CN114114924A - 一种自主式水下机器人控制系统输入电流故障检测方法 - Google Patents

一种自主式水下机器人控制系统输入电流故障检测方法 Download PDF

Info

Publication number
CN114114924A
CN114114924A CN202111425257.8A CN202111425257A CN114114924A CN 114114924 A CN114114924 A CN 114114924A CN 202111425257 A CN202111425257 A CN 202111425257A CN 114114924 A CN114114924 A CN 114114924A
Authority
CN
China
Prior art keywords
control system
fault
bang
interference
quantum
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
Application number
CN202111425257.8A
Other languages
English (en)
Other versions
CN114114924B (zh
Inventor
朱志宇
朱德纹
王伟然
徐威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202111425257.8A priority Critical patent/CN114114924B/zh
Publication of CN114114924A publication Critical patent/CN114114924A/zh
Application granted granted Critical
Publication of CN114114924B publication Critical patent/CN114114924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种自主式水下机器人控制系统输入电流故障检测方法，包括以下步骤：采用量子Bang‑Bang技术对采集到的AUV控制系统的信号进行干扰和故障解耦，使干扰信号和故障信号独立演化；对采集到的AUV控制系统的信号进行模态分解，将原始数据分解为相应的固有模态；采用SHFC窗口定位法对分解后的低频模态进行输入电流故障检测；得到AUV控制系统故障特征。本发明能够解决故障和干扰同时存在的难题，能够有效的提取出系统真实的故障特征，便于后期进行故障检测和辨识，确保AUV能够安全地运行。

Description

一种自主式水下机器人控制系统输入电流故障检测方法
技术领域
本发明涉及水下机器人故障诊断，特别是一种自主式水下机器人控制系统输入电流故障检测方法。
背景技术
自主式水下航行器(AUV：Autonomous Underwater Vehicle)是目前海洋工程领域技术发展的热点，在海洋资源勘探、海底工程作业、科研考察等诸多方面发挥着越来越广泛的作用。AUV最大的特点是深水作业能力强，可以无人无缆的工作在复杂的深海环境中，那么AUV的安全性则是其完成过任务的首要前提，因此针对AUV的故障诊断技术是确保其安全稳定运行的关键技术之一。
在故障诊断领域中，故障特征的提取也是其重要的研究内容之一。由于AUV的工作环境的特殊性，AUV的整体性能会受到深海洋流等外部随机干扰的影响，导致其输入电流故障检测与其他领域的输入电流故障检测问题相比，具有较高的难度。而目前对于AUV的输入电流故障检测大部分都在研究AUV推进器的输入电流故障检测，而忽略了对AUV控制系统的输入电流故障检测。本专利认为AUV的集成控制系统作为AUV的控制中枢，其需要进行故障诊断的需求度不亚于对推进器的故障诊断。
对于AUV的输入电流故障检测目前主要有小波分解方法、修正贝叶斯方法和分形维数方法等。小波方法对于AUV系统产生的高频噪声分析速度较慢，修正贝叶斯方法在控制系统故障分类的效果不理想，分形维数方法对于故障信号的时间窗的选取有较高要求。
发明内容
发明目的：本发明的目的是提供一种自主式水下机器人控制系统输入电流故障检测方法，从而快速高效的解耦提取出控制系统故障和干扰特征，便于后期进行故障检测和辨识，确保AUV安全稳定的运行。
技术方案：本发明所述的一种自主式水下机器人控制系统输入电流故障检测方法，包括以下步骤：
(1)采用量子Bang-Bang技术对采集到的AUV控制系统的信号进行干扰和故障解耦，使干扰信号和故障信号独立演化。量子Bang-Bang技术的使用，通过干扰信号的正负来判断Bang-Bang切换面的正负，从而决定控制量的数值；而后依据所得出的数值对状态变量进行高频脉冲注入，进而快速抑制干扰，使其分别独立演化后进行解耦建量子态观测模型，利用该模型进行特征提取。
(2)通过量子计算，采用|0〉和|1〉表示微观粒子的两种基本状态；
(3)对采集到的AUV控制系统的信号进行模态分解，将原始数据分解为相应的固有模态；
(4)采用SHFC窗口定位法对分解后的低频模态(即第四模态以及之后的模态)进行输入电流故障检测；
(5)根据步骤(3)和步骤(4)，得到AUV控制系统故障特征。
所述步骤(1)具体为：
(1.1)采用量子Bang-Bang技术对采集到的AUV控制系统的信号进行干扰和故障特征解耦，建立多个带有故障和干扰的系统模型，合成量子态模型，根据故障和干扰发生的概率构建量子旋转态。
(1.2)量子Bang-Bang控制的关键取决于开关面，通过采集到的原始数据中的干扰信号的正负来判断量子Bang-Bang开关面的正负。随后，注入幅值等同于Bang-Bang控制的函数值的高频脉冲信号。以此高频脉冲序列来抵消干扰信号，从而能够快速抑制外部干扰所带来的影响。
(1.3)这就使得干扰与控制系统独立演化，由此建立干扰解耦模型，利用该模型对系统进行故障特征提取，能够很好的解决依据工程经验所设置的阈值报警方法所带来的的误报和漏报问题。
(2)通过量子计算，采用|0>和|1>表示微观粒子的两种基本状态。这两种基本状态还可以线性组合表示为叠加态：
Figure BDA0003378083440000021
其中，量子态概率幅α和β分别表示系统外部干扰和故障情况，且是一对复数。又因，量子态在测量过程中存在坍缩的情况，或以|α|2的概率坍缩到|0>，或以|β|2的概率坍缩到|1>，且满足：|α|2+|β|2＝1；
因此，量子态可以由概率幅表示
Figure BDA0003378083440000031
显然，当α＝1，β＝0时，
Figure BDA0003378083440000032
即为基本状态|0>，此时可以表示为
Figure BDA0003378083440000033
相反，当α＝0，β＝1时，
Figure BDA0003378083440000034
即为基本状态|1>，此时可以表示为
Figure BDA0003378083440000035
量子态是二维复向量空间中的单位向量。
因为观测会引起量子态坍缩，量子态会持续处在|0>和|1〉之间的连续状态中，直到被观测到为止。
双量子比特状态表示为：
Figure BDA0003378083440000036
其中，概率幅满足：|α00|2+|α01|2+|α10|2+|α11|2＝1。
所述步骤(4)具体为：
(4.1)对于模态信号x(t)，且x(t)在ti(i＝1,2,…)时刻取其极值点作为信号处理数据；计算出信号中幅度差变化的度量α(ti)为：
Figure BDA0003378083440000037
(4.2)计算出信号中频率变化的度量
Figure BDA0003378083440000038
为：
Figure BDA0003378083440000039
(4.3)计算信号在某个极值点的突变度量ω(ti)为：
Figure BDA00033780834400000310
(4.4)在AUV正常运行过程中，如遇控制器突发性故障或者干扰，系统将会产生模态混叠现象，从而使得在正常的输出信号曲线上会在某些时间段上出现极值点异变，此时通过经验模态分解后的SHFC定位算法可以较好的检测出发生故障的信号突变变化度量ω(ti)。
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种自主式水下机器人控制系统输入电流故障检测方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种自主式水下机器人控制系统输入电流故障检测方法。
有益效果：与现有技术相比，本发明具有如下优点：
1、本发明采用量子Bang-Bang技术、集合模态分解和SHFC定位算法，先对首检信号进行解耦分离，然后对故障信号中的低频部分进行输入电流故障检测，通过本发明，能够解决故障和干扰同时存在的难题，能够有效的提取出系统真实的故障特征，便于后期进行故障检测和辨识，确保AUV能够安全地运行；
2、目前对于AUV控制系统的输入电流故障检测的研究相对较少，发明的内容着手于研究AUV控制系统的输入电流故障检测，具有一定的先进性。
附图说明
图1为本发明的步骤流程图；
图2为干扰解耦故障特征提取流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，一种自主式水下机器人控制系统输入电流故障检测方法，包括以下步骤：
(1)采用量子Bang-Bang技术对采集到的AUV控制系统的信号进行干扰和故障解耦，使干扰信号和故障信号独立演化。
(1.1)如图2所示，采用量子Bang-Bang技术对采集到的AUV控制系统的信号进行干扰和故障特征解耦，建立多个带有故障和干扰的系统模型，合成量子态模型，根据故障和干扰发生的概率构建量子旋转态。
(1.2)量子Bang-Bang控制的关键取决于开关面，通过采集到的原始数据中的干扰信号的正负来判断量子Bang-Bang开关面的正负。随后，注入幅值等同于Bang-Bang控制的函数值的高频脉冲信号。以此高频脉冲序列来抵消干扰信号，从而能够快速抑制外部干扰所带来的影响。
(1.3)这就使得干扰与控制系统独立演化，由此建立干扰解耦模型，利用该模型对系统进行故障特征提取，能够很好的解决依据工程经验所设置的阈值报警方法所带来的的误报和漏报问题。
(2)通过量子计算，采用|0〉和|1〉表示微观粒子的两种基本状态。
这两种基本状态还可以线性组合表示为叠加态：
Figure BDA0003378083440000051
其中，量子态概率幅α和β分别表示系统外部干扰和故障情况，且是一对复数。又因，量子态在测量过程中存在坍缩的情况，或以|α|2的概率坍缩到|0>，或以|β|2的概率坍缩到|1>，且满足：|α|2+|β|2＝1；
因此，量子态可以由概率幅表示
Figure BDA0003378083440000052
显然，当α＝1，β＝0时，
Figure BDA0003378083440000053
即为基本状态|0>，此时可以表示为
Figure BDA0003378083440000054
相反，当α＝0，β＝1时，
Figure BDA0003378083440000055
即为基本状态|1>，此时可以表示为
Figure BDA0003378083440000056
量子态是二维复向量空间中的单位向量。
因为观测会引起量子态坍缩，量子态会持续处在|0>和|1>之间的连续状态中，直到被观测到为止。
如表1所示，双量子比特状态表示为：
Figure BDA0003378083440000057
其中，概率幅满足：|α00|2+|α01|2+|α10|2+|α11|2＝1。
表1双量子AUV干扰故障概率幅表
Figure BDA0003378083440000058
Figure BDA0003378083440000061
(3)对采集到的AUV控制系统的信号进行模态分解，将原始数据分解为相应的固有模态。
(4)采用SHFC窗口定位法对分解后的低频模态(即第四模态以及之后的模态)进行输入电流故障检测。
(4.1)对于模态信号x(t)，且x(t)在ti(i＝1,2,…)时刻取其极值点作为信号处理数据；计算出信号中幅度差变化的度量α(ti)为：
Figure BDA0003378083440000062
(4.2)计算出信号中频率变化的度量
Figure BDA0003378083440000063
为：
Figure BDA0003378083440000064
(4.3)计算信号在某个极值点的突变度量ω(ti)为：
Figure BDA0003378083440000065
(4.4)在AUV正常运行过程中，如遇控制器突发性故障或者干扰，系统将会产生模态混叠现象，从而使得在正常的输出信号曲线上会在某些时间段上出现极值点异变，此时通过经验模态分解后的SHFC定位算法可以较好的检测出发生故障的信号突变变化度量ω(ti)。
(5)根据步骤(3)和步骤(4)，得到AUV控制系统故障特征。

Claims (6)

1.一种自主式水下机器人控制系统输入电流故障检测方法，其特征在于，包括以下步骤：
(1)采用量子Bang-Bang技术对采集到的AUV控制系统的信号进行干扰和故障解耦，使干扰信号和故障信号独立演化；
(2)通过量子计算，采用|0>和|1〉表示微观粒子的两种基本状态；
(3)对采集到的AUV控制系统的信号进行模态分解，将原始数据分解为相应的固有模态；
(4)采用SHFC窗口定位法对分解后的低频模态进行输入电流故障检测；
(5)根据步骤(3)和步骤(4)，得到AUV控制系统故障特征。
2.根据权利要求1所述的一种自主式水下机器人控制系统输入电流故障检测方法，其特征在于，所述步骤(1)具体为：
(1.1)采用量子Bang-Bang技术对采集到的AUV控制系统的信号进行干扰和故障特征解耦，建立多个带有故障和干扰的系统模型，合成量子态模型，根据故障和干扰发生的概率构建量子旋转态；
(1.2)通过采集到的原始数据中的干扰信号的正负来判断量子Bang-Bang开关面的正负；注入幅值等同于Bang-Bang控制的函数值的高频脉冲信号；以此高频脉冲序列来抵消干扰信号；
(1.3)建立干扰解耦模型，利用该模型对系统进行故障特征提取。
3.根据权利要求1所述的量子态转化方法，其特征在于，所述步骤(1)具体为：所述步骤(2)具体为：
微观粒子的两种基本状态线性组合表示为叠加态为：
Figure FDA0003378083430000011
其中，量子态概率幅α和β分别表示系统外部干扰和故障情况，且是一对复数；又因量子态在测量过程中存在坍缩的情况，或以|α|2的概率坍缩到|0〉，或以|β|2的概率坍缩到|1〉，且满足：|α|2+|β|2＝1，因此，量子态由概率幅表示
Figure FDA0003378083430000012
显然，当α＝1，β＝0时，
Figure FDA0003378083430000013
即为基本状态|0>，此时表示为
Figure FDA0003378083430000014
相反，当α＝0，β＝1时，
Figure FDA0003378083430000021
即为基本状态|1>，此时表示为
Figure FDA0003378083430000022
量子态是二维复向量空间中的单位向量；
因为观测会引起量子态坍缩，量子态会持续处在|0>和|1>之间的连续状态中，直到被观测到为止；
双量子比特状态表示为：
Figure FDA0003378083430000023
其中，概率幅满足：|α00|2+|α01|2+|α10|2+|α11|2＝1。
4.据权利要求1所述的一种自主式水下机器人控制系统输入电流故障检测方法，其特征在于，所述步骤(4)具体为：
(4.1)对于模态信号x(t)，且x(t)在ti(i＝1,2,…)时刻取其极值点作为信号处理数据；计算出信号中幅度差变化的度量α(ti)为：
Figure FDA0003378083430000024
(4.2)计算出信号中频率变化的度量
Figure FDA0003378083430000025
为：
Figure FDA0003378083430000026
(4.3)计算信号在某个极值点的突变度量ω(ti)为：
Figure FDA0003378083430000027
(4.4)在AUV正常运行过程中，如遇控制器突发性故障或者干扰，系统将会产生模态混叠现象，从而使得在正常的输出信号曲线上会在某些时间段上出现极值点异变，此时通过经验模态分解后的SHFC定位算法可以较好的检测出发生故障的信号突变变化度量ω(ti)。
5.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的一种自主式水下机器人控制系统输入电流故障检测方法。
6.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的一种自主式水下机器人控制系统输入电流故障检测方法。
CN202111425257.8A 2021-11-26 2021-11-26 一种自主式水下机器人控制系统输入电流故障检测方法 Active CN114114924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111425257.8A CN114114924B (zh) 2021-11-26 2021-11-26 一种自主式水下机器人控制系统输入电流故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111425257.8A CN114114924B (zh) 2021-11-26 2021-11-26 一种自主式水下机器人控制系统输入电流故障检测方法

Publications (2)

Publication Number Publication Date
CN114114924A true CN114114924A (zh) 2022-03-01
CN114114924B CN114114924B (zh) 2024-05-03

Family

ID=80370570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111425257.8A Active CN114114924B (zh) 2021-11-26 2021-11-26 一种自主式水下机器人控制系统输入电流故障检测方法

Country Status (1)

Country Link
CN (1) CN114114924B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7218388B1 (en) * 2004-12-01 2007-05-15 Sandia Corporation VCSEL fault location apparatus and method
CN101670886A (zh) * 2008-09-11 2010-03-17 上海海事大学 水下机器人推进器信息融合故障诊断方法及装置
CN106124988A (zh) * 2016-06-28 2016-11-16 江苏科技大学 一种基于rbf、多层fda和svdd的电机多工况故障检测方法
CN111144307A (zh) * 2019-12-27 2020-05-12 哈尔滨工程大学 一种自主式水下机器人推进器故障特征提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7218388B1 (en) * 2004-12-01 2007-05-15 Sandia Corporation VCSEL fault location apparatus and method
CN101670886A (zh) * 2008-09-11 2010-03-17 上海海事大学 水下机器人推进器信息融合故障诊断方法及装置
CN106124988A (zh) * 2016-06-28 2016-11-16 江苏科技大学 一种基于rbf、多层fda和svdd的电机多工况故障检测方法
CN111144307A (zh) * 2019-12-27 2020-05-12 哈尔滨工程大学 一种自主式水下机器人推进器故障特征提取方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
AHMET M. ¨OZTAS, MICHAEL L. SMITH: "Re-evaluation of Ωk of the normalised Friedmann-Lemaître-Robertson-Walker model: Implications for Hubble constant determinations", NEW ASTRONOMY, 22 April 2021 (2021-04-22), pages 1 - 10 *
SU SIK BANG，等: "Defect Detection in Pipelines via Guided Wave-Based Time–Frequency-Domain Reflectometry", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 70, 28 January 2021 (2021-01-28), pages 1 - 11, XP011837510, DOI: 10.1109/TIM.2021.3055277 *
ZHIYU ZHU，SHIYU CUI: "Fault diagnosis of seawater pump based on transfer kernel locality preserving projection", 2020 IEEE 18TH INTERNATIONAL CONFERENCE ON INDUSTRIAL INFORMATICS, 31 December 2020 (2020-12-31), pages 822 - 827 *
刘维亭，张 冰，朱志宇: "永磁同步电机推进系统容错控制方法", 中国造船, vol. 49, 31 October 2008 (2008-10-31), pages 158 - 164 *
曹万苍，等: "三能级原子振幅退相干的Bang-Bang动力学控制", 中国科学, vol. 37, no. 6, 31 December 2007 (2007-12-31), pages 730 - 737 *
王丽荣，丁凯: "基于小波网络的水下机器人执行器故障诊断", 系统仿真学报, vol. 19, no. 1, 31 January 2007 (2007-01-31), pages 206 - 209 *
颜明重，等: "水下机器人传感器自适应故障检测算法", 华中科技大学学报(自然科学版), vol. 37, 31 August 2009 (2009-08-31), pages 144 - 146 *

Also Published As

Publication number Publication date
CN114114924B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN103617630A (zh) 基于小波分析的电力系统设备红外图像分割方法及系统
CN116243682B (zh) 基于改进生成对抗式网络的水下推进器故障检测方法
CN106708009A (zh) 一种基于支持向量机聚类的船舶动力定位测量系统多故障诊断方法
CN114114924A (zh) 一种自主式水下机器人控制系统输入电流故障检测方法
CN103616680B (zh) 基于离散变速率采样的机动弱目标检测前跟踪方法
Aria Optimal path planning using informed probabilistic road map algorithm
CN111882585B (zh) 被动声呐多目标方位迹提取方法、电子设备及计算机可读存储介质
CN111208731B (zh) 一种对电力信息物理系统进行攻击检测及重构的方法
CN111144307A (zh) 一种自主式水下机器人推进器故障特征提取方法
Zhao et al. Identification of hydrodynamic coefficients of a ship manoeuvring model based on PRBS input
Baklouti et al. Fault detection of an air quality monitoring network
Zhao et al. Adaptive sliding mode dynamic positioning control for a semi-submersible offshore platform
Dhahri et al. LMI-based sliding-mode observer design method for reconstruction of actuator and sensor faults
Yu et al. Thruster fault feature extraction method for underwater vehicle
Sharma et al. An underwater vehicles dynamics in the presence of noise and Fokker-Planck Equations
Su et al. Fault diagnosis method based on a new manifold learning framework
CN105301655A (zh) 一种共成像点道集线性噪声去除方法及装置
Liang et al. Adaptive actuator fault and the abnormal value reconstruction for marine vehicles with a class of Euler–Lagrange system
Ying et al. Stacked supervised auto-encoder with deep learning framework for nonlinear process monitoring and fault detection
CN111091159B (zh) 一种自主式水下机器人推进器弱故障特征提取方法
Mai et al. Underwater Object Detection Based on DN-DETR
CN117250970B (zh) 基于模型嵌入生成对抗网络实现auv故障检测的方法
Zhao et al. Fault Detection, Isolation, and Prognosis for complex system
Yang et al. Robot multimodal anomaly diagnosis by learning time-lagged complex dynamics
Antoniadou et al. An Illustration of New Methods in Machine Condition Monitoring, Part II: Adaptive outlier detection

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