CN115797749B - 一种水下自主航行器状态检测方法与系统 - Google Patents
一种水下自主航行器状态检测方法与系统 Download PDFInfo
- Publication number
- CN115797749B CN115797749B CN202310050830.4A CN202310050830A CN115797749B CN 115797749 B CN115797749 B CN 115797749B CN 202310050830 A CN202310050830 A CN 202310050830A CN 115797749 B CN115797749 B CN 115797749B
- Authority
- CN
- China
- Prior art keywords
- module
- global
- local
- area network
- lgfm
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
一种水下自主航行器状态检测方法与系统,属于自主水下航行器状态检测技术领域,解决了现有的SVDD只能对目标数据集给出一个描述,而忽略了目标数据集中不同样本类之间的描述或差异的问题。包括以下步骤:步骤S1,分别获取水下自主航行器各系统分别对应的多个传感器数据,将多个传感器编号分别与其数据进行拼接作为时间步;步骤S2,根据时间步获取文本数据,并基于一个批量的多个传感器数据,组成序列数据;步骤S3,将序列数据输入到构建的网络模型中进行异常检测。
Description
技术领域
本发明涉及自主水下航行器状态检测技术领域,具体涉及一种水下自主航行器状态检测方法与系统。
背景技术
由于海洋环境复杂、温度变化大、盐度高、海流浪涌频繁、微生物种类多等特点,造成装备服役过程中受环境干扰程度大。自主水下航行器长时间工作在高压力、强腐蚀的海洋环境,航行器的部件不可避免的容易发生故障,要想在长时间的部署中取得成功,它们必须在面对子系统故障和环境挑战时具有可靠性,需要提高实时检测性能异常和意外事件的能力。现有的无人水下航行器在复杂海洋环境下普遍存在可靠性、维修性、保障性差,维修、保障成本高等问题。
基于PHM(故障预测与健康管理)系统体系结构下的无人水下航行器,涉及到三种分离的推理机,分别为AR(异常检测推理机)、DR(故障诊断推理机)和PR(故障预测推理机)。现有的AR主要有SVM(支持向量机)和SVDD(支持向量数据描述)。
但是,SVM难以适应大规模训练样本,且不适合于多分类的应用场景, SVDD只能对目标数据集给出一个描述,而忽略了目标数据集中不同样本类之间的描述或差异。
发明内容
本发明解决了现有的SVDD只能对目标数据集给出一个描述,而忽略了目标数据集中不同样本类之间的描述或差异的问题。
本发明所述的一种水下自主航行器状态检测方法,包括以下步骤:
步骤S1,分别获取水下自主航行器各系统分别对应的多个传感器数据,将多个传感器编号分别与其数据进行拼接作为时间步;
步骤S2,根据时间步获取文本数据,并基于一个批量的多个传感器数据,组成序列数据;
步骤S3,将序列数据输入到构建的网络模型中进行异常检测;
所述构建的网络模型包括输入模块、FEB模块和输出模块;
所述FEB模块堆叠多个LGFM模块,LGFM模块抽取局部上下文以及全局上下文信息;
所述LGFM模块包括LOCAL模块和GLOBAL模块,LOCAL模块抽取局部上下文信息,GLOBAL模块抽取全局上下文信息,将LOCAL模块和GLOBAL模块在维度上进行拼接;
所述LOCAL模块使用多个Conv1D,其中一个Conv1D经过sigmoid函数,将其充当一个门控阀值,有σ的概率需要变换,1-σ的概率保持不变。
进一步地,在本发明的一个实施例中,所述时间步的表达式为:
进一步地,在本发明的一个实施例中,所述FEB模块的表达式为:
进一步地,在本发明的一个实施例中,所述LOCAL模块和GLOBAL模块在维度上进行拼接的表达式为:
LGFM(X)= LN(GELU(GLOBAL(X)⊕LOCAL(X)));
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度。
进一步地,在本发明的一个实施例中,所述一个一维卷积经过sigmoid函数,将其充当一个门控阀值,有σ的概率需要变换,1-σ的概率保持不变,表达式为:
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度。
进一步地,在本发明的一个实施例中,所述FEB模块包括GELU激活函数和层归一化函数。
进一步地,在本发明的一个实施例中,所述GLOBAL模块采用自注意力机制。
进一步地,在本发明的一个实施例中,所述输出模块包括1DGlobalAveragePooling和softmax激活函数。
本发明所述的一种水下自主航行器状态检测系统,所述系统包括以下模块:
获取模块,分别获取水下自主航行器各系统分别对应的多个传感器数据,将多个传感器编号分别与其数据进行拼接作为时间步;
数据模块,根据时间步获取文本数据,并基于一个批量的多个传感器数据,组成序列数据;
检测模块,将序列数据输入到构建的网络模型中进行异常检测;
所述构建的网络模型包括输入模块、FEB模块和输出模块;
所述FEB模块堆叠多个LGFM模块,LGFM模块抽取局部上下文以及全局上下文信息;
所述LGFM模块包括LOCAL模块和GLOBAL模块,LOCAL模块抽取局部上下文信息,GLOBAL模块抽取全局上下文信息,将LOCAL模块和GLOBAL模块在维度上进行拼接;
所述LOCAL模块使用多个Conv1D,其中一个Conv1D经过sigmoid函数,将其充当一个门控阀值,有σ的概率需要变换,1-σ的概率保持不变。
本发明解决了现有的SVDD只能对目标数据集给出一个描述,而忽略了目标数据集中不同样本类之间的描述或差异的问题。具体有益效果包括:
本发明所述的一种水下自主航行器状态检测方法,增强了FEB模块(特征抽取模块),提高了传感器数据的非线性表达能力,融合了LGFM模块(局部以及全局上下文融合特征模块),并在LOCAL模块(局部上下文信息模块)中引入了门控机制,能够有效地对信息进行选择,解决了现有的SVDD只能对目标数据集给出一个描述,而忽略了目标数据集中不同样本类之间的描述或差异的问题。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是具体实施方式所述的网络模型结构示意图;
图2是具体实施方式所述的LGFM模块示意图;
图3是具体实施方式所述的LOCAL模块示意图;
图4是具体实施方式所述的GLOBAL模块示意图。
具体实施方式
下面结合附图将对本发明的多种实施方式进行清楚、完整地描述。通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本实施方式所述的一种水下自主航行器状态检测方法,包括以下步骤:
步骤S1,分别获取水下自主航行器各系统分别对应的多个传感器数据,将多个传感器编号分别与其数据进行拼接作为时间步;
步骤S2,根据时间步获取文本数据,并基于一个批量的多个传感器数据,组成序列数据;
步骤S3,将序列数据输入到构建的网络模型中进行异常检测;
所述构建的网络模型包括输入模块、FEB模块和输出模块;
所述FEB模块堆叠多个LGFM模块,LGFM模块抽取局部上下文以及全局上下文信息;
所述LGFM模块包括LOCAL模块和GLOBAL模块,LOCAL模块抽取局部上下文信息,GLOBAL模块抽取全局上下文信息,将LOCAL模块和GLOBAL模块在维度上进行拼接;
所述LOCAL模块使用多个Conv1D,其中一个Conv1D经过sigmoid函数,将其充当一个门控阀值,有σ的概率需要变换,1-σ的概率保持不变。
本实施方式中,所述时间步的表达式为:
本实施方式中,所述FEB模块的表达式为:
本实施方式中,所述LOCAL模块和GLOBAL模块在维度上进行拼接的表达式为:
LGFM(X)= LN(GELU(GLOBAL(X)⊕LOCAL(X)));
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度。
本实施方式中,所述一个一维卷积经过sigmoid函数,将其充当一个门控阀值,有σ的概率需要变换,1-σ的概率保持不变,表达式为:
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度。
本实施方式中,所述FEB模块包括GELU激活函数和层归一化函数。
本实施方式中,所述GLOBAL模块采用自注意力机制。
本实施方式中,所述输出模块包括1D GlobalAveragePooling和softmax激活函数。
本实施方式基于本发明所述的一种水下自主航行器状态检测方法,提供一种实际的实施方式:
首先,获得水下自主航行器各系统对应的多个传感器数据以及其推导数据,如深度传感器,姿态角、加速度、角加速度、线加速度、速度、线速度等;
一般水下自主航行器分为平台总体和任务模块;
平台总体包括载体构型与结构、能供与电气系统、推进和操纵系统、任务控制系统、平台控制系统、导航与通信系统、均衡与应急系统;
任务模块一般包括侧扫声呐模块、温深盐模块、合成孔径声呐模块和海底层剖面仪模块等;
将上述模块的多个传感器编号与其数据进行拼接作为一个时间步,具体表示式为:
,/>表示第/>个传感器事件(即第i个时间步),T表示滑动窗口大小,也表示时间步的数量,D表示嵌入的维度,R表示实数,滑动窗口大小T以及嵌入维度D作为超参数,可以通过在实验环境下针对不同水下自主航行器计算最佳值。
输入序列数据[B,T,D],其中,在训练的时候B表示一个批量的多个传感器数据,在预测的时候B的值为1。如图1所示,网络结构包括输入模块、FEB模块和输出模块;
其中,FEB模块包含三个LGFM模块,LGFM模块能够抽取局部上下文以及全局上下文信息,由于LGFM的输入与输出数据具有相同的形状大小,所以可以通过堆叠来增强特征抽取非线性表达的能力。一个完整的特征抽取FEB模块的表达式为:
如图2所示,LGFM模块由一个LOCAL模块以及一个GLOBAL模块组成,该模块能够对输入的时间序列传感器数据进行特征抽取,最终得到一个高维的特征向量。由于LOCAL模块输出的维度可能与GLOBAL模块的输出维度不一致,所以将两者在维度上进行拼接,其表达式为:
LGFM(X)= LN(GELU(GLOBAL(X)⊕LOCAL(X)));
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度。
激活函数选择GELU(非初等函数形式的激活函数), 公式为:
再将经过GELU激活函数输出的结果,通过LN(层归一化)来减少训练的时间进而加快网络的收敛速度。LN通过在训练时和测试时对数据同时进行处理,将一个样本的所有时间步数据进行汇总,计算平均值和方差,来对每一层的输入数据做规范化处理。
如图3所示,LOCAL模块能够对传感器数据输入抽取局部上下文信息。LOCAL模块使用了两个Conv1D(一维卷积),分别是Conv1D1和Conv1D2,其中一个Conv1D2经过sigmoid函数(S形函数)将其输出映射为[0,1],充当一个门控阀值,有 的概率需要变换,1-/>的概率保持不变,能够降低梯度消失的风险的同时,做到了对信息的选择,使得信息能够在多通道传输,其表达式为:
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度。
传感器数据除了会输入LOCAL模块,还会输入到GLOBAL模块中以抽取全局上下文信息。如图4所示,GLOBAL模块采用了自注意力机制,其中Q,K,V都是输入X经过非线性变换得到的,Q=WqX,K=WkX,V= WvX。Wq,Wk,Wv都是随机初始化的权重矩阵,随着网络训练而更新。dk表示K的维度,主要用于归一化,防止其进入softmax函数(归一化指数函数)的饱和区,具体公式为:
其中,KT表示矩阵。
最终,将FEB模块的输出结果传入输出模块以进行信息聚合并分类,输出模块由一个1D GlobalAveragePooling(一维全局平均池化)和softmax激活函数组成,采用一维全局平均池化,将一个传感器样本所有时间步信息进行聚合,与全连接层相比,它加强了特征和类别之间的对应关系,并极大地减少了参数的数量,并最终通过softmax激活函数进行多分类输出各系统异常概率。交叉熵损失函数公式为:
其中,n表式样本数量,也就是一个批量的多个传感器数据,x表示预测向量维度,y表示onehot编码(一位有效编码)后的真实值对应x维度上的标签,是1或0,a表示onehot格式输出的预测标签,是0~1的值,a经过了softmax激活,所以a的和值为1。
本发明所述的一种水下自主航行器状态检测系统,所述系统包括以下模块:
获取模块,分别获取水下自主航行器各系统分别对应的多个传感器数据,将多个传感器编号分别与其数据进行拼接作为时间步;
数据模块,根据时间步获取文本数据,并基于一个批量的多个传感器数据,组成序列数据;
检测模块,将序列数据输入到构建的网络模型中进行异常检测;
所述构建的网络模型包括输入模块、FEB模块和输出模块;
所述FEB模块堆叠多个LGFM模块,LGFM模块抽取局部上下文以及全局上下文信息;
所述LGFM模块包括LOCAL模块和GLOBAL模块,LOCAL模块抽取局部上下文信息,GLOBAL模块抽取全局上下文信息,将LOCAL模块和GLOBAL模块在维度上进行拼接;
所述LOCAL模块使用多个Conv1D,其中一个Conv1D经过sigmoid函数,将其充当一个门控阀值,有σ的概率需要变换,1-σ的概率保持不变。
以上对本发明所提出的一种水下自主航行器状态检测方法与系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种水下自主航行器状态检测方法,其特征在于,包括以下步骤:
步骤S1,分别获取水下自主航行器各系统分别对应的多个传感器数据,将多个传感器编号分别与其数据进行拼接作为时间步;
步骤S2,根据时间步获取文本数据,并基于一个批量的多个传感器数据,组成序列数据;
步骤S3,将序列数据输入到构建的网络模型中进行异常检测;
所述构建的网络模型包括输入模块、FEB模块和输出模块;
所述输出模块由一个1D GlobalAveragePooling和softmax激活函数组成,输出各系统异常概率;
所述FEB模块堆叠多个LGFM模块,LGFM模块抽取局部上下文以及全局上下文信息;
所述LGFM模块包括LOCAL模块和GLOBAL模块,LOCAL模块抽取局部上下文信息,GLOBAL模块抽取全局上下文信息,将LOCAL模块和GLOBAL模块在维度上进行拼接;
所述LOCAL模块和GLOBAL模块在维度上进行拼接的表达式为:
LGFM(X)=LN(GELU(GLOBAL(X)⊕LOCAL(X)));
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度;
所述LOCAL模块使用多个Conv1D,其中一个Conv1D经过sigmoid函数,将其充当一个门控阈值,有σ的概率需要变换,1-σ的概率保持不变,表达式为:
σ=sigmoid(Conv1D2(X));
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度,Conv1D1和Conv1D2均表示一维卷积。
2.根据权利要求1所述的一种水下自主航行器状态检测方法,其特征在于,所述时间步的表达式为:
xi={x1,x2,…,xt,…,xT}∈RT×D,xi表示第i个传感器事件,T表示滑动窗口大小,D表示嵌入的维度,R表示实数。
3.根据权利要求1所述的一种水下自主航行器状态检测方法,其特征在于,所述FEB模块的表达式为:
FEB=LGFM(LGFM(LGFM(·)))。
4.根据权利要求1所述的一种水下自主航行器状态检测方法,其特征在于,所述FEB模块包括GELU激活函数和层归一化函数。
5.根据权利要求1所述的一种水下自主航行器状态检测方法,其特征在于,所述GLOBAL模块采用自注意力机制。
6.一种水下自主航行器状态检测系统,其特征在于,所述系统包括以下模块:
获取模块,分别获取水下自主航行器各系统分别对应的多个传感器数据,将多个传感器编号分别与其数据进行拼接作为时间步;
数据模块,根据时间步获取文本数据,并基于一个批量的多个传感器数据,组成序列数据;
检测模块,将序列数据输入到构建的网络模型中进行异常检测;
所述构建的网络模型包括输入模块、FEB模块和输出模块;
所述输出模块由一个1D GlobalAveragePooling和softmax激活函数组成,输出各系统异常概率;
所述FEB模块堆叠多个LGFM模块,LGFM模块抽取局部上下文以及全局上下文信息;
所述LGFM模块包括LOCAL模块和GLOBAL模块,LOCAL模块抽取局部上下文信息,GLOBAL模块抽取全局上下文信息,将LOCAL模块和GLOBAL模块在维度上进行拼接;
所述LOCAL模块和GLOBAL模块在维度上进行拼接的表达式为:
LGFM(X)=LN(GELU(GLOBAL(X)⊕LOCAL(X)));
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度;
所述LOCAL模块使用多个Conv1D,其中一个Conv1D经过sigmoid函数,将其充当一个门控阈值,有σ的概率需要变换,1-σ的概率保持不变,表达式为:
σ=sigmoid(Conv1D2(X));
其中,X表示序列数据[B,T,D],B表示批量的大小,T表示滑动窗口得大小,D表示嵌入的维度,Conv1D1和Conv1D2均表示一维卷积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050830.4A CN115797749B (zh) | 2023-02-02 | 2023-02-02 | 一种水下自主航行器状态检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050830.4A CN115797749B (zh) | 2023-02-02 | 2023-02-02 | 一种水下自主航行器状态检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797749A CN115797749A (zh) | 2023-03-14 |
CN115797749B true CN115797749B (zh) | 2023-05-23 |
Family
ID=85429473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310050830.4A Active CN115797749B (zh) | 2023-02-02 | 2023-02-02 | 一种水下自主航行器状态检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797749B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502075B (zh) * | 2023-06-28 | 2023-09-12 | 吉林大学 | 一种多模态水下自主航行器状态检测方法及系统 |
CN117029922A (zh) * | 2023-08-09 | 2023-11-10 | 同济大学 | 一种水下环境的智能判定方法及装置、水下电子设备及计算机可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113048984B (zh) * | 2021-04-01 | 2023-10-03 | 江苏科技大学 | 一种用于水下无人机器人集群的动态定位信息融合方法 |
CN114330450A (zh) * | 2021-12-31 | 2022-04-12 | 华中科技大学 | 一种多物理场融合探测识别潜航器的方法及系统 |
CN114463677B (zh) * | 2022-01-19 | 2024-03-22 | 北京工业大学 | 一种基于全局注意力的安全帽配戴检测方法 |
CN114663670A (zh) * | 2022-03-25 | 2022-06-24 | 腾讯科技(上海)有限公司 | 一种图像检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-02 CN CN202310050830.4A patent/CN115797749B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115797749A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797749B (zh) | 一种水下自主航行器状态检测方法与系统 | |
CN109766992B (zh) | 基于深度学习的工控异常检测及攻击分类方法 | |
CN112131760A (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
US11757723B2 (en) | Distributed secure state reconstruction method based on double-layer dynamic switching observer | |
Raanan et al. | Detection of unanticipated faults for autonomous underwater vehicles using online topic models | |
CN114611616B (zh) | 一种基于集成孤立森林的无人机智能故障检测方法及系统 | |
CN112947385A (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN109660522B (zh) | 面向综合电子系统的基于深层自编码器的混合入侵检测方法 | |
Li et al. | Deep learning in fault diagnosis of complex mechanical equipment | |
CN112148997A (zh) | 一种用于灾害事件检测的多模态对抗模型的训练方法和装置 | |
CN116300796A (zh) | 无人设备故障诊断方法、装置、设备、存储介质和产品 | |
CN114996843A (zh) | 电动飞行器动力系统故障诊断及健康管理体系设计方法 | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
CN113702837A (zh) | 用于动力电池的自放电异常检测方法及设备 | |
CN112069738A (zh) | 基于dbn和多层模糊lstm的电动舵机剩余寿命预测方法及系统 | |
CN116243683A (zh) | 基于转矩和多头自编码器的推进系统故障诊断方法 | |
Xuan et al. | Fault diagnosis research of UUV thruster based on sliding window and convolutional neural network | |
CN114863210A (zh) | 桥梁结构健康监测数据驱动模型的对抗样本攻击方法及系统 | |
Wang et al. | Abnormal data detection of unmanned aerial vehicles based on double shortcuts zb-resnet | |
CN116502075B (zh) | 一种多模态水下自主航行器状态检测方法及系统 | |
CN116088570A (zh) | 一种具有非负受限的无人机编队故障检测协议设计方法 | |
Xiang et al. | A newly developed hybrid underwater robotic vehicle (HURV): Communication design and tests | |
Zhang et al. | Simulation-to-reality UAV Fault Diagnosis in windy environments | |
CN117233520B (zh) | 基于改进Sim-GAN的AUV推进系统故障检测评估方法 |
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 |