CN117233520B - 基于改进Sim-GAN的AUV推进系统故障检测评估方法 - Google Patents

基于改进Sim-GAN的AUV推进系统故障检测评估方法 Download PDF

Info

Publication number
CN117233520B
CN117233520B CN202311524936.XA CN202311524936A CN117233520B CN 117233520 B CN117233520 B CN 117233520B CN 202311524936 A CN202311524936 A CN 202311524936A CN 117233520 B CN117233520 B CN 117233520B
Authority
CN
China
Prior art keywords
fidelity
current
fault detection
gan
current value
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
Application number
CN202311524936.XA
Other languages
English (en)
Other versions
CN117233520A (zh
Inventor
高爽
于泽
江景涛
何波
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.)
Qingdao Pengpai Ocean Exploration Technology Co ltd
Original Assignee
Qingdao Pengpai Ocean Exploration Technology Co ltd
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 Qingdao Pengpai Ocean Exploration Technology Co ltd filed Critical Qingdao Pengpai Ocean Exploration Technology Co ltd
Priority to CN202311524936.XA priority Critical patent/CN117233520B/zh
Publication of CN117233520A publication Critical patent/CN117233520A/zh
Application granted granted Critical
Publication of CN117233520B publication Critical patent/CN117233520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
    • 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开一种基于改进Sim‑GAN的AUV推进系统故障检测评估方法，属于AUV推进器故障评估领域，首先估计来自水下推进器物理模型的低保真电流，并将其与水下航行器的运动状态一起输入到改进Sim‑GAN的细化器中，细化器生成并输出高保真电流；然后将高保真电流和测量电流值共同作为条件鉴别器的输入，并且将测量电流值和高保真电流值的误差绝对值的统计特征作为条件引入条件鉴别器中，通过条件鉴别器的输出实现故障检测和级别评估。本方案通过将表征推进器状态变化的统计特征引入条件鉴别器中，无需额外设计评价指标就可以自动实现故障等级的评估，有效实现对推进器状态的准确描述。

Description

基于改进Sim-GAN的AUV推进系统故障检测评估方法
技术领域
本发明属于AUV推进器故障评估领域，具体涉及一种基于改进Sim-GAN的AUV推进系统故障检测评估方法。
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。
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。基于数据驱动的推进器故障诊断方法都是通过人为设置故障标签来实现对故障程度的划分，这不能及时的反应出推进器的故障发展趋势。基于模型的推进器故障诊断方法虽然可以通过计算健康行为和故障行为的偏差来衡量推进器的故障程度，但需要人为设置故障指标，不同的指标将导致不同的结果。而且对不同故障程度进行划分需要使用大量的故障数据，但这在实际应用中故障数据是难以获得且不平衡的。
另外，当前水下推进器的故障诊断策略主要强调检测和分类任务。然而，在面向水下航行器系统的故障诊断框架中，仅仅识别故障的存在或类型是不够的。故障诊断框架还必须为系统提供故障程度，这有助于水下系统做出精确的决策。根据上述内容介绍，大多数方法将故障等级人为的划分为不同的类别，并使用半监督或监督方法对其进行分类。但是，在实际应用中，这种方法并不可行，因为在推进器运行过程中故障可能会持续恶化，因此故障人为设置的标签可能无法准确描述推进器的状态。因此，开发一种无监督、自动化的故障级别评估方法至关重要。
发明内容
本发明针对现有技术中仅仅识别故障的存在即类型，而难以提供故障程度所存在的缺陷，提出一种基于改进Sim-GAN的AUV推进系统故障检测评估方法，进行故障检测和自动等级评估，为故障检测和评估提供了更高效、更准确的方法。
本发明是采用以下的技术方案实现的：一种基于改进Sim-GAN的AUV推进系统故障检测评估方法，包括以下步骤：
步骤A、首先估计水下推进器物理模型的低保真电流，并将其与水下航行器的运动状态一起输入到改进Sim-GAN 的细化器中，细化器生成并输出高保真电流；
步骤B、然后将细化器生成的高保真电流和测量电流值共同作为条件鉴别器的输入，并且将测量电流值和高保真电流值的误差绝对值的统计特征作为条件引入条件鉴别器中；其中，采用对抗性和生成技术来训练细化器和条件鉴别器，完成训练后，通过条件鉴别器的输出实现故障检测和级别评估。
进一步的，所述步骤A中，水下推进器的物理模型表示如下：，
其中，是电机转矩系数，i是推进器的电流，/>是电机转动惯量，B()是电机摩擦系数，/>是推进器转速，u是AUV的航速，/>,/>,/>是螺旋桨的水动力系数。
进一步的，所述步骤A中，水下航行器的运动状态包括但不限于航行器的俯仰角和航向角。
进一步的，所述步骤B中，通过条件鉴别器的输出实现故障检测和级别评估，具体的，当条件鉴别器输出当前测量电流值分布距离超过故障阈值时则认为出现故障，分布距离越大，故障等级越高。
进一步的，所述步骤B中，所述高保真电流和测量电流之间的绝对误差的统计特征包括但不限于均值，标准差，最大值，最小值和最大最小范围。
进一步的，所述步骤B中，采用对抗性和生成技术来训练细化器和条件鉴别器时，改进了Sim-GAN的网络结构的损失函数，包括基于 Wasserstein 距离的对抗性损失、低保真和高保真电流之间的相关损失，以及高保真和测量电流之间的重建损失：
对抗性损失表示如下：
；
其中，是测量电流，/>是低保真电流， />, /> 是缩放因子和/>在[0,1]范围内均匀采样，/>为由均值，标准差，最大值，最小值和最大最小范围组成的条件信息；
重建损失表示如下：，其中，/>是高保真电流；
相关损失表示如下：
；
；其中，/>和/>代表变量/>和/>的平均值。
进一步的，所述细化器包括依次连接的两个卷积层、一个残差模块和两个转置卷积层，低保真电流和水下航行器的运动状态作为输入，低保真电流和运动状态分别通过两个卷积层，在卷积层对这些信号进行卷积操作实现特征融合，随后将两个卷积层的输出传递给残差模块，最后残差模块的输出通过两个转置卷积层生成高保真电流值。
进一步的，所述条件鉴别器包括依次连接的全连接层、5个卷积层和全连接层，首先将测量电流值和所提取的统计特征进行合并，随后通过全连接层，将这些统计特征与测量电流值进行融合，然后将融合后的数据通过5个卷积层进行特征提取，将最后一卷积层的输出特征输入至全连接层，最后将全连接层输出的数据称为测量电流值的Wasserstein 距离，即测量电流值的分布距离。
与现有技术相比，本发明的优点和积极效果在于：
本方案提出一种无监督的故障检测框架，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水下推进器的故障检测并实现对故障程度的评估。在估计高保真电流值时引入了AUV运动状态，为细化器提供了额外的信息，有助于生成质量更高的估计电流值，并且将测量电流值和高保真电流值的误差绝对值的统计量作为条件引入条件鉴别器中；通过将表征推进器状态变化的统计特征引入条件鉴别器中，无需额外设计评价指标就可以自动实现故障等级的评估。
附图说明
图1为本发明实施例所述故障检测评估方法的原理框图。
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。
本实施例提出一种基于改进Sim-GAN的AUV推进系统故障检测评估方法，如图1所示，包括以下步骤：
首先利用扩张状态观测器实现对电机负载的估计，水下推进器物理模型如公式(1)所示：
(1)
其中，是电机转矩系数，i是推进器的电流，/>是电机转动惯量，B()是电机摩擦系数，/>是推进器转速，u是AUV的航速，/>,/>,/>是螺旋桨的水动力系数。
当电机工作状态稳定时，根据公式(1)计算出当前水下推进器的电流值。但由于外部扰动，系统参数的不确定等因素，公式(1)无法准确的描述水下推进器真实的行为，因此估计的电流值是低保真电流。
考虑到式(1)中的参数和未建模项的不确定性，仅使用物理模型准确表征水下推进器的模块行为具有挑战性。为了解决这个问题，本实施例采用一种基于数据驱动的拟合方法，即Sim-GAN来修正参数和未建模项的不确定性，继续参考图1；
首先设计细化器以学习低保真电流到测量电流之间的映射。然而在实际应用中除了前面所述的参数不确定性和未建模项，航行器姿态还会对模型螺旋桨的水动力系数造成影响，因此本实施例将航行器的俯仰角和航向角作为额外信息引入细化器。
细化器包括两个卷积层、一个残差模块和两个转置卷积层。首先，将三通道输入信号（低保真电流，俯仰角，航向角）跨步2个点，并分别通过内核大小为4×1×32和4×1×64的两个卷积层对其进行过滤。接下来，将它们传递给残差模块，将它们跨步 1 个点，并分别通过残差模块的内核分别为 3×1×64 和 3×1×64 的两个卷积层对它们进行过滤。最后，通过两个转置卷积层对它们进行过滤，内核大小分别为 4×1×32 和 4×1×1，并通过sigmoid 层将其输出限制为 0-1。
由于水下推进器经常在不稳定的条件下运行，这意味着仅仅依靠测量的电流值来表征故障和健康状态之间的转移是不切实际的。然而，考虑到由细化器输出的高保真电流始终代表健康状态，测量电流和高保真电流之间的偏差可以有效地指示当前状态与健康状态之间的偏差。因此，本实施例将这种偏差引入到条件鉴别器中使条件鉴别器可以利用这些信息作为推进器的健康状态参考。
更具体地说，提取高保真电流和测量电流之间的绝对误差的统计特征，包括但不限于：均值，标准差，最大值，最小值和最大最小范围等。条件鉴别器包括5个卷积层和2个全连接层，条件鉴别器将细化器的输出和测量电流值作为输入，输入与统计特征连接并通过节点数为100的全连接层，以获得输出特征。然后将输出特征跨2个点并通过5个卷积层进行过滤，内核大小为4×1×16、4×1×64、5×1×128、4×1×32和4×1×8。输出特征被输入到具有 1 个节点的全连接层，并在执行所有操作后输出当前测量电流和高保真电流的分布距离。在推进器无故障的场景下测量电流和高保真电流之间的分布距离非常小，因此由条件鉴别器输出的分布距离可以表示健康状态，分布距离越小状态越健康。当出现故障后测量电流将偏离高保真电流，因此通过二者之间误差计算的条件信息将产生显著变化。因此在条件信息的影响下，测量电流的分布距离将偏离健康状态，故障越严重偏差越大。当分布距离超过故障阈值后可认为出现故障，而此时分布距离可以被看作是对故障的评估。
原始的Sim-GAN在损失函数中加入了自正则化项和对抗性损失项，以确保细化器输出的数据在内容上与模拟数据一致，在风格上与真实数据一致。然而，对于水下推进器的具体应用，要求输出数据无论在内容还是风格上都与真实数据一致。为了实现这一目标，本实施例所提方法保留了 Sim-GAN的网络结构，但修改了损失函数，包括基于 Wasserstein距离的对抗性损失、低保真和高保真电流之间的相关损失，以及高保真和测量电流之间的重建损失。
标准 Sim-GAN 采用JS散度进行对抗性训练。但再这种损失函数下网络的训练往往不稳定。为了解决这个问题，Wasserstein 距离被提出作为 J-S 散度的更可靠的替代方案，确保网络稳定性。对抗性损失表示如下：
（2）
其中是测量电流，/>是低保真电流， />, /> 是缩放因子和/>在[0,1]范围内均匀采样，/>是由均值，标准差，最大值，最小值，和最大最小范围组成的条件信息。
考虑到仅使用对抗性损失进行训练的 GAN 可能难以进行弱故障诊断。为了克服这个限制，可以使用额外的损失项作为提示以帮助网络的训练。为了增强 Sim-GAN 的性能，我们构建了重建损失式，如式(3)所示；
（3）
其中是高保真电流。
虽然由于不确定性等原因导致测量电流和低保真电流之间存在显着差异，但它们密切相关。因此，本实施例使用相关系数项替换原来的自正则化项。该方程通过计算低保真电流和高保真电流之间的相关性，以确保细化器有效地利用了低保真电流提供的先验信息。因此相关系数损失项可由式(4)所示；
（4）
其中conv是相关系数可由式（5）计算：
（5）
其中和/>代表变量/>和/>的平均值。
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 (7)

1.基于改进Sim-GAN的AUV推进系统故障检测评估方法，其特征在于，改进Sim-GAN包括细化器和条件鉴别器，具体包括以下步骤：
步骤A、估计水下推进器物理模型的低保真电流，并将其与水下航行器的运动状态一起输入至细化器中，通过细化器生成并输出高保真电流；
步骤B、将高保真电流和测量电流值共同作为条件鉴别器的输入，并且将测量电流值和高保真电流值的误差绝对值的统计特征作为条件引入条件鉴别器中；
其中，采用对抗性和生成技术训练细化器和条件鉴别器，完成训练后，通过条件鉴别器输出的测量电流值分布距离实现故障检测和级别评估；
采用对抗性和生成技术来训练细化器和条件鉴别器时，改进了Sim-GAN的网络结构的损失函数，包括基于Wasserstein距离的对抗性损失、低保真和高保真电流之间的相关损失，以及高保真和测量电流之间的重建损失：
对抗性损失表示如下：
其中，i1是测量电流，i2是低保真电流，i3＝i1+(1-l)i2，λ是缩放因子和l在[0，1]范围内均匀采样，c为由均值，标准差，最大值，最小值和最大最小范围组成的条件信息；
重建损失表示如下：
Lossre＝E[||i1-i4||2]
其中，i4是高保真电流；
相关损失表示如下：
其中，μ1和μ2代表变量x1和x2的平均值。
2.根据权利要求1所述的基于改进Sim-GAN的AUV推进系统故障检测评估方法，其特征在于：所述步骤A中，水下推进器的物理模型表示如下：
其中，Cm是电机转矩系数，i是推进器的电流，Jm是电机转动惯量，B()是电机摩擦系数，nm是推进器转速，u是AUV的航速，k1，k2，k3是螺旋桨的水动力系数。
3.根据权利要求1所述的基于改进Sim-GAN的AUV推进系统故障检测评估方法，其特征在于：所述步骤A中，水下航行器的运动状态包括航行器的俯仰角和航向角。
4.根据权利要求1所述的基于改进Sim-GAN的AUV推进系统故障检测评估方法，其特征在于：所述步骤B中，通过条件鉴别器的输出实现故障检测和级别评估，具体的，当条件鉴别器输出当前测量电流值分布距离超过故障阈值时则认为出现故障，分布距离越大，故障等级越高。
5.根据权利要求1所述的基于改进Sim-GAN的AUV推进系统故障检测评估方法，其特征在于：所述步骤B中，所述高保真电流和测量电流之间的绝对误差的统计特征包括均值、标准差、最大值、最小值和最大最小范围。
6.根据权利要求1所述的基于改进Sim-GAN的AUV推进系统故障检测评估方法，其特征在于：所述细化器包括依次连接的两个卷积层、一个残差模块和两个转置卷积层，低保真电流和水下航行器的运动状态作为输入，低保真电流和运动状态分别通过两个卷积层，在卷积层对这些信号进行卷积操作实现特征融合，随后将两个卷积层的输出传递给残差模块，最后残差模块的输出通过两个转置卷积层生成高保真电流值。
7.根据权利要求1所述的基于改进Sim-GAN的AUV推进系统故障检测评估方法，其特征在于：所述条件鉴别器包括依次连接的全连接层、5个卷积层和全连接层，首先将测量电流值和所提取的统计特征进行合并，随后通过全连接层，将这些统计特征与测量电流值进行融合，然后将融合后的数据通过5个卷积层进行特征提取，将最后一卷积层的输出特征输入至全连接层，最后将全连接层输出的数据称为测量电流值的Wasserstein距离，即测量电流值的分布距离。
CN202311524936.XA 2023-11-16 2023-11-16 基于改进Sim-GAN的AUV推进系统故障检测评估方法 Active CN117233520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311524936.XA CN117233520B (zh) 2023-11-16 2023-11-16 基于改进Sim-GAN的AUV推进系统故障检测评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311524936.XA CN117233520B (zh) 2023-11-16 2023-11-16 基于改进Sim-GAN的AUV推进系统故障检测评估方法

Publications (2)

Publication Number Publication Date
CN117233520A CN117233520A (zh) 2023-12-15
CN117233520B true CN117233520B (zh) 2024-01-26

Family

ID=89084847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311524936.XA Active CN117233520B (zh) 2023-11-16 2023-11-16 基于改进Sim-GAN的AUV推进系统故障检测评估方法

Country Status (1)

Country Link
CN (1) CN117233520B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160126555A (ko) * 2015-04-24 2016-11-02 대양전기공업 주식회사 수중추진기의 고장 진단장치 및 그 운용방법
CN106707751A (zh) * 2016-12-20 2017-05-24 哈尔滨工业大学 航天器终端接近的有限时间饱和避碰控制方法
CN109472365A (zh) * 2017-09-08 2019-03-15 福特全球技术公司 使用辅助输入通过生成式对抗网络来细化合成数据
CN111401471A (zh) * 2020-04-08 2020-07-10 中国人民解放军国防科技大学 一种航天器姿态异常检测方法及系统
JP2021034050A (ja) * 2019-08-21 2021-03-01 哈爾浜工程大学 強化学習に基づくａｕｖ行動計画及び動作制御方法
CN112541566A (zh) * 2020-09-17 2021-03-23 中国石油大学(华东) 一种基于重构损失的图像翻译方法
CN114035550A (zh) * 2021-11-15 2022-02-11 江苏科技大学 一种基于eso的自主式水下机器人执行机构故障诊断方法
CN114544155A (zh) * 2022-01-28 2022-05-27 江苏科技大学 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
CN114970305A (zh) * 2021-12-17 2022-08-30 西安交通大学 一种磁控软体机器人磁性颗粒分布的预测方法
CN115118197A (zh) * 2022-06-22 2022-09-27 青岛澎湃海洋探索技术有限公司 一种auv推进器系统故障诊断方法
WO2023044978A1 (zh) * 2021-09-27 2023-03-30 苏州大学 基于对抗流模型的机械设备无监督故障诊断方法
CN116243683A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于转矩和多头自编码器的推进系统故障诊断方法
CN116243682A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法
CN116644273A (zh) * 2023-06-05 2023-08-25 重庆大学 基于可释性乘法卷积网络的故障诊断方法及系统
CN116720101A (zh) * 2023-05-16 2023-09-08 湖南国天电子科技有限公司 一种水下推进器螺旋桨在线故障智能监测方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7451021B2 (en) * 2003-05-06 2008-11-11 Edward Wilson Model-based fault detection and isolation for intermittently active faults with application to motion-based thruster fault detection and isolation for spacecraft
US11854703B2 (en) * 2018-06-11 2023-12-26 Arterys Inc. Simulating abnormalities in medical images with generative adversarial networks
DE112021006211T5 (de) * 2020-11-30 2023-09-14 Jio Platforms Limited System und Verfahren zur Voraussage von Ausfällen
US20230071394A1 (en) * 2021-08-19 2023-03-09 General Electric Company Systems and Methods for Cyber-Fault Detection

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160126555A (ko) * 2015-04-24 2016-11-02 대양전기공업 주식회사 수중추진기의 고장 진단장치 및 그 운용방법
CN106707751A (zh) * 2016-12-20 2017-05-24 哈尔滨工业大学 航天器终端接近的有限时间饱和避碰控制方法
CN109472365A (zh) * 2017-09-08 2019-03-15 福特全球技术公司 使用辅助输入通过生成式对抗网络来细化合成数据
JP2021034050A (ja) * 2019-08-21 2021-03-01 哈爾浜工程大学 強化学習に基づくａｕｖ行動計画及び動作制御方法
CN111401471A (zh) * 2020-04-08 2020-07-10 中国人民解放军国防科技大学 一种航天器姿态异常检测方法及系统
CN112541566A (zh) * 2020-09-17 2021-03-23 中国石油大学(华东) 一种基于重构损失的图像翻译方法
WO2023044978A1 (zh) * 2021-09-27 2023-03-30 苏州大学 基于对抗流模型的机械设备无监督故障诊断方法
CN114035550A (zh) * 2021-11-15 2022-02-11 江苏科技大学 一种基于eso的自主式水下机器人执行机构故障诊断方法
CN114970305A (zh) * 2021-12-17 2022-08-30 西安交通大学 一种磁控软体机器人磁性颗粒分布的预测方法
CN114544155A (zh) * 2022-01-28 2022-05-27 江苏科技大学 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
CN115118197A (zh) * 2022-06-22 2022-09-27 青岛澎湃海洋探索技术有限公司 一种auv推进器系统故障诊断方法
CN116243683A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于转矩和多头自编码器的推进系统故障诊断方法
CN116243682A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法
CN116720101A (zh) * 2023-05-16 2023-09-08 湖南国天电子科技有限公司 一种水下推进器螺旋桨在线故障智能监测方法及装置
CN116644273A (zh) * 2023-06-05 2023-08-25 重庆大学 基于可释性乘法卷积网络的故障诊断方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An Improved WGAN-Based Fault Diagnosis of Rolling Bearings;Zhao, C等;《2022 IEEE International Conference on Sensing, Diagnostics, Prognostics, and Control ( SDPC)》;全文 *
人工智能研究的新前线:生成式对抗网络;林懿伦，等;《自动化学报》;第44卷(第5期);全文 *
基于RBF与OS-ELM神经网络的AUV传感器在线故障诊断;段杰，等;《水下无人系统学报》;第26卷(第2期);全文 *
基于生成对抗网络与个性机理模型的旋转机械故障诊断方法;吕哲，等;《机电工程》;第39卷(第9期);全文 *

Also Published As

Publication number Publication date
CN117233520A (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN111009153B (zh) 一种轨迹预测模型的训练方法、装置和设备
CN107945210B (zh) 基于深度学习和环境自适应的目标跟踪方法
CN111507371A (zh) 方法和装置
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
CN111507468A (zh) 使用人工智能来警告驾驶员危险的方法和装置
CN116519021B (zh) 一种惯性导航系统故障诊断方法、系统及设备
CN110689130A (zh) 轴承故障诊断方法
CN111177135B (zh) 一种基于界标的数据填补方法及装置
Liu et al. Sagan: Skip-attention gan for anomaly detection
CN116188516A (zh) 缺陷数据生成模型的训练方法
CN116625686A (zh) 一种航空发动机轴承故障在线诊断方法
CN115118197A (zh) 一种auv推进器系统故障诊断方法
CN117233520B (zh) 基于改进Sim-GAN的AUV推进系统故障检测评估方法
CN112818533B (zh) 一种水域拥堵风险评价方法、系统、装置及介质
CN114049561A (zh) 一种船舶目标检测模型及方法
CN116243683B (zh) 基于转矩和多头自编码器的推进系统故障诊断方法
CN116204786A (zh) 生成指定故障趋势数据的方法和装置
He et al. Fault diagnosis of full-drive AUV based on graph theory and recurrent neural network
CN116383041A (zh) 用于自动驾驶仿真测试的车道线拟合方法及装置
CN116306790A (zh) 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质
CN117250970B (zh) 基于模型嵌入生成对抗网络实现auv故障检测的方法
CN112102399A (zh) 一种基于生成式对抗网络的视觉里程计算法
CN110895680A (zh) 一种基于区域建议网络的无人艇水面目标检测方法
Nunes et al. Comparative Study of Semantic Segmentation Methods in Harbour Infrastructures
CN112883656B (zh) 一种基于正常运行数据的动力舱失效风险评价方法

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