CN116243682B - 基于改进生成对抗式网络的水下推进器故障检测方法 - Google Patents
基于改进生成对抗式网络的水下推进器故障检测方法 Download PDFInfo
- Publication number
- CN116243682B CN116243682B CN202310244913.7A CN202310244913A CN116243682B CN 116243682 B CN116243682 B CN 116243682B CN 202310244913 A CN202310244913 A CN 202310244913A CN 116243682 B CN116243682 B CN 116243682B
- Authority
- CN
- China
- Prior art keywords
- torque
- propeller
- countermeasure network
- control signal
- fault detection
- 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
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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
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)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开一种基于改进生成对抗式网络的水下推进器故障检测方法,包括以下步骤:重构原始控制信号作为生成对抗式网络中生成器的输入信号,通过生成器输出生成转矩;估计水下推进器的电机螺旋桨转矩,将估计的螺旋桨转矩作为生成对抗式网络中鉴别器的输入序列,所述估计的螺旋桨转矩记为真实转矩;在生成对抗式网络中引入物理约束项作为生成器输出的约束项;结合鉴别器对生成转矩和真实转矩处理分析,利用生成转矩与真实转矩之间的偏差作为故障检测的指标,实现故障检测,本方案仅依赖正常数据可以实现对故障的检测,且能够避免因为在训练集中未出现的数据导致的误识别;并且包含了有关推进器的物理信息,有效提高方法的精确度和适应性。
Description
技术领域
本发明属于水下推进器故障检测领域,具体涉及一种基于物理引导的对抗式生成网络的水下推进器故障检测方法。
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。
对于现有的推进系统故障诊断方法,主要存在以下两个问题:
1、对于无监督故障检测,自动编码器是一种非常常用的方法,该方法是将与正常数据明显不同的数据模式识别为故障,当出现与故障数据有着明显不同但却又属于正常范畴的数据时,自动编码器容易将这一类数据识别为故障,检测结果不理想。
2、另外,通常基于神经网络的故障检测数据都是直接提取反馈数据的特征。但实际上针对某一物理系统,当出现不同故障时,这些数据之间的特征可能相互覆盖,这将导致最后神经网络无法获得完整的故障信息。此外这类方法在使用时可能获得在训练集上的输入数据和故障的完美映射关系,但由于在训练时缺乏与真实系统相关的信息,因此在其他未参与训练的数据集中可能出现违背物理规律的输出,进而也会出现检测不准确的情况。
发明内容
本发明针对现有技术中水下推进器故障检测精度差等缺陷,提出一种基于物理引导的对抗式生成网络的水下推进器故障检测方法,以有效提高方法的准确性和适应性。
本发明是采用以下的技术方案实现的:基于改进生成对抗式网络的水下推进器故障检测方法,包括以下步骤:
步骤A、重构原始控制信号作为生成对抗式网络中生成器的输入信号,通过生成器输出生成转矩;
步骤B、估计水下推进器的螺旋桨转矩,所估计的螺旋桨转矩记为真实转矩;
步骤C、在生成对抗式网络中引入物理约束项作为生成器输出的约束项;
步骤D、结合鉴别器对生成转矩和真实转矩进行处理分析,利用生成转矩与真实转矩之间的偏差作为故障检测的指标,实现故障检测。
进一步的,所述步骤A中,基于变分自编码器重构控制信号,变分自编码器包括编码器和解码器,具体采用以下方式:
首先将控制信号输入到编码器中提取其特征,该特征中包含输入控制信号的信息且符合高斯分布;随后将提取的特征通过解码器以恢复控制信号,实现控制信号的重构。
进一步的,所述步骤C中,将真实转矩和生成转矩作为生成对抗式网络中鉴别器的输入,构建基于真实转矩和生成转矩之间的物理约束项:
Loss=ReLU(|x-G(z)|-δ)
其中,x是真实转矩,z是由变分自编码器从控制信号中提取的特征,G(z)是由生成器输出的生成转矩,Y=ReLU(X)函数是当X<0时,Y=0,当X>0,Y=X,δ是阈值,其目的是实现当偏差超过阈值才进行干涉,当偏差在阈值范围内,不进行干涉。
进一步的,所述步骤D中,利用生成转矩和真实转矩之间偏差的绝对值来检测故障,根据误差的大小来确定故障是否存在。
进一步的,所述步骤B中,基于扩张状态观测器、神经网络算法或者滤波算法估计螺旋桨转矩。
与现有技术相比,本发明的优点和积极效果在于:
本方案利用基于生成对抗式网络的故障检测技术,首先由扩张状态观测器观测到螺旋桨的转矩;随后由变分自编码器从控制信号中提取特征;螺旋桨转矩作为鉴别器的输入序列,而包含控制信息的特征被输入至生成器,用来生成转矩;这种控制信号-转矩的形式满足推进器的基本输入输出模式,此外通过引入额外的物理损失项,即生成转矩与真实转矩之间的偏差来指导生成器的训练;本方案仅依赖正常数据可以实现对故障的检测,且能够避免因为在训练集中未出现的数据导致的误识别;并且包含了有关推进器的物理信息,有效提高方法的精确度和适应性。
附图说明
图1为本发明实施例所述故障检测方法的工作流程示意图;
图2为本发明实施例变分自编码器的结构示意图;
图3为本发明实施例生成对抗式网络的结构示意图。
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。
如图1所示,本实施例提出一种基于改进生成对抗式网络的水下推进器故障检测方法,包括以下步骤:
步骤A、重构原始控制信号作为生成对抗式网络中生成器的输入信号,通过生成器输出生成转矩;
步骤B、估计水下推进器的螺旋桨转矩,将估计的螺旋桨转矩作为生成对抗式网络中鉴别器的输入序列,所估计的螺旋桨转矩记为真实转矩;
步骤C、在生成对抗式网络中引入物理约束项作为生成器输出的约束项;
步骤D、结合鉴别器对生成转矩和真实转矩进行处理分析,利用生成转矩与真实转矩之间的偏差作为故障检测的指标,实现故障检测。
本发明中将螺旋桨转矩作为鉴别器的输入序列,而包含控制信息的特征被输入至生成器,用来生成转矩。这种控制信号-转矩的形式满足推进器的基本输入输出模式。此外通过引入额外的物理约束项作为生成器输出的约束项,根据生成转矩与真实转矩之间的偏差来指导生成器的训练,这样生成器除了满足输入输出的物理形式同样也增加了训练过程中物理损失函数,以帮助方法具有更高的生成精度和更好的泛化性。由扩张状态观测器、控制信号特征及物理约束损失项共同形成生成对抗式网络的物理引导过程。当训练完成后,利用生成转矩与真实转矩之间的偏差作为故障检测的指标,若该指标超过阈值,则可以识别推进器故障。由于编码器在进行故障检测时,容易将数据集中未出现过的但又属于正常模式的状态识别为故障,而生成对抗式网络则是通过学习数据的分布,从而避免上述问题。
本实施例中,所述步骤A中通过变分自编码器重构控制信号,具体通过以下方式实现:
首先将控制信号输入到变分自编码器的编码器中,如图2所示,所述变分自编码器由4层1-D卷积层构成,在经过4层卷积层后,控制信号特征被展开为640维的特征。随后640维的特征通过两个全连接层,分别产生30维的均值特征和方差特征。随后从随机分布中提取30维的特征,并分别与均值和方差做运算,产生30维的特征。该特征包含输入控制信号的信息且符合高斯分布。随后提取的30维特征通过解码器的全连接层恢复640维的特征,并经过1层反展开层和4层转置卷积层,以恢复控制信号,实现控制信号的重构。控制信号输入序列通过每一层的输出结果为图2方框中的数字。
这里需要解释的是,本实施例利用变分自编码器处理推进器的控制信号,提取控制信号的特征,变分自编码器将获得包含控制信息的高斯分布,本发明将获得的带有控制信息的高斯分布作为生成器的输入,可以使生成器可以学习由控制信号到转矩之间的映射,这样能够为生成器提供一定的训练信息,而不需要学习完整的随机信号到转矩之间的映射,有助于提高网络的训练质量另外,关于变分自编码器也可以利用全连接层,循环神经网络等形式构建。
步骤B中,利用扩张状态观测器实现对电机负载的估计,进而得到螺旋桨转矩,电机的运动方程如公式(1)所示:
其中Te是电机电磁转矩,Qm是电机的负载转矩,JM是电机转动惯量,Bv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,电机负载转矩等效为螺旋桨转矩,既而可以得到螺旋桨转矩,电机加速度为0,电机转速为常数。
定义λ=(Bvn+Qm)/JM作为新变量,式(1)改写为式(2):
其中,Cm是电机转矩系数,y是系统输出。根据式(2)本方法所设计的扩张状态观测器见式(3):
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/>可以得到观测的螺旋桨转矩。
另外也可以采用基于神经网络,观测器、滤波算法等,利用电机的状态方程、电机电流、电机转速实现对螺旋桨转矩的估计,其原理成熟,在此不做过多说明。
步骤C中,将由扩张状态观测器估计的转矩信息作为鉴别器的真实输入,将生成器生成的转矩也输入至鉴别器,同时构建基于真实转矩和生成转矩之间的物理约束项,如式4所示:
Loss=ReLU(|x-G(z)|-δ) (4)
其中x是由扩张状态观测器估计的转矩,z是由变分自编码器从控制信号中提取的特征,G(z)是由生成器输出的生成转矩。Y=ReLU(X)函数是当X<0时,Y=0,当X>0,Y=X。δ是阈值,其目的是让实现当偏差超过阈值才进行惩罚,当偏差在阈值范围内,则不进行干涉,变分自编码器、扩张状态观测器和式4共同组成了对生成器的物理引导。
步骤D、利用生成器产生的生成转矩和真实转矩之间的误差的绝对值来检测故障。然后应用误差的大小来确定故障是否存在。
在生成对抗式网络被训练之后,基于重建误差,序列被分类为正常或异常。对于真实的螺旋桨转矩和生成的螺旋桨转矩,误差计算如下:
误差=|真实转矩-生成转矩| (5)
本方法不依赖故障数据,仅依赖推进器的物理系统和反馈信息(转速、电流和控制信号)即可实现在小样本的情况下实现对水下推进器的螺旋桨半破损,螺旋桨全破损和海洋附着物等多种故障的检测。
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 (4)
1.基于改进生成对抗式网络的水下推进器故障检测方法,其特征在于,包括以下步骤:
步骤A、重构原始控制信号作为生成对抗式网络中生成器的输入信号,通过生成器输出生成转矩;
步骤B、估计水下推进器的螺旋桨转矩,所估计的螺旋桨转矩记为真实转矩;
步骤C、在生成对抗式网络中引入物理约束项作为生成器输出的约束项,具体将真实转矩和生成转矩作为生成对抗式网络中鉴别器的输入,构建基于真实转矩和生成转矩之间的物理约束项:
Loss=ReLU(|x-G(z)|-δ)
其中,x是真实转矩,z是由变分自编码器从控制信号中提取的特征,G(z)是由生成器输出的生成转矩,Y=ReLU(X)函数是当X<0时,Y=0,当X>0,Y=X,δ是阈值,其目的是实现当偏差超过阈值才进行干涉,当偏差在阈值范围内,不进行干涉;
步骤D、结合鉴别器对生成转矩和真实转矩进行处理分析,利用生成转矩与真实转矩之间的偏差作为故障检测的指标,实现故障检测。
2.根据权利要求1所述的基于改进生成对抗式网络的水下推进器故障检测方法,其特征在于:所述步骤A中,基于变分自编码器重构控制信号,变分自编码器包括编码器和解码器,具体采用以下方式:
首先将控制信号输入到编码器中提取其特征,该特征中包含输入控制信号的信息且符合高斯分布;随后将提取的特征通过解码器以恢复控制信号,实现控制信号的重构。
3.根据权利要求1所述的基于改进生成对抗式网络的水下推进器故障检测方法,其特征在于:所述步骤D中,利用生成转矩和真实转矩之间偏差的绝对值来检测故障,根据误差的大小来确定故障是否存在。
4.根据权利要求1所述的基于改进生成对抗式网络的水下推进器故障检测方法,其特征在于:所述步骤B中,基于扩张状态观测器、神经网络算法或者滤波算法估计螺旋桨转矩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310244913.7A CN116243682B (zh) | 2023-03-15 | 2023-03-15 | 基于改进生成对抗式网络的水下推进器故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310244913.7A CN116243682B (zh) | 2023-03-15 | 2023-03-15 | 基于改进生成对抗式网络的水下推进器故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116243682A CN116243682A (zh) | 2023-06-09 |
CN116243682B true CN116243682B (zh) | 2023-09-08 |
Family
ID=86629422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310244913.7A Active CN116243682B (zh) | 2023-03-15 | 2023-03-15 | 基于改进生成对抗式网络的水下推进器故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116243682B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250970B (zh) * | 2023-11-13 | 2024-02-02 | 青岛澎湃海洋探索技术有限公司 | 基于模型嵌入生成对抗网络实现auv故障检测的方法 |
CN117233520B (zh) * | 2023-11-16 | 2024-01-26 | 青岛澎湃海洋探索技术有限公司 | 基于改进Sim-GAN的AUV推进系统故障检测评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN113009337A (zh) * | 2021-02-26 | 2021-06-22 | 中国长江三峡集团有限公司 | 海上风电永磁直驱电机匝间短路故障识别方法 |
WO2021219389A1 (de) * | 2020-04-27 | 2021-11-04 | Kuka Deutschland Gmbh | Detektieren von störungen in roboteranordnungen |
CN114154405A (zh) * | 2021-11-19 | 2022-03-08 | 东风汽车集团股份有限公司 | 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法 |
CN115267531A (zh) * | 2022-07-21 | 2022-11-01 | 南京理工大学 | 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
-
2023
- 2023-03-15 CN CN202310244913.7A patent/CN116243682B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
WO2021219389A1 (de) * | 2020-04-27 | 2021-11-04 | Kuka Deutschland Gmbh | Detektieren von störungen in roboteranordnungen |
CN113009337A (zh) * | 2021-02-26 | 2021-06-22 | 中国长江三峡集团有限公司 | 海上风电永磁直驱电机匝间短路故障识别方法 |
CN114154405A (zh) * | 2021-11-19 | 2022-03-08 | 东风汽车集团股份有限公司 | 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法 |
CN115267531A (zh) * | 2022-07-21 | 2022-11-01 | 南京理工大学 | 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
深度学习理论及其在电机故障诊断中的研究现状与展望;丁石川;厉雪衣;杭俊;王尹江;王群京;;电力系统保护与控制(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116243682A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Wang et al. | Convolutional neural network-based hidden Markov models for rolling element bearing fault identification | |
CN113554089B (zh) | 一种图像分类对抗样本防御方法、系统及数据处理终端 | |
Feng et al. | Similarity-based meta-learning network with adversarial domain adaptation for cross-domain fault identification | |
CN113255733B (zh) | 多模态数据缺失下的无监督异常检测方法 | |
CN108398268B (zh) | 一种轴承性能退化评估方法 | |
Alessandri et al. | Fault detection of actuator faults in unmanned underwater vehicles | |
Liu et al. | Review on fault diagnosis of unmanned underwater vehicles | |
Gong et al. | A fast anomaly diagnosis approach based on modified CNN and multisensor data fusion | |
Cirrincione et al. | Shallow versus deep neural networks in gear fault diagnosis | |
CN115118197A (zh) | 一种auv推进器系统故障诊断方法 | |
CN115222650A (zh) | 一种混合工业零件缺陷检测算法 | |
CN114544155A (zh) | 基于深度学习的auv推进器多信源融合故障诊断方法及系统 | |
Bhagavathi et al. | Digital twin-driven fault diagnosis for autonomous surface vehicles | |
CN114648044B (zh) | 基于eemd和深度域对抗网络的振动信号诊断分析方法 | |
CN114115195B (zh) | 水下机器人推进器故障诊断与容错控制方法 | |
Xiong et al. | Steering actuator fault diagnosis for autonomous vehicle with an adaptive denoising residual network | |
CN116243683B (zh) | 基于转矩和多头自编码器的推进系统故障诊断方法 | |
Gao et al. | Unsupervised fault diagnosis framework for underwater thruster system using estimated torques and multi-head convolutional autoencoder | |
Li et al. | Joint threshold learning convolutional networks for intelligent fault diagnosis under nonstationary conditions | |
Skaldebø et al. | Dynamic positioning of an underwater vehicle using monocular vision-based object detection with machine learning | |
CN116111906A (zh) | 带液压制动车铣复合专用电机及其控制方法 | |
CN117250970B (zh) | 基于模型嵌入生成对抗网络实现auv故障检测的方法 | |
CN115661543A (zh) | 一种多尺度的基于生成对抗网络的工业零件缺陷检测方法 | |
Fabiani et al. | A NLPCA hybrid approach for AUV thrusters fault detection and isolation |
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 |