CN116417013A - 水下推进器故障诊断方法及系统 - Google Patents
水下推进器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116417013A CN116417013A CN202310683298.XA CN202310683298A CN116417013A CN 116417013 A CN116417013 A CN 116417013A CN 202310683298 A CN202310683298 A CN 202310683298A CN 116417013 A CN116417013 A CN 116417013A
- Authority
- CN
- China
- Prior art keywords
- fault
- underwater
- neural network
- frequency
- propeller
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 244000005700 microbiome Species 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及水下设备控制技术领域，特别是涉及水下推进器故障诊断方法及系统，其中，该方法包括：数据集获取步骤，采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集；故障特征获取步骤，将水下噪声信号进行统计特征提取，并利用快速谱相关算法及预训练的神经网络模型进行卷积特征提取，融合卷积特征及统计特征得到故障特征；故障结果获取步骤，利用故障特征训练神经网络模型，训练后的神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断。通过本发明，实现了有效利用水下噪声信号对水下推进器进行故障诊断，成本低、精度高、鲁棒性能好。
Description
技术领域
本发明涉及水下设备控制技术领域，特别是涉及水下推进器故障诊断方法及系统。
背景技术
水下机器人也称无人遥控潜水器，是一种工作于水下的极限作业机器人。水下环境恶劣危险，人的潜水深度有限，所以水下机器人已成为开发海洋的重要工具。推进器是水下机器人必备的动力部件，与水下机器人上其它设备相比，推进器要在高压、高盐环境下长时间高负荷运转，是深潜器主要执行且负荷最重的部件，因此，对推进器进行故障诊断以保障推进器安全可靠工作，是不可缺少的环节。
水下推进器水下辐射噪声的信息能够有效的反映其航速、螺旋桨的状态信息，但是由于AUV运行在复杂的海洋背景声场中，存在复杂的干扰成分，影响系统对真实辐射噪声信号的监测。目前针对如何有效利用水下噪声信号对水下推进器进行故障诊断，尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种水下推进器故障诊断方法及系统，以提供一种表征能力强、抗噪性能好的信号处理算法和特征提取方法对水下推进器的水下噪声信号进行故障诊断。
第一方面，本发明实施例提供了一种水下推进器故障诊断方法，包括：
数据集获取步骤，采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集，具体的，通过水听器获取所述水下噪声信号，所述水下噪声信号包括不同推进器故障状态及推进器不同转速下的水下噪声信号，通过数据分割得到不同故障状态下的数据样本，通过标记故障类型确定对应的故障状态，实现构建故障数据集，所述故障状态包括螺旋桨完好状态、螺旋桨竖直破损状态、螺旋桨轻微破损状态、螺旋桨严重破损状态、微生物附着螺旋桨状态、螺旋桨丢失。
故障特征获取步骤，将所述故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法FAST-SC及一预训练的神经网络模型进行卷积特征提取，融合所述卷积特征及统计特征得到故障特征；
故障结果获取步骤，利用所述故障特征训练所述神经网络模型，训练后的所述神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断，实时得到螺旋桨的故障类型并进行预警，监控水下机器人工作状态，以便于设备故障时及时修复或打捞水下机器人。
在其中一些实施例中，所述故障特征获取步骤进一步包括：
谱相干性提取步骤，利用快速谱相关算法FAST-SC将一维的水下噪声信号转换得到二维时频谱图，所述二维时频谱图中包括循环频率分布和谱频率分布；其中，FAST-SC算法是一种有效的信号分析方法，结合了循环谱相关性和短时傅里叶变换STFT的周期相关性，快速谱相关定义为：
其中，
是指扫描谱相关，/>
是循环频率，/>
是载波频率；/>
是载波频率分辨率；/>
为接近循环频率的频率分辨率倍数，最大值为/>
；/>
为STFT的窗宽，/>
(·)为核函数，/>
为STFT窗的移动步长。
由快速谱相关算法可计算得到光谱相干性，光谱相干性可基于如下计算模型计算得到：
卷积特征提取步骤，将所述二维时频谱图输入所述神经网络模型提取得到其卷积特征；
统计特征提取步骤，将所述水下噪声信号基于统计提取得到所述水下噪声信号的统计特征，从而通过统计方法提取统计特征；
特征融合步骤，将卷积特征和统计特征相加进行融合，得到所述故障特征。
在其中一些实施例中，所述统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。
在其中一些实施例中，该方法还包括：
模型预训练步骤，基于所述故障数据集使用随机梯度下降SGD优化器对所述卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值Loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。
在其中一些实施例中，所述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层，所述卷积层用于对所述二维时频谱图进行特征提取，所述池化层用于进行特征选择和信息过滤，所述全连接层用于将所述故障特征中卷积特征和统计特征综合起来，所述softmax层用于进行逻辑回归分类后输出故障类型。
第二方面，本发明实施例提供了一种水下推进器故障诊断系统，包括：
数据集获取模块，配置为采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集，具体的，通过水听器获取所述水下噪声信号，所述水下噪声信号包括不同推进器故障状态及推进器不同转速下的水下噪声信号，通过数据分割得到不同故障状态下的数据样本，通过标记故障类型确定对应的故障状态，实现构建故障数据集，所述故障状态包括螺旋桨完好状态、螺旋桨竖直破损状态、螺旋桨轻微破损状态、螺旋桨严重破损状态、微生物附着螺旋桨状态、螺旋桨丢失。
故障特征获取模块，配置为将所述故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法FAST-SC及一预训练的神经网络模型进行卷积特征提取，融合所述卷积特征及统计特征得到故障特征；
故障结果获取模块，配置为利用所述故障特征训练所述神经网络模型，训练后的所述神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断，实时得到螺旋桨的故障类型并进行预警，监控水下机器人工作状态，以便于设备故障时及时修复或打捞水下机器人。
在其中一些实施例中，所述故障特征获取模块进一步包括：
谱相干性提取模块，配置为利用快速谱相关算法FAST-SC将一维的水下噪声信号转换得到二维时频谱图，所述二维时频谱图中包括循环频率分布和谱频率分布；其中，FAST-SC算法是一种有效的信号分析方法，结合了循环谱相关性和短时傅里叶变换STFT的周期相关性，快速谱相关定义为：
其中，
是指扫描谱相关，/>
是循环频率，/>
是载波频率；/>
是载波频率分辨率；/>
为接近循环频率的频率分辨率倍数，最大值为/>
；/>
为STFT的窗宽，/>
(·)为核函数，/>
为STFT窗的移动步长。
由快速谱相关算法可进而计算得到光谱相干性，光谱相干性可基于如下计算模型计算得到：
卷积特征提取模块，配置为将所述二维时频谱图输入所述神经网络模型提取得到其卷积特征；
统计特征提取模块，配置为将所述水下噪声信号基于统计提取得到所述水下噪声信号的统计特征，从而通过统计方法提取统计特征；
特征融合模块，配置为将卷积特征和统计特征相加进行融合，得到所述故障特征。
在其中一些实施例中，所述统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。
在其中一些实施例中，该系统还包括：
模型预训练模块，配置为基于所述故障数据集使用随机梯度下降SGD优化器对所述卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值Loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。
在其中一些实施例中，所述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层，所述卷积层用于对所述二维时频谱图进行特征提取，所述池化层用于进行特征选择和信息过滤，所述全连接层用于将所述故障特征中卷积特征和统计特征综合起来，所述softmax层用于进行逻辑回归分类后输出故障类型。
相比于相关技术，本发明实施例提供的水下推进器故障诊断方法及系统，针对复杂的海洋声场环境，通过采集推进器螺旋桨的水下噪声信号，通过循环平稳分析中的Fast-SC方法和统计方法对信号特征提取，结合深度学习方法实现特征融合和推进器故障诊断，该方法只使用单一传感器获取声音数据，降低系统资源消耗，成本低、精度高、鲁棒性能好。
本发明的一个或多个实施例的细节在以下附图和描述中提出，以使本发明的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的水下推进器故障诊断方法的流程图；
图2是根据本发明实施例的水下推进器故障诊断方法的分步骤流程图；
图3是根据本发明实施例的水下噪声信号的示意图；
图4是根据本发明实施例的网络训练过程中准确度的变化示意图；
图5是根据本发明实施例的网络训练过程中损失值Loss的变化示意图；
图6是根据本发明实施例的水下推进器故障诊断的结构框图。
图中：
1、数据集获取模块；2、模型预训练模块；3、故障特征获取模块；
4、故障结果获取模块；301、谱相干性提取模块；
302、卷积特征提取模块；303、统计特征提取模块；304、特征融合模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行描述和说明。
由于信号的二阶统计量不仅可以更好地表征周期性脉冲特征，而且可以在一定程度上抑制随机噪声。因此，基于二阶统计量的循环谱相关分析作为分析循环平稳信号的有力工具，可以通过将一维信号转换为α(循环频率)- f(谱频率)平面的二维谱图来提取周期脉冲特征。Antonij等人提出了一种新的基于短时傅里叶变换STFT的循环谱相关快速估计器，即快速谱相关(Fast-SC)。它不仅计算效率高，而且可以任意细化频率分辨率，提高循环平稳信号的分析精度。
MobileNet是谷歌提出来的移动端分类网络。在V1中MobileNet应用了深度可分离卷积(Depth-wise Seperable Convolution)并提出两个超参来控制网络容量，这种卷积背后的假设是跨channel相关性 和跨spatial相关性的解耦。深度可分离卷积能够节省参数量，在保持移动端可接受的模型复杂性的基础上达到了相当的高精度。而在V2中，MobileNet应用了新的单元：Inverted residual with linear bottleneck，主要的改动是为 Bottleneck 添加了 linear 激活输出以及将残差网络的 skip-connection 结构转移到低维 Bottleneck 层。
本实施例提供了一种水下推进器故障诊断方法。图1-图2是根据本发明实施例的水下推进器故障诊断方法的流程图，如图1-图2所示，该流程包括如下步骤：
数据集获取步骤S1，采集水下推进器的螺旋桨的水下噪声信号，如图3所示，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集，具体的，通过水听器获取水下噪声信号，水下噪声信号包括不同推进器故障状态及推进器不同转速下的水下噪声信号，通过数据分割得到不同故障状态下的数据样本，通过标记故障类型确定对应的故障状态，实现构建故障数据集，故障状态包括螺旋桨完好状态、螺旋桨竖直破损状态、螺旋桨轻微破损状态、螺旋桨严重破损状态、微生物附着螺旋桨状态、螺旋桨丢失。
模型预训练步骤S2，基于故障数据集使用随机梯度下降SGD优化器对卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值Loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。可选的，故障数据集中训练集、验证集和测试集的比例配置为8:1:1，通过验证测试集在网络正确分类的样本数与总样本数的比值作为准确率评测指标对网络进行评测，评测指标数值越大，网络模型效果越好，反之，网络模型效果越差；本实施例将卷积神经网络的batchsize设置为64，初始学习率设置为0.01，每训练100个Epoch衰减为原来的十分之一，一个Epoch等于使用训练集中的全部样本训练一次的过程，本实施例称一个epoch为一轮。参考图4、图5所示，本发明实施例的准确度经过多轮训练后无限接近于100%、损失值Loss经过多轮训练后无限接近于0，模型训练效果较好。
故障特征获取步骤S3，将故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法FAST-SC及一预训练的神经网络模型进行卷积特征提取，融合卷积特征及统计特征得到故障特征；其中，故障特征获取步骤S3进一步包括：
谱相干性提取步骤S301，利用快速谱相关算法FAST-SC将一维的水下噪声信号转换得到二维时频谱图，本实施例中该二维时频谱图的尺寸为224×224，二维时频谱图中包括循环频率分布和谱频率分布，从而利用循环平稳分析表征能力强、抗噪性能好的优点，提取水下噪声信号的谱相干性，提取水下噪声信号的循环平稳特征，利用循环平稳特征作为水下推进器螺旋桨的故障诊断参考特征；
卷积特征提取步骤S302，将二维时频谱图输入神经网络模型提取得到其卷积特征；
统计特征提取步骤S303，将水下噪声信号基于统计提取得到水下噪声信号的统计特征，从而通过统计方法提取统计特征；统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合；
特征融合步骤S304，将卷积特征和统计特征相加进行融合，得到故障特征。尽管本申请实施例通过相加的方式进行特征融合，特征融合的方式也可以采用拼接、点加等方式实现。
故障结果获取步骤S4，利用故障特征训练神经网络模型，训练后的神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断，实时得到螺旋桨的故障类型并进行预警，监控水下机器人工作状态，以便于设备故障时及时修复或打捞水下机器人。神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层，卷积层用于对二维时频谱图进行特征提取，池化层用于进行特征选择和信息过滤，全连接层用于将故障特征中卷积特征和统计特征综合起来，softmax层用于进行逻辑回归分类后输出故障类型。可选的，本发明实施例采用的神经网络模型为MobileNet V2网络，MobileNet V2是一种轻量型卷积神经网络，使用深度可分离卷积，可将二维时频谱图输出为1×1×1280的卷积特征。如下表1所示，本发明实施例的MobileNet V2网络的结构包括10层，表中Input代表每一层输入的尺寸，Operator代表每一层网络的种类，其中bottleneck代表倒残差结构、conv2d代表标准卷积、avgpool代表池化层。t代表bottleneck扩展倍数，c代表输出通道数，n代表该卷积层叠加层数，s代表卷积步数，网络结构的输入图像尺寸是224×224，输出为1×1×1280。
表1
谱相干性提取步骤S301中利用快速谱相关算法FAST-SC将一维的水下噪声信号转换得到二维时频谱图，FAST-SC算法是一种有效的信号分析方法，结合了循环谱相关性和短时傅里叶变换STFT的周期相关性，快速谱相关定义为：
其中，
是指信号的扫描谱相关，/>
是循环频率，/>
是载波频率；/>
是载波频率分辨率；/>
为接近循环频率的频率分辨率倍数，最大值为/>
；/>
为STFT的窗宽，/>
(·)为核函数，/>
为STFT窗的移动步长。
由快速谱相关算法可进而计算得到光谱相干性，光谱相干性可基于如下计算模型计算得到：
具体的，利用快速谱相关算法FAST-SC将一维的水下噪声信号转换得到二维时频谱图的具体实现过程如下步骤所示：
步骤a：以采样频率F s=128000Hz为例，配置每帧信号长度取采样时间t=1S、信号长度为128000，输入参数，在STFT中选择合适的窗口函数
，设置窗口长度/>
和最大循环频率/>
；
步骤b：对水下噪声信号
计算离散信号的短时傅里叶变换STFT：
其中，
（/>
…,/>
是指第/>
个离散频率，△f为频率分辨率，
为窗函数的长度，R为相邻窗函数的时移量；
步骤c：计算光谱相关性：
初始化
,
其中，
是窗口的中间时间索引。
循环计算：
For
End
步骤d：幅度校准：
其中
，/>
是窗函数的个数；
步骤e：根据光谱相关性计算光谱相干性，
基于如上步骤S1~S4，本发明实施例的水下推进器故障诊断方法，通过采集推进器螺旋桨的水下噪声信号，通过循环平稳分析中的Fast-SC方法和统计方法对信号特征提取，结合深度学习方法实现特征融合和推进器故障诊断，通过卷积神经网络将循环平稳特征及统计特征相融合，在谱相干性和统计特效两个维度充分利用水下噪声信号的数据特性，提高故障诊断的准确度；该方法只需要使用水听器传感器采集水下噪声信号即可进行故障诊断，不需要额外部署其他传感器，占用水下机器人控制系统的系统资源较少；本发明实施例利用循环平稳分析提取水下噪声信号的谱相干性进行特征提取，实现高精度的故障诊断，在复杂场景下具有较高的鲁棒性，满足水下机器人受自然条件影响水下工况复杂的场景需求。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种水下推进器故障诊断系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的水下推进器故障诊断系统的结构框图，如图6所示，该系统包括：数据集获取模块1、模型预训练模块2、故障特征获取模块3及故障结果获取模块4。
数据集获取模块1配置为采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集，具体的，通过水听器获取水下噪声信号，水下噪声信号包括不同推进器故障状态及推进器不同转速下的水下噪声信号，通过数据分割得到不同故障状态下的数据样本，通过标记故障类型确定对应的故障状态，实现构建故障数据集，故障状态包括螺旋桨完好状态、螺旋桨竖直破损状态、螺旋桨轻微破损状态、螺旋桨严重破损状态、微生物附着螺旋桨状态、螺旋桨丢失。
模型预训练模块2配置为基于故障数据集使用随机梯度下降SGD优化器对卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值Loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。可选的，故障数据集中训练集、验证集和测试集的比例配置为8:1:1，通过验证测试集在网络正确分类的样本数与总样本数的比值作为准确率评测指标对网络进行评测，评测指标数值越大，网络模型效果越好，反之，网络模型效果越差；卷积神经网络的batchsize设置为64，初始学习率设置为0.01，每训练100个Epoch衰减为原来的十分之一，一个Epoch等于使用训练集中的全部样本训练一次的过程，本实施例称一个epoch为一轮。
故障特征获取模块3配置为将故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法FAST-SC及一预训练的神经网络模型进行卷积特征提取，融合卷积特征及统计特征得到故障特征。故障特征获取模块3包括：谱相干性提取模块301、卷积特征提取模块302、统计特征提取模块303及特征融合模块304，其中，谱相干性提取模块301，配置为利用快速谱相关算法FAST-SC将一维的水下噪声信号转换得到二维时频谱图，二维时频谱图中包括循环频率分布和谱频率分布，从而利用循环平稳分析表征能力强、抗噪性能好的优点，提取水下噪声信号的谱相干性，提取水下噪声信号的循环平稳特征，利用循环平稳特征作为水下推进器螺旋桨的故障诊断参考特征；卷积特征提取模块302配置为将二维时频谱图输入神经网络模型提取得到其卷积特征；统计特征提取模块303配置为将水下噪声信号基于统计提取得到水下噪声信号的统计特征，从而通过统计方法提取统计特征；特征融合模块304配置为将卷积特征和统计特征相加进行融合，得到故障特征，其中，统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。
故障结果获取模块4配置为利用故障特征训练神经网络模型，训练后的神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断，实时得到螺旋桨的故障类型并进行预警，监控水下机器人工作状态，以便于设备故障时及时修复或打捞水下机器人。
上述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层，卷积层用于对二维时频谱图进行特征提取，池化层用于进行特征选择和信息过滤，全连接层用于将故障特征中卷积特征和统计特征综合起来，softmax层用于进行逻辑回归分类后输出故障类型。本发明实施例采用的神经网络模型为MobileNet V2网络。
基于如上模块，本发明实施例的水下推进器故障诊断系统只需要使用水听器传感器采集水下噪声信号即可进行故障诊断，不需要额外部署其他传感器，占用水下机器人控制系统的系统资源较少；本发明实施例利用循环平稳分析提取水下噪声信号的谱相干性进行特征提取，实现高精度的故障诊断，在复杂场景下具有较高的鲁棒性，满足水下机器人受自然条件影响水下工况复杂的场景需求。
以上实施例描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种水下推进器故障诊断方法，其特征在于，包括：
数据集获取步骤，采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集；
故障特征获取步骤，将所述故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法及一预训练的神经网络模型进行卷积特征提取，融合所述卷积特征及统计特征得到故障特征；
故障结果获取步骤，利用所述故障特征训练所述神经网络模型，训练后的所述神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断。
2.根据权利要求1所述的水下推进器故障诊断方法，其特征在于，所述故障特征获取步骤进一步包括：
谱相干性提取步骤，利用快速谱相关算法将一维的水下噪声信号转换得到二维时频谱图，所述二维时频谱图中包括循环频率分布和谱频率分布；
卷积特征提取步骤，将所述二维时频谱图输入所述神经网络模型提取得到其卷积特征；
统计特征提取步骤，将所述水下噪声信号基于统计提取得到所述水下噪声信号的统计特征；
特征融合步骤，将卷积特征和统计特征相加进行融合，得到所述故障特征。
3.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，所述统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。
4.根据权利要求1所述的水下推进器故障诊断方法，其特征在于，该方法还包括：
模型预训练步骤，基于所述故障数据集使用随机梯度下降SGD优化器对所述卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值Loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。
5.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，所述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层。
6.一种水下推进器故障诊断系统，其特征在于，包括：
数据集获取模块，配置为采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集；
故障特征获取模块，配置为将所述故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法及一预训练的神经网络模型进行卷积特征提取，融合所述卷积特征及统计特征得到故障特征；
故障结果获取模块，配置为利用所述故障特征训练所述神经网络模型，训练后的所述神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断。
7.根据权利要求6所述的水下推进器故障诊断系统，其特征在于，所述故障特征获取模块进一步包括：
谱相干性提取模块，配置为利用快速谱相关算法将一维的水下噪声信号转换得到二维时频谱图，所述二维时频谱图中包括循环频率分布和谱频率分布；
卷积特征提取模块，配置为将所述二维时频谱图输入所述神经网络模型提取得到其卷积特征；
统计特征提取模块，配置为将所述水下噪声信号基于统计提取得到所述水下噪声信号的统计特征；
特征融合模块，配置为将卷积特征和统计特征相加进行融合，得到所述故障特征。
8.根据权利要求7所述的水下推进器故障诊断系统，其特征在于，所述统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。
9.根据权利要求6所述的水下推进器故障诊断系统，其特征在于，该系统还包括：
模型预训练模块，配置为基于所述故障数据集使用随机梯度下降SGD优化器对所述卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值Loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。
10.根据权利要求7所述的水下推进器故障诊断系统，其特征在于，所述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310683298.XA CN116417013B (zh) | 2023-06-09 | 2023-06-09 | 水下推进器故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310683298.XA CN116417013B (zh) | 2023-06-09 | 2023-06-09 | 水下推进器故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116417013A true CN116417013A (zh) | 2023-07-11 |
| CN116417013B CN116417013B (zh) | 2023-08-25 |
Family
ID=87049575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310683298.XA Active CN116417013B (zh) | 2023-06-09 | 2023-06-09 | 水下推进器故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116417013B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952355A (zh) * | 2023-07-24 | 2023-10-27 | 中国人民解放军海军工程大学 | 一种浅海环境近场辐射噪声测量系统及终端 |
| CN117054872A (zh) * | 2023-09-15 | 2023-11-14 | 合肥融讯电子科技有限公司 | 一种基于数据模型的电机故障预测检测系统 |
| CN117250970A (zh) * | 2023-11-13 | 2023-12-19 | 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 |
| CN117668623A (zh) * | 2024-02-02 | 2024-03-08 | 中国海洋大学 | 船舶管道阀门泄漏多传感器跨域故障诊断方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
| CN111855202A (zh) * | 2020-08-12 | 2020-10-30 | 北京航空航天大学 | 一种齿轮箱故障诊断方法及系统 |
| KR20210125366A (ko) * | 2020-04-08 | 2021-10-18 | 주식회사 케이티 | 신경망 분류기를 이용하여 녹음 장치 고장을 탐지하는 방법, 이를 구현한 서버 및 스마트 디바이스 |
| CN113776834A (zh) * | 2021-10-11 | 2021-12-10 | 山东大学 | 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 |
| CN113960989A (zh) * | 2021-11-16 | 2022-01-21 | 南京航空航天大学 | 一种基于卷积神经网络的四旋翼无人机智能故障诊断方法 |
| CN114186587A (zh) * | 2021-12-08 | 2022-03-15 | 哈尔滨工程大学 | 一种自主式水下机器人推进器弱故障特征提取方法 |
| CN114897138A (zh) * | 2022-05-06 | 2022-08-12 | 东南大学 | 基于注意力机制和深度残差网络的系统故障诊断方法 |
| CN115641871A (zh) * | 2022-09-29 | 2023-01-24 | 福建国电风力发电有限公司 | 一种基于声纹的风机叶片异常检测方法 |
| CN115798516A (zh) * | 2023-02-07 | 2023-03-14 | 海纳科德（湖北）科技有限公司 | 一种可迁移的端到端声信号诊断方法及系统 |
-
2023
- 2023-06-09 CN CN202310683298.XA patent/CN116417013B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
| KR20210125366A (ko) * | 2020-04-08 | 2021-10-18 | 주식회사 케이티 | 신경망 분류기를 이용하여 녹음 장치 고장을 탐지하는 방법, 이를 구현한 서버 및 스마트 디바이스 |
| CN111855202A (zh) * | 2020-08-12 | 2020-10-30 | 北京航空航天大学 | 一种齿轮箱故障诊断方法及系统 |
| CN113776834A (zh) * | 2021-10-11 | 2021-12-10 | 山东大学 | 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 |
| CN113960989A (zh) * | 2021-11-16 | 2022-01-21 | 南京航空航天大学 | 一种基于卷积神经网络的四旋翼无人机智能故障诊断方法 |
| CN114186587A (zh) * | 2021-12-08 | 2022-03-15 | 哈尔滨工程大学 | 一种自主式水下机器人推进器弱故障特征提取方法 |
| CN114897138A (zh) * | 2022-05-06 | 2022-08-12 | 东南大学 | 基于注意力机制和深度残差网络的系统故障诊断方法 |
| CN115641871A (zh) * | 2022-09-29 | 2023-01-24 | 福建国电风力发电有限公司 | 一种基于声纹的风机叶片异常检测方法 |
| CN115798516A (zh) * | 2023-02-07 | 2023-03-14 | 海纳科德（湖北）科技有限公司 | 一种可迁移的端到端声信号诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 朱丹宸;张永祥;何伟;朱群伟;: "基于自适应CYCBD和互相关谱的滚动轴承复合故障诊断方法", 振动与冲击, no. 11 * |
| 赵发刚;王翠珍;葛钊;周徐斌;: "基于谱相关函数-Wigner-Ville谱的轴承分布故障信号分析", 上海航天, no. 03 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952355A (zh) * | 2023-07-24 | 2023-10-27 | 中国人民解放军海军工程大学 | 一种浅海环境近场辐射噪声测量系统及终端 |
| CN116952355B (zh) * | 2023-07-24 | 2024-05-14 | 中国人民解放军海军工程大学 | 一种浅海环境近场辐射噪声测量系统及终端 |
| CN117054872A (zh) * | 2023-09-15 | 2023-11-14 | 合肥融讯电子科技有限公司 | 一种基于数据模型的电机故障预测检测系统 |
| CN117250970A (zh) * | 2023-11-13 | 2023-12-19 | 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 |
| 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 |
| CN117668623A (zh) * | 2024-02-02 | 2024-03-08 | 中国海洋大学 | 船舶管道阀门泄漏多传感器跨域故障诊断方法 |
| CN117668623B (zh) * | 2024-02-02 | 2024-05-14 | 中国海洋大学 | 船舶管道阀门泄漏多传感器跨域故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116417013B (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116417013B (zh) | 水下推进器故障诊断方法及系统 | |
| CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
| CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
| CN105758644A (zh) | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 | |
| CN111401136B (zh) | 一种柱塞泵空化程度检测方法、装置及终端 | |
| CN109993105A (zh) | 一种改进的自适应稀疏采样故障分类方法 | |
| CN114152825B (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断系统 | |
| Jaber et al. | Real-time wavelet analysis of a vibration signal based on Arduino-UNO and LabVIEW | |
| CN111948711B (zh) | 一种利用深度学习法提取地震数据低频部分的方法和系统 | |
| CN114707534A (zh) | 一种小样本数据下滚动轴承故障诊断方法 | |
| CN106909136A (zh) | 一种基于指数正则化零空间线性鉴别分析的故障诊断方法 | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
| CN113657244A (zh) | 基于改进eemd和语谱分析的风机齿轮箱故障诊断方法及系统 | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| CN115356599A (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| Hambaba et al. | Multiresolution error detection on early fatigue cracks in gears | |
| KR101724151B1 (ko) | 앰비규어티 패턴인식을 이용한 금속 이물질의 충격 위치와 질량 동시추정 방법 | |
| CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
| CN113409213A (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN114397521A (zh) | 一种针对电子设备的故障诊断方法及系统 | |
| CN113537288A (zh) | 基于样本信号的修改对目标模型进行训练的方法及系统 | |
| CN117332352B (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
| CN117033983B (zh) | 一种无人船自噪声检测识别方法及系统 | |
| CN118035730B (zh) | 设备故障检测方法、电子设备及存储介质 | |
| Jiang et al. | Vibration signal processing for gear fault diagnosis based on empirical mode decomposition and nonlinear blind source separation |
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 |