CN115118197A - 一种auv推进器系统故障诊断方法 - Google Patents

Abstract

本发明提出一种AUV推进器故障诊断方法，首先对电机负载和螺旋桨转矩进行估计；然后以估计的电机负载、螺旋桨转矩以及电机控制信号为输入，利用自编码器对故障进行识别；若自编码器的重构误差超过阈值则输出故障告警，若告警持续T0时间，则确定为推进器故障；最后构建故障隔离表，对故障原因进行分析确定。本方案对推进器故障诊断和识别时，不依赖大量的故障数据，仅依靠AUV自身携带的传感器的测量数据即可实现对电机电流和转速的反馈故障以及螺旋桨丢失、脱落和电路开路等多种故障进行识别和确定原因，具有更高的实际应用价值。

Description

一种AUV推进器系统故障诊断方法

技术领域

本发明涉及推进器系统故障诊断技术领域，具体涉及一种AUV推进器系统故障诊断方法。

背景技术

在国防、海洋和工业应用方面，自主水下航行器(AUV)在广泛的应用和接受度方面越来越受欢迎。AUV作为海洋探测的重要工具必须保证其在水下工作时的安全可靠。因此，故障诊断技术已成为该领域最重要的研究课题之一。

目前，大多数商用AUV在水下航行时，主要利用水下推进器作为执行器，因此，推进器故障是AUV最常见的故障源之一。事实上，一旦AUV的推进系统出现故障，不仅任务无法完成，而且AUV本身也面临着丢失、损毁的危险。为避免这种情况，研究一种及时有效的故障诊断策略，有利于降低AUV损毁风险，避免故障的深度传播，对保证在复杂海洋环境下AUV的安全性和提高机动性具有重要意义。

自20世纪90年代以来，人们对推进器故障诊断进行了大量的研究。目前，对于推进器故障诊断的方法分为三大类，包括：基于解析模型的，基于数据驱动的以及基于混合方法的。比如，申请公布号为CN113283292A的发明专利公开一种水下微型推进器故障诊断的方法及装置，包括模型训练阶段，故障诊断阶段和模型优化阶段，模型训练阶段采集推进器在不同故障类型下的多组电机电流历史信号，作为模型的训练样本数据集，并对其采用改进的HHT变换进行特征向量提取，然后基于提取到的特征向量并结合水下微型推进器故障类型进行训练，得到推进器故障诊断模型；故障诊断阶段采集推进器的电机电流实时信号来提取其特征向量，并将特征向量输入到训练好的故障诊断模型中，判断出推进器故障状态；模型优化阶段将采集到的数据信息添加至预先建立的模型训练样本数据集中，并结合更新后的推进器故障类型进行训练，得到优化的推进器故障诊断模型。

对于现有的推进系统故障诊断方法存在两个问题：1、直接对推进器进行故障诊断的方法大多依靠推进器的反馈信息，一旦反馈信息错误将会导致故障误诊断；2、利用航行器模型对推进器故障进行识别虽然具有良好的效果，但对于引起故障的原因却无法确定。

发明内容

本发明为解决现有推进器故障诊断方案存在的精度差、故障原因无法确定等缺陷，提出一种AUV推进器系统故障诊断方法，不仅能够对推进器故障进行诊断，还能够确定故障原因。

本发明是采用以下的技术方案实现的：一种AUV推进器故障诊断方法，其特征在于，包括以下步骤：

步骤A、对电机负载和螺旋桨转矩进行估计；

步骤B、以估计的电机负载、螺旋桨转矩以及电机控制信号为输入，利用自编码器对故障进行识别；

若自编码器的重构误差超过设定阈值则输出故障告警，若告警持续T0时间，则确定为推进器故障；

步骤C、构建故障隔离表，对故障原因进行分析确定：结合电机控制信号，实现推进器电流反馈故障、电机速度反馈故障和螺旋桨丢失、螺旋桨破损、开路故障的区分。

进一步的，所述步骤A中在对电机负载进行估计时，采用扩张状态观测器实现，具体的：

(1)构建电机运动方程：

其中，T_e是电机电磁转矩，Q_M是电机的负载转矩，J_M是电机转动惯量，B_v是电机摩擦系数，n是电机转速；

(2)对电机负载进行估计，扩张状态观测器表示为：

其中，

是n的估计值，

是λ的估计值，k₁和k₂是针对扩张状态观测器设计的观测增益，当观测器收敛后，根据

得到观测的电机负载。

进一步的，所述步骤A中，利用螺旋桨扭矩方程对螺旋桨转矩进行估计：

(1)螺旋桨的扭矩方程表示为:

式中，g()是扭矩多项式，θ和T_θ是俯仰运动引起的倾斜角和周期的变化，ψ和T_ψ是由于偏航运动引起的倾斜角和周期的变化，h是AUV深度变化；

(2)基于神经网络对螺旋桨转矩进行估计：

以u，θ，ψ，h，n_p五个参数做为神经网络的输入，其中，u为AUV设备速度，n_p为螺旋桨转速，神经网络的输出为螺旋桨转矩。

进一步的，所述步骤B中，将电机负载估计Q_m、螺旋桨转矩估计Q_p和电机控制信号s，输入稀疏自编码器，其误差计算如下:

将上述误差与阈值r1、r2、r3进行比较，以确定是否发生了故障，故障的判别标准如下：

其中，r1、r2、r3分别对应电机负载估计Q_m、螺旋桨转矩估计Q_p和电机控制信号s的设定阈值。

进一步的，所述步骤C中，首次识别故障并保持T₀秒的时刻被定义为故障识别点；所述故障包括电流反馈故障、转速反馈故障、螺旋桨丢失、螺旋桨缠绕和开路故障；

定义任意两故障x₁和x₂之间的相关系数Cx₁，x₂:

其中，t是故障识别点，T₀是观察周期，η_x1和η_x2是变量x₁和x₂的平均值，

的取值范围是-1到1；

设相关系数|Cx₁，x₂|>M时，x₁和x₂之间存在相关性，则有以下故障分析及确定条件：

电流反馈故障：0<c_Qm,s≤M，M≤c_Qp,s且0＜c_Qm，Qp；

转速反馈故障：M≤c_Qm,s，0<c_Qp,s≤M且0＜c_Qm，Qp；

螺旋桨丢失：c_Qm,s≤－M，M≤c_Qp,s且c_Qm，Qp＜0；

螺旋桨缠绕：M≤c_Qm,s，c_Qp,s≤－M且c_Qm，Qp＜0；

开路故障：c_Qm,s≤－M，c_Qp,s≤－M且c_Qm，Qp＞0；

其中，c_Qm,s为电机负载与电机控制信号之间的相关系数，c_Qp,s为螺旋桨转矩与电机控制信号之间的相关系数；c_Qm,Qp为电机负载与螺旋桨转矩之间的相关系数。

与现有技术相比，本发明的优点和积极效果在于：

本方案首先基于电流和电机速度对电机负载进行估计，基于AUV的运动状态和电机速度对螺旋桨转矩进行估计，结合电机控制信号，利用稀疏自编码器对故障进行识别；当识别故障后，在相同的电机控制信号下，电机负载和螺旋桨转矩将根据不同的故障类型展现出不同的变化趋势，进而利用电机控制信号、螺旋桨转矩和电机负载之间的相关系数准确的确定故障的原因；

本方案对推进器故障诊断和识别时，不依赖大量的故障数据，仅依靠AUV自身携带的传感器的测量数据即可实现对电机电流和转速的反馈故障以及螺旋桨丢失、脱落和电路开路等多种故障进行识别和确定原因，监测精度高，具有更高的实际应用价值。

附图说明

图1为本发明实施例所述故障诊断方法整体流程示意图；

图2为本发明实施例所述神经网路结构示意图；

图3为本发明实施例所述稀疏自编码器结构示意图。

具体实施方式

为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。

本实施例提出一种AUV推进器故障诊断方法，包括以下步骤：

步骤A、对电机负载和螺旋桨转矩进行估计；

步骤B、以估计的电机负载、螺旋桨转矩以及电机控制信号为输入，利用自编码器对故障进行识别；

若自编码器的重构误差超过阈值则输出故障告警，若告警持续T0时间，则在这段时间内重构误差均超过阈值，确定为推进器故障；

步骤C、构建故障隔离表，对故障原因进行分析确定：结合电机控制信号，实现推进器电流反馈故障、电机速度反馈故障和螺旋桨丢失、螺旋桨破损、开路故障的区分。

具体的，如图1所示，本方案首先对电机负载及螺旋桨转矩进行估计，在估计电机负载时主要利用电池电流和电机速度，在估计螺旋桨转矩时使用AUV的运动状态和电机速度。随后利用自编码器对故障进行识别，当出现故障时自编码器的输入与输出的残差会超过设置的阈值。当识别故障后，在相同的电机控制信号下电机负载和螺旋桨转矩将根据不同的故障类型展现出不同的变化趋势，利用电机控制信号、螺旋桨转矩和电机负载之间的相关系数实现对故障的原因的准确确定。为了更清楚的理解本发明，下面结合具体实施方式对本发明进行进一步的说明：

步骤A中，对电机负载和螺旋桨转矩进行估计，实现从不同的角度表述螺旋桨的状态。本实施例主要利用扩张状态观测器(ESO)和神经网络(NN)分别对应的对电机负载和螺旋桨转矩进行估计：

1、首先利用扩张状态观测器实现对电机负载的估计：

(1)构建电机运动方程，如公式(1)所示：

其中，T_e是电机电磁转矩，Q_M是电机的负载转矩，J_M是电机转动惯量，B_v是电机摩擦系数，n是电机转速。当电机工作状态稳定时，其中电机电磁转矩可由电流表示，负载转矩可等效为螺旋桨，电机加速度为0，电机转速为常数。

定义λ＝(B_vn+Q_M)/J_M作为新变量，将式(1)改写为式(2)：

其中，Cm是电机转矩系数，y是系统输出。

(2)设计扩张状态观测器对电机负载进行估计：

其中

是n的估计值，

是λ的估计值，k₁和k₂是针对扩张状态观测器设计的观测增益，当观测器收敛后根据

可以得到观测的电机负载。

2、通常，螺旋桨的转矩可以近似由电机负载表示，也可以利用螺旋桨转矩方程计算。本实施例在对螺旋桨转矩进行估计时，利用螺旋桨扭矩方程计算，具体如下：

(1)考虑到AUV不仅有垂直运动，还有水平运动。当螺旋桨远离水面时，其垂直位移对螺旋桨的性能影响不大。因此，安装在AUV上的螺旋桨的扭矩方程表示为:

式中，g()是扭矩多项式，θ和T_θ是俯仰运动引起的倾斜角和周期的变化，ψ和T_ψ是由于偏航运动引起的倾斜角和周期的变化，h是AUV深度变化。考虑到g()中的非线性和不确定项，本实施例引入神经网络(见图2)来逼近复杂海况下的螺旋桨转矩模型。

(2)基于神经网络对螺旋桨转矩进行估计：

从图2可以看出，神经网络包含5个输入变量，1个隐含层和1个输出变量。5个输入变量包括:u，θ，ψ，h，n_p，u为AUV设备速度，这些参数可以通过传感器或简单计算获得。需要注意的是，T_θ和T_ψ可以通过和计算得出，因此它们不作为神经网络的输入，神经网络的输出为螺旋桨转矩。

需要说明的是，利用电机的状态方程、电机电流、电机转速实现对电机负载估计的方法可以通过其他方式实现，如神经网络，观测器、滤波算法等。同样的，利用AUV运动状态和电机转速实现对螺旋桨转矩估计的方法，也可以采用如最小二乘法、神经网络、观测器、滤波算法等实现，目的是实现对电机负载和螺旋桨转矩的观测，对实现方式不做具体限定，本领域技术人员可以根据经验公知常识进行实施即可。

步骤B中，考虑外部环境对螺旋桨转矩估计的影响，本实施例引入稀疏自编码器来识别故障。同时设定故障观测周期，这样能够避免由较大的峰值重构误差导致的故障误识别。所述稀疏自编码器是一种具有稀疏项的神经网络，被训练来重构其输入(见图3)。该步骤的目的是在避免过拟合的同时，重建误差较低的正常数据和误差较高的异常数据，然后应用误差的大小来确定故障是否存在。

稀疏自编码器包含编码器、隐藏层和解码器功能。编码器将输入数据映射到隐藏的表示。并且解码器重构隐藏层特征。在稀疏自编码器被训练之后，基于重建误差，序列被分类为正常或异常，对于Q_m、Q_p和电机控制信号s，误差计算如下:

所产生的残差与阈值r1、r2、r3(r1、r2、r3分别对应Q_m、Q_p和电机控制信号s的设定阈值)进行比较，以确定是否发生了故障。在这里需要说明的是阈值的确定是根据工程经验确定的，具体根据经验和实际需要进行设定即可，故障的判别标准如下：

在AUV实际应用时，Q_m、Q_p和s都受到外界环境的干扰(比如当一个AUV突然改变航向时，洋流会造成与之前不同的扰动)，并且当用稀疏自编码器重建输入时，可能存在超过阈值的峰值误差。因此，如果直接应用(6)进行故障识别，可能会出现误报警情况。对于这个问题，本实施例则是输出一个故障警告，然后观察重建误差是否持续超过阈值一段时间，比如T0秒，本文将观察周期T0设置为30s，以确定故障。

需要说明的是，本实施例以稀疏自编码器为例进行故障诊断，除了稀疏自编码器也可以采用去噪自编码器等，目的是以电机负载、螺旋桨转矩和电机控制信号作为输入实现故障诊断。

步骤C中，当故障被识别后，随后一个关键问题是如何确定造成故障的原因，即故障隔离。当电流反馈故障发生时，Q_m突然改变。考虑到此时AUV的速度不受电流反馈故障的影响，Q_p和s仍然保持相同的趋势。与电流反馈故障相反，当电机转速反馈故障发生时，Q_p发生突变。同时，Q_m会略有波动，但影响仅限于系统损耗。所以Q_m和s的趋势保持一致。对于螺旋桨丢失，从公式(1)可以知道，Q_m应该接近于零。此时，AUV的速度降低，控制信号逐渐增加，电机速度随控制信号增加，直至最大。然后，Q_p增加到最大扭矩。相反，当螺旋桨缠绕出现时，电机速度为零。随着AUV的减速，控制信号逐渐增大，电机电流增大到最大。此时，从公式(1)和(4)可以看出，Q_p为零，Q_m将增加到最大扭矩。当开路故障发生时，推进器与电池断开。电流和电机速度都为零，因此Q_m和Q_p也为零。然后，推进器控制信号在AUV控制系统的调节下达到最大值。

为了描述这些趋势，本实施例引入了相关系数来计算故障识别点周围Q_m与s、Q_p与s、Q_m与Q_p之间的相关性。首次识别故障并保持30秒的时刻被定义为故障识别点。两个给定变量x₁和x₂之间的相关系数，定义如下:

其中t是故障识别点。T₀是观察周期。η_x1和η_x2是变量x₁和x₂的平均值。

的取值范围是-1到1。一般当

时(本实施例M取值0.7，具体根据经验和实际需要确定M值大小)，说明x₁和x₂之间有很强的正相关性。而当

时，说明x₁和x₂之间存在很强的负相关性。上述分析可以转换为符号表示，并总结在表1中。

表1故障隔离表

综上，本方法利用AUV的运动状态信息，结合推进器中电机模型和AUV的控制信号，在实现故障识别的同时也能实现故障原因的确定，可以实现电流反馈故障、转速反馈故障与螺旋桨缠绕、螺旋桨丢失和系统开路故障的区分。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种AUV推进器故障诊断方法，其特征在于，包括以下步骤：

步骤A、对电机负载和螺旋桨转矩进行估计；

步骤B、以估计的电机负载、螺旋桨转矩以及电机控制信号为输入，利用自编码器对故障进行识别；

若自编码器的重构误差超过设定阈值则输出故障告警，若告警持续T0时间，则确定为推进器故障；

步骤C、构建故障隔离表，对故障原因进行分析确定：结合电机控制信号，实现推进器电流反馈故障、电机速度反馈故障和螺旋桨丢失、螺旋桨破损、开路故障的区分。

2.根据权利要求1所述的AUV推进器故障诊断方法，其特征在于：所述步骤A中在对电机负载进行估计时，采用扩张状态观测器实现，具体的：

(1)构建电机运动方程：

其中，T_e是电机电磁转矩，Q_M是电机的负载转矩，J_M是电机转动惯量，B_v是电机摩擦系数，n是电机转速；

(2)对电机负载进行估计，扩张状态观测器表示为：

其中，

是n的估计值，

是λ的估计值，k₁和k₂是针对扩张状态观测器设计的观测增益，当观测器收敛后，根据

得到观测的电机负载。

3.根据权利要求2所述的AUV推进器故障诊断方法，其特征在于：所述步骤A中，利用螺旋桨扭矩方程对螺旋桨转矩进行估计：

(1)螺旋桨的扭矩方程表示为:

式中，g()是扭矩多项式，θ和T_θ是俯仰运动引起的倾斜角和周期的变化，ψ和T_ψ是由于偏航运动引起的倾斜角和周期的变化，h是AUV深度变化；

(2)基于神经网络对螺旋桨转矩进行估计：

以u，θ，ψ，h，n_p五个参数做为神经网络的输入，其中，u为AUV设备速度，n_p为螺旋桨转速，神经网络的输出为螺旋桨转矩。

4.根据权利要求1所述的AUV推进器故障诊断方法，其特征在于：所述步骤B中，将电机负载估计Q_m、螺旋桨转矩估计Q_p和电机控制信号s，输入稀疏自编码器，其误差计算如下:

将上述误差与阈值r1、r2、r3进行比较，以确定是否发生了故障，故障的判别标准如下：

其中，r1、r2、r3分别对应电机负载估计Q_m、螺旋桨转矩估计Q_p和电机控制信号s的设定阈值。

5.根据权利要求1所述的AUV推进器故障诊断方法，其特征在于：所述步骤C中，首次识别故障并保持T₀秒的时刻被定义为故障识别点；所述故障包括电流反馈故障、转速反馈故障、螺旋桨丢失、螺旋桨缠绕和开路故障；

定义任意两故障x₁和x₂之间的相关系数Cx₁，x₂:

其中，t是故障识别点，T₀是观察周期，η_x1和η_x2是变量x₁和x₂的平均值，

的取值范围是-1到1

设相关系数|Cx₁，x₂|>M时，x₁和x₂之间存在相关性，则有以下故障分析及确定条件：

电流反馈故障：0<c_Qm,s≤M，M≤c_Qp,s且0＜c_Qm，Qp；

转速反馈故障：M≤c_Qm,s，0<c_Qp,s≤M且0＜c_Qm，Qp；

螺旋桨丢失：c_Qm,s≤－M，M≤c_Qp,s且c_Qm，Qp＜0；

螺旋桨缠绕：M≤c_Qm,s，c_Qp,s≤－M且c_Qm，Qp＜0；

开路故障：c_Qm,s≤－M，c_Qp,s≤－M且c_Qm，Qp＞0；

其中，c_Qm,s为电机负载与电机控制信号之间的相关系数，c_Qp,s为螺旋桨转矩与电机控制信号之间的相关系数；c_Qm,Qp为电机负载与螺旋桨转矩之间的相关系数。

Images