计算模块,采用公知平滑伪维格纳-威利分布算法求取水下机器人动态信号的时频功率谱,计算得到水下机器人动态信号时频功率谱中故障能量区域的时域边界;
频域边界计算模块,用于根据时频功率谱中时域边界内外的能量差,得到水下机器人动态信号时频功率谱中故障能量区域的频域边界,得到时频功率谱中时域边界内外的能量差曲线,能量差曲线中能量差最大值对应的频率为故障能量区域的频域上边界FU,以能量差最大值所在位置为起点,沿着能量差曲线向左延伸至局部能量差极小值,局部能量差极小值对应的频率为故障能量区域的频域下边界FL;
故障特征计算模块,用于将时域边界和频域边界内的时频功率谱的和作为水下推进器故障的时频能量故障特征;
模型建立模块,用于将多组不同工况样本下对应的时频能量故障特征,基于支持向量数据描述算法建立水下推进器故障分类模型。
实施例2
本实施例中一种基于时频能量的水下推进器故障诊断方法,包括以下步骤:
(1)获取时间长度为L1的水下机器人动态信号,包括采集并记录水下机器人纵向速度信号和推进器控制电压变化率等动态信号;
(2)通过平滑伪维格纳-威利分布算法得到水下机器人动态信号的时频功率谱:
其中,SPWVD(n,m)为时频功率谱,n为时间节拍,n=1,2,3,…,L1,m为频率轴序号,m=1,2,3,…,N3,N3为频率轴划分区间数;h(k)为频域方向的平滑窗函数,k为函数自变量,k=-(L-1)~(L-1),L为不大于(N3)/4的最大整数;g(l)为时域方向的平滑窗函数,l为函数自变量,l=-(M-1)~(M-1),M为不大于(N3)/5的最大整数;z(n)为水下推进器动态信号的解析信号,z*(n)为z(n)的共轭复数,j为复数的虚部。
(3)根据步骤(2)中时频功率谱SPWVD(n,m)得到瞬时功率谱熵曲线:
其中,p(n,m)为概率密度函数,H(n)是瞬时功率谱熵曲线;
计算时间节拍的对应瞬时功率谱熵,当取n=1,m=1,2,3,…,N3时,计算得到H(1),当取n=2,m=1,2,3,…,N3时,计算得到H(2),以此类推,最后得到H(L1);
确定瞬时功率谱熵曲线中的最小值,以最小值所在位置为起点,分别沿着该曲线向两侧延伸至局部极大值,其中,左侧局部极大值对应时间节拍定为故障能量区域的时域下边界TL,右侧局部极大值对应时间节拍定为故障能量区域的时域上边界TU;
(4)在时频功率谱中划分时域下边界TL和时域上边界TU,并计算时频功率谱中时域边界内外的能量差:
其中,t为时间节拍,i和k为频率轴序号;
(5)确定时频功率谱中故障能量区域的频域边界,推进器故障在时频功率谱的时域边界内,引起能量从高频带向低频带的故障能量区域转移,使得在不含故障信息的频带内,时域边界内的能量小于时域边界外的能量,在只含故障信息的频带内,时域边界内的能量大于时域边界外的能量,因此,一个频带内,含有故障信息越少,时域边界内、外的能量差越小,含有故障信息越多,时域边界内、外的能量差越大,本实施例中设定一个构造频带,以零频为构造频带的下边界,逐步增大构造频带的上边界,在构造频带的上边界到达故障能量区域的下边界之前,由于构造频带内不含故障信息,所以构造频带内的时域边界内、外的能量差逐渐减小,当构造频带上边界大于故障能量区域的下边界,且小于故障能量区域的上边界时,由于构造频带内故障信息比例逐渐增大,所以,构造频带内的时域边界内、外的能量差逐渐增大,在构造频带的上边界达到故障能量区域的上边界时,构造频带内的时域边界内、外的能量差达到最大值,当构造频带的上边界继续增大,直至达到时频功率谱最大频率时,由于构造频带内故障信息所占比例逐渐减小,所以构造频带内的时域边界内、外的能量差再次逐渐减小,具体为:
根据步骤(4)得到能量差曲线,能量差曲线中能量差最大值对应的频率为故障能量区域的频域上边界FU,以能量差最大值所在位置为起点,沿着能量差曲线向左延伸至局部能量差极小值,局部能量差极小值对应的频率为故障能量区域的频域下边界FL,这种方式不依赖于故障能量区域的具体频带特性,具有通用性,规避了小波基函数的选取,省时省力;
(6)将步骤(3)得到的时域边界和步骤(5)得到的频域边界内的时频功率谱的和作为水下推进器故障的时频能量故障特征:
其中,F为时频能量故障特征,t为时间节拍,i为频率轴序号;
(7)重复步骤(1)到步骤(6),得到多组不同工况样本下的多组时频能量故障特征,在每一种拥有充足训练样本的工况下,分别对各工况中的每一种时频能量故障特征进行归一化处理,使每一种时频能量故障特征的变化范围均为0~1,并利用归一化后的时频能量故障特征,基于支持向量数据描述算法建立水下推进器故障分类模型,时频能量故障特征归一化处理为:
其中,c表示某一工况,cFλnor表示c工况下归一化后的时频能量故障特征,cFλ表示c工况下对应于故障程度为λ时的原始时频能量故障特征,cFmin表示c工况下原始时频能量故障特征最小值,cFmax表示c工况下原始时频能量故障特征最大值,|cFmax-cFmin|表示c工况下的归一化尺度;
(8)根据获取的水下机器人动态信号,得到当前工况下水下推进器的时频能量故障特征,根据步骤(7)的故障分类模型,对此时水下推进器的故障类型进行诊断。
实施例3
本实施例中一种基于时频能量的水下推进器故障诊断方法,首先通过采集获取多组水下机器人动态信号,训练得到多组不同工况样本下多组时频能量故障特征,根据有训练样本的工况得到的时频能量故障特征,对无训练样本工况进行时频能量故障特征估计,利用有训练样本工况和无训练样本工况的时频能量故障特征,基于支持向量数据描述算法建立水下推进器故障分类模型,具体包括以下步骤:
(11)得到多组有训练样本工况下的时频能量故障特征,包括工况c1和工况c2;
(12)估计无训练样本工况下的时频能量故障特征最大值:
(13)估计无训练样本工况下的归一化尺度:
(14)估计无训练样本工况下的时频能量故障特征最小值:
(15)对多组有训练样本工况及无训练样本工况的时频能量故障特征进行归一化处理,利用归一化后的时频能量故障特征基于水下推进器故障分类模型迁移学习,建立水下推进器新故障分类模型;通过一系列归一化处理,将不同工况下的故障样本映射到同一变化尺度空间,从而减小不同工况下的故障样本分布差异,完成故障特征分布适配,进而提高故障分类模型在无训练样本工况下的分类精度;
(16)根据获取的水下机器人动态信号,得到当前工况下水下推进器的时频能量故障特征,根据步骤(15)的新故障分类模型,对此时水下推进器的故障类型进行诊断;
本实施例中实验设定水下机器人以0.3m/s的纵向目标速度航行,在第250个时间节拍处,推进器出现故障,直到实验结束。水下推进器故障程度分别设定为:0%、10%、20%、30%、40%。如图2(a)所示,采集和记录实验过程中各故障程度下推进器控制电压变化率信号,和图2(b)所示,采集和记录实验过程中各故障程度下水下机器人纵向速度信号,采样频率为5Hz。
在采集的推进器控制电压变化率信号和水下机器人纵向速度信号中,选择时间长度为L1=400的时间窗,截取图2(a)和图2(b)中时间节拍101~500的信号,采用平滑伪维格纳-威利分布算法求取信号的时频功率谱,如图3所示,截取图2(b)中时间节拍101~500的水下机器人纵向速度信号,得到水下机器人纵向速度信号的时频功率谱。如图3(a)所示,在水下机器人以0.3m/s的纵向目标速度航行,且故障程度为0%时,即推进器正常工作时,水下机器人纵向速度信号的时频功率谱分布相对均匀。如图3(b)~(e)所示,水下机器人以0.3m/s的纵向目标速度航行,故障程度分别为10%、20%、30%、40%,由图3(b)~(e)椭圆框标示内容所示,推进器故障在时频功率谱中引起能量集中,且故障程度越大,能量集中越严重。
如图4所示,根据不同故障程度下水下机器人纵向速度信号的时频功率谱,得到对应的瞬时功率曲线。如图4(a)所示,故障程度为10%时,在时间节拍283处,瞬时功率曲线的最小值是4.982;在时间节拍226处,为曲线最小值点左侧相邻极大值5.311;在时间节拍332处,为最小值点右侧相邻极大值5.366。因此,故障能量区域的时域边界判定为[226 332]。类似地,如图4(b)~(d)所示,故障程度分别为20%、30%、40%时,故障能量区域的时域边界分别判定为[174 314]、[211 337]和[192 387]。根据故障能量区域的时域边界的判定结果,对不同故障程度下的时频功率谱进行时域边界划分。如图5所示,为划分时域边界后的时频功率谱,图中两条黑色垂直线为时域边界,此时,故障能量区域被时域边界紧密包围,可见识别的故障能量区域时域边界准确度高。
如图6所示,根据时频功率谱中故障能量区域时域边界划分结果,计算时频功率谱中时域边界内、外能量差曲线。如图6(a)所示,故障程度为10%时,在频率为0.088处,能量差曲线的最大值为-0.0002;在频率为0.034处,为最大值左侧相邻局部能量差极小值,极小值为-0.0009。因此,故障能量区域的频域边界判定为[0.034 0.088]。类似地,如图6(b)~(d)所示,故障程度分别为20%、30%、40%时,故障能量区域的频域边界分别判定为[0.0240.107]、[0.005 0.078]和[0.005 0.083]。根据故障能量区域的频域边界的判定结果,对不同故障程度下的时频功率谱进行频域边界划分。如图7所示,为划分时域边界和频域边界后的时频功率谱,图中,两条黑色水平直线为频域边界,此时,故障能量区域被频域边界紧密包围,可见识别的故障能量区域频域边界准确度高。
根据图7所示时频功率谱的故障能量区域边界划分,计算被时域边界、频域边界包围的故障能量区域的时频功率谱的和,将计算结果作为推进器故障的时频能量故障特征。对水下机器人纵向速度信号进行时频能量故障特征提取,如图8所示,对应于故障程度0%、10%、20%、30%、40%,时频能量故障特征值分别为0.0012、0.0030、0.0059、0.0122、0.0213,由此可见,故障特征值随着故障程度的增加而单调增加。对推进器控制电压变化率信号中进行时频能量故障特征提取,如图9所示,对应于故障程度0%、10%、20%、30%、40%,时频能量故障特征值分别为0.0110、0.0143、0.0169、0.0485、0.1037,由此可见,故障特征值随着故障程度的增加而单调增加。
采用长度为L1=400的时间窗口实验数据,并将时间窗逐步向右移动100个时间节拍,得到100(时间节拍数量)×5(故障程度种类)×2(信号种类)组样本数据。并采用上述步骤同样的方式,在此不再赘述,获取水下机器人纵向目标速度为0.4m/s和0.5m/s时的样本数据,同样从样本数据中提取时频能量故障特征,结果如图10所示。
如图10所示,故障程度由0%增大到40%,此时纵向目标速度信号故障特征值在0.3m/s工况下为0.00003~0.02197,0.4m/s工况下为0.00052~0.04416,0.5m/s工况下为0.00056~0.05628;类似的,此时推进器控制电压变化率信号故障特征值在0.3m/s工况下为0.00479~0.10850,0.4m/s工况下为0.00583~0.20560,0.5m/s工况下为0.00096~0.31240,由此可见在相同工况下,不同故障特征的分布范围不同,且不同工况下故障样本分布存在差异。
如图11所示,在纵向目标速度为0.3m/s工况下,采用该工况下的归一化尺度对该工况下的每一种时频故障特征进行归一化处理,由图可知,0.3m/s工况下不同类型时频故障特征具有相同的范围,变化范围均为0~1。类似的,将纵向目标速度为0.4m/s工况下的每一种时频故障特征进行归一化处理,纵向目标速度为0.3m/s、0.4m/s工况下,每一种时频故障特征进行归一化处理后的结果如图12所示,图12中,每种工况下的每一种故障特征的变化范围均为0~1,使得不同工况下的故障样本分布差异减小。
假设纵向目标速度0.3m/s、0.4m/s工况下的训练样本是已知的,纵向目标速度0.5m/s工况下的训练样本是未知的,即假设0.5m/s工况为无训练样本工况。通过纵向目标速度0.3m/s、0.4m/s工况下的时频故障特征预估得到0.5m/s工况下的时频故障特征,并将预估的时频故障特征进行归一化处理,如图13所示。将0.3m/s、0.4m/s工况下归一化后的时频故障特征及0.5m/s工况下归一化后预估的时频故障特征训练,并基于实施例2中的水下推进器故障分类模型迁移学习建立新故障分类模型。
对上述新故障分类模型与现有技术中支持向量域描述方法得到的故障分类模型进行对比实验,实验中设置(A)0.2m/s、(B)0.3m/s、(C)0.4m/s和(D)0.5m/s这四种工况,同时,在每种工况下,对应着0%、10%、20%、30%和40%五种故障程度。构造故障样本集,如表1所示。
表1不同工况下的故障样本数量
采用现有技术中支持向量域描述方法和本实施例中对无训练样本工况进行估计后再进行故障分类模型训练与测试,结果如表2所示。
表2不同诊断方法的分类精度对比
在案例“A→B”中,A为源域,即A的训练样本是已知的,且充足的,B为目标域,即B的训练样本是未知的,B为无训练样本工况,将在工况A下建立的故障分类模型迁移到工况B,对工况B下的测试样本进行分类。现有技术中支持向量数据描述方法的分类精度为28.4%,本实施例中的分类精度为65.2%(C)、63.2%(D),其中,括号中的C表示工况C下的归一化尺度是已知的,括号中的D表示工况D下的归一化尺度是已知的。在案例“B→A”、“A→C”、“C→A”、“A→D”、“D→A”、“B→C”、“C→B”、“B→D”、“D→B”、“C→D”、“D→C”中,故障分类结果与案例“A→B”的结果相类似,即本实施例中的分类精度明显高于现有技术支持向量数据描述方法的分类精度。
Claims (8)
1.一种基于时频能量的水下推进器故障诊断系统,其特征在于,包括:
信号采集模块,用于获取时间长度为L1的水下机器人动态信号;
时域边界计算模块,用于计算得到水下机器人动态信号时频功率谱中故障能量区域的时域边界;
频域边界计算模块,用于根据时频功率谱中时域边界内外的能量差,得到水下机器人动态信号时频功率谱中故障能量区域的频域边界,得到时频功率谱中时域边界内外的能量差曲线,能量差曲线中能量差最大值对应的频率为故障能量区域的频域上边界FU,以能量差最大值所在位置为起点,沿着能量差曲线向左延伸至局部能量差极小值,局部能量差极小值对应的频率为故障能量区域的频域下边界FL;
故障特征计算模块,用于将时域边界和频域边界内的时频功率谱的和作为水下推进器故障的时频能量故障特征;
模型建立模块,用于将多组不同工况样本下对应的时频能量故障特征,基于支持向量数据描述算法建立水下推进器故障分类模型。
2.一种根据权利要求1所述的基于时频能量的水下推进器故障诊断系统的诊断方法,其特征在于,包括以下步骤:
(1)获取时间长度为L1的水下机器人动态信号;
(2)通过平滑伪维格纳-威利分布算法得到水下机器人动态信号的时频功率谱SPWVD(n,m),其中,n为时间节拍,n=1,2,3,…,L1,m为频率轴序号,m=1,2,3,…,N3;N3为频率轴划分区间数;
(3)根据步骤(2)中时频功率谱SPWVD(n,m)得到瞬时功率谱熵曲线,并根据瞬时功率谱熵曲线得到故障能量区域的时域边界,其中,故障能量区域的时域下边界为TL,故障能量区域的时域上边界为TU;
(4)在时频功率谱中划分时域下边界TL和时域上边界TU,并计算时频功率谱中时域边界内外的能量差:
其中,t为时间节拍,i和k为频率轴序号;
(5)确定时频功率谱中故障能量区域的频域边界:
根据步骤(4)得到能量差曲线,能量差曲线中能量差最大值对应的频率为故障能量区域的频域上边界FU,以能量差最大值所在位置为起点,沿着能量差曲线向左延伸至局部能量差极小值,局部能量差极小值对应的频率为故障能量区域的频域下边界FL;
(6)将步骤(3)得到的时域边界和步骤(5)得到的频域边界内的时频功率谱的和作为水下推进器故障的时频能量故障特征:
其中,F为时频能量故障特征,t为时间节拍,i为频率轴序号;
(7)重复步骤(1)到步骤(6),得到多组不同工况样本下的多组时频能量故障特征,然后基于支持向量数据描述算法建立水下推进器故障分类模型;
(8)根据获取的水下机器人动态信号,得到当前工况下水下推进器的时频能量故障特征,根据步骤(7)的故障分类模型,对此时水下推进器的故障类型进行诊断。
6.根据权利要求5所述的水下推进器故障诊断方法,其特征在于,所述步骤(3)中根据瞬时功率谱熵曲线得到故障能量区域的时域边界具体内容为:
计算时间节拍的对应瞬时功率谱熵,当取n=1,m=1,2,3,…,N3时,计算得到H(1),当取n=2,m=1,2,3,…,N3时,计算得到H(2),以此类推,最后得到H(L1);确定瞬时功率谱熵曲线中的最小值,以最小值所在位置为起点,分别沿着该曲线向两侧延伸至局部极大值,其中,左侧局部极大值对应时间节拍定为故障能量区域的时域下边界TL,右侧局部极大值对应时间节拍定为故障能量区域的时域上边界TU。
7.根据权利要求2所述的水下推进器故障诊断方法,其特征在于,所述水下机器人动态信号包括水下推进器纵向速度信号和推进器控制电压变化率。
8.根据权利要求3~7任意一项所述的水下推进器故障诊断方法,其特征在于,获取多组水下机器人动态信号,训练得到多组不同工况样本下对应的时频能量故障特征,根据有训练样本的工况得到的时频能量故障特征,对无训练样本工况进行时频能量故障特征估计,利用有训练样本工况和无训练样本工况的时频能量故障特征,基于水下推进器故障分类模型迁移学习建立新故障分类模型,具体包括以下步骤:
(11)得到多组有训练样本工况下的时频能量故障特征,包括工况c1和工况c2;
(12)估计无训练样本工况下的时频能量故障特征最大值:
(13)估计无训练样本工况下的归一化尺度:
(14)估计无训练样本工况下的时频能量故障特征最小值:
(15)对多组有训练样本工况及无训练样本工况的时频能量故障特征进行归一化处理,利用归一化后的时频能量故障特征,基于水下推进器故障分类模型迁移学习建立新故障分类模型,;
(16)根据获取的水下机器人动态信号,得到当前工况下水下推进器的时频能量故障特征,根据步骤(15)的新故障分类模型,对此时水下推进器的故障类型进行诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936117.0A CN113655778B (zh) | 2021-08-16 | 2021-08-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936117.0A CN113655778B (zh) | 2021-08-16 | 2021-08-16 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113655778A true CN113655778A (zh) | 2021-11-16 |
CN113655778B CN113655778B (zh) | 2024-03-26 |
Family
ID=78480384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936117.0A Active CN113655778B (zh) | 2021-08-16 | 2021-08-16 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113655778B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443326A (zh) * | 2020-04-10 | 2020-07-24 | 国网浙江省电力有限公司电力科学研究院 | 电能表自动化检定流水线运行节拍诊断系统及其工作方法 |
CN114326652A (zh) * | 2021-11-23 | 2022-04-12 | 中国船舶工业集团公司第七0八研究所 | 一种船用喷水推进器故障诊断系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245373A (zh) * | 2013-04-09 | 2013-08-14 | 哈尔滨工程大学 | 一种水下机器人传感器故障诊断方法 |
CN109633270A (zh) * | 2019-01-02 | 2019-04-16 | 江苏科技大学 | 基于瞬时频谱熵与信噪能量差的故障能量区域边界识别及特征提取方法 |
CN109633269A (zh) * | 2019-01-02 | 2019-04-16 | 江苏科技大学 | 基于时频功率谱密度极大值的小波分解尺度确定及故障特征增强方法 |
CN109683591A (zh) * | 2018-12-27 | 2019-04-26 | 江苏科技大学 | 基于融合信号时域能量与时频熵的水下推进器故障程度辨识方法 |
CN109696906A (zh) * | 2018-12-27 | 2019-04-30 | 江苏科技大学 | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 |
CN110244689A (zh) * | 2019-06-11 | 2019-09-17 | 哈尔滨工程大学 | 一种基于判别性特征学习方法的auv自适应故障诊断方法 |
CN110716532A (zh) * | 2019-10-17 | 2020-01-21 | 哈尔滨工程大学 | 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 |
CN111275164A (zh) * | 2020-01-13 | 2020-06-12 | 浙江大学 | 一种水下机器人推进系统故障的诊断方法 |
CN112182862A (zh) * | 2020-09-17 | 2021-01-05 | 山东省科学院海洋仪器仪表研究所 | 一种水下推进器故障分类计算方法 |
CN113033119A (zh) * | 2021-03-11 | 2021-06-25 | 山东大学 | 一种基于双评论家强化学习技术的水下航行器目标区域上浮控制方法 |
CN113033118A (zh) * | 2021-03-10 | 2021-06-25 | 山东大学 | 一种基于示范数据强化学习技术的水下航行器自主上浮控制方法 |
US20210206519A1 (en) * | 2020-01-05 | 2021-07-08 | Government Of The United States, As Represented By The Secretary Of The Air Force | Aerospace Vehicle Navigation and Control System Comprising Terrestrial Illumination Matching Module for Determining Aerospace Vehicle Position and Attitude |
-
2021
- 2021-08-16 CN CN202110936117.0A patent/CN113655778B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245373A (zh) * | 2013-04-09 | 2013-08-14 | 哈尔滨工程大学 | 一种水下机器人传感器故障诊断方法 |
CN109683591A (zh) * | 2018-12-27 | 2019-04-26 | 江苏科技大学 | 基于融合信号时域能量与时频熵的水下推进器故障程度辨识方法 |
CN109696906A (zh) * | 2018-12-27 | 2019-04-30 | 江苏科技大学 | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 |
CN109633270A (zh) * | 2019-01-02 | 2019-04-16 | 江苏科技大学 | 基于瞬时频谱熵与信噪能量差的故障能量区域边界识别及特征提取方法 |
CN109633269A (zh) * | 2019-01-02 | 2019-04-16 | 江苏科技大学 | 基于时频功率谱密度极大值的小波分解尺度确定及故障特征增强方法 |
CN110244689A (zh) * | 2019-06-11 | 2019-09-17 | 哈尔滨工程大学 | 一种基于判别性特征学习方法的auv自适应故障诊断方法 |
CN110716532A (zh) * | 2019-10-17 | 2020-01-21 | 哈尔滨工程大学 | 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 |
US20210206519A1 (en) * | 2020-01-05 | 2021-07-08 | Government Of The United States, As Represented By The Secretary Of The Air Force | Aerospace Vehicle Navigation and Control System Comprising Terrestrial Illumination Matching Module for Determining Aerospace Vehicle Position and Attitude |
CN111275164A (zh) * | 2020-01-13 | 2020-06-12 | 浙江大学 | 一种水下机器人推进系统故障的诊断方法 |
CN112182862A (zh) * | 2020-09-17 | 2021-01-05 | 山东省科学院海洋仪器仪表研究所 | 一种水下推进器故障分类计算方法 |
CN113033118A (zh) * | 2021-03-10 | 2021-06-25 | 山东大学 | 一种基于示范数据强化学习技术的水下航行器自主上浮控制方法 |
CN113033119A (zh) * | 2021-03-11 | 2021-06-25 | 山东大学 | 一种基于双评论家强化学习技术的水下航行器目标区域上浮控制方法 |
Non-Patent Citations (2)
Title |
---|
胡维莉;朱大奇;刘静;: "基于遗传算法的UUV的容错控制律重构方法", 控制工程, no. 03, 20 May 2011 (2011-05-20) * |
黄海;万磊;庞永杰;秦再白;曾文静;: "SY-Ⅱ遥控式水下机器人推力器容错控制的研究", 应用基础与工程科学学报, no. 06, 15 December 2012 (2012-12-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443326A (zh) * | 2020-04-10 | 2020-07-24 | 国网浙江省电力有限公司电力科学研究院 | 电能表自动化检定流水线运行节拍诊断系统及其工作方法 |
CN111443326B (zh) * | 2020-04-10 | 2022-08-19 | 国网浙江省电力有限公司营销服务中心 | 电能表自动化检定流水线运行节拍诊断系统及其工作方法 |
CN114326652A (zh) * | 2021-11-23 | 2022-04-12 | 中国船舶工业集团公司第七0八研究所 | 一种船用喷水推进器故障诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113655778B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Improved generative adversarial network for vibration-based fault diagnosis with imbalanced data | |
Abid et al. | Robust interpretable deep learning for intelligent fault diagnosis of induction motors | |
Yu et al. | A bearing fault diagnosis technique based on singular values of EEMD spatial condition matrix and Gath-Geva clustering | |
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
CN113655778A (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 | |
CN108564026B (zh) | 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统 | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN111122161B (zh) | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 | |
CN110008898B (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
CN112304614B (zh) | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 | |
CN115222650A (zh) | 一种混合工业零件缺陷检测算法 | |
CN114705426A (zh) | 一种滚动轴承早期故障诊断方法 | |
CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
CN107563403B (zh) | 一种高速列车运行的工况识别方法 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
Du et al. | Fault diagnosis of plunger pump in truck crane based on relevance vector machine with particle swarm optimization algorithm | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN114077847A (zh) | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 | |
CN116977708B (zh) | 一种基于自适应聚合可视图的轴承智能诊断方法及系统 | |
CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
CN112816200A (zh) | 一种基于深度学习的旋转机械轴心轨迹识别方法 | |
CN111144307A (zh) | 一种自主式水下机器人推进器故障特征提取方法 | |
CN115597868A (zh) | 一种基于小波信号处理和深度学习的轴承故障分类方法 | |
CN112329626A (zh) | 调制与深度学习融合的设备故障诊断方法、系统及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |