CN117250970A - 基于模型嵌入生成对抗网络实现auv故障检测的方法 - Google Patents

Abstract

本发明公开一种基于模型嵌入生成对抗网络实现AUV故障检测的方法，属于AUV故障检测领域，首先根据推进器速度和水下航行器的运动状态构建未知系数的推进器动力学模型，并用该动力学模型构建生成器；然后通过特征提取网络从推进器控制信号中提取可解释特征，并将这些可解释特征用作生成器的输入；将生成器输出的生成电流和测量电流输入鉴别器以进行对抗性学习，基于鉴别器的输出用于指示AUV推进器的状态。本方案通过将物理模型嵌入GAN中，一方面赋予了特征提取网络所提取的特征明确的物理含义，另一方面对整个网络施加了物理约束，避免了额外设计物理损失项和训练过程的需要，有效实现了对水下推进器的故障检测及故障程度的评估。

Description

基于模型嵌入生成对抗网络实现AUV故障检测的方法

技术领域

本发明属于AUV故障检测领域，具体涉及一种基于模型嵌入生成网络实现AUV故障检测的方法。

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，基于模型的方法容易受到数据噪声、外部干扰和其他因素的干扰，因此在实际应用中获得准确物理模型是困难的。因此，检测结果可能包含大量错误识别。基于数据驱动的方法具有良好的诊断性能，但此类方法一方面通常需要特定的故障数据集，而这些数据集在现实场景中很难获得，并且可能无法涵盖所有相关的健康信息； 另一方面这些方法虽然可以自动从输入信号中提取故障特征并提供精确的诊断结果，但它们是黑盒算法，无法向用户提供可解释的结果。为了解决基于模型的方法难以准确描述真实系统和基于深度学习的方法严重依赖故障数据且缺乏可解释性的缺点，出现了一种结合了两种方法优点的混合方法。

如授权公告号为CN116243682B的发明专利公开一种基于改进生成网络的水下推进器故障检测方法，通过将模型的先验知识融入深度神经网络，可以减少对数据集的依赖，并且可以赋予网络一定的可解释性。虽然混合方法可能与物理系统具有架构一致性，但有关物理模型的先验信息并未完全集成到神经网络中，没有充分利用物理模型的约束能力，导致神经网络提取特征的可解释性较差；此外基于物理信息的损失函数可以提高网络的准确性和泛化性，但需要额外设计物理损失项和参数更新过程，导致网络的训练过程比较繁琐。

发明内容

本发明针对现有混合方法存在的特征可解释性差、训练过程比较繁琐等缺陷，提出一种基于模型嵌入生成对抗网络实现AUV故障检测的方法，将模型完全集成到神经网络中，为提取的特征赋予可解释性，且避免了额外设计基于物理信息的损失函数和参数更新过程。

本发明是采用以下的技术方案实现的：一种基于嵌入生成对抗网络实现AUV故障检测的方法，包括以下步骤：

步骤A、根据推进器速度和水下航行器的运动状态构建未知系数的推进器动力学模型，并用该动力学模型构建生成器；

其中，推进器动力学模型表示如下：

，

其中，i是推进器的电流，是推进器转速，/>为转速的加速度，u是AUV的航速，为系数；

步骤B、然后通过特征提取网络从推进器控制信号中提取可解释特征，并将这些可解释特征用作生成器的输入；

所述特征提取网络包括3个卷积层和 2 个全连接层，以控制信号作为输入，输出的可解释特征分别按照数据赋值给上式中的 。

步骤C、将生成器输出的生成电流和测量电流输入鉴别器以进行对抗性学习；考虑到随着推进器的健康状况恶化，测量电流的分布可能偏离生成的电流值，因此使用鉴别器的输出用于指示推进器的状态；

其中，所述鉴别器包括三个卷积层和一个全连接层，以生成电流和测量电流输入，输出的测量电流值分布距离实现故障检测和级别评估，当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，所述生成器、特征提取网络和鉴别器受到相同的条件信息，即以推进器速度和水下航行器的运动状态作为条件。

与现有技术相比，本发明的优点和积极效果在于：

本方案主要用于自主式水下航行器（AUV）故障检测，通过将模型嵌入GAN中，一方面赋予了特征提取器所提取的特征明确的物理含义，另一方面对整个网络施加了物理约束，避免了额外设计物理损失项和训练过程的需要。本方法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。

附图说明

图1为本发明实施例所述故障检测方法的原理示意图。

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模型嵌入生成对抗网络实现AUV故障检测的方法，具体包括以下步骤：

步骤A、根据推进器速度和水下航行器的运动状态构建未知系数的推进器动力学模型，并用该动力学模型构建生成器；

步骤B、然后构建特征提取网络，以从推进器控制信号中提取可解释特征，并将可解释特征用作生成器的输入；

步骤C、将生成器输出的生成电流和测量电流输入鉴别器以进行对抗性学习；考虑到随着推进器的健康状况恶化，测量电流的分布可能偏离生成的电流值，因此使用鉴别器的输出用于指示推进器的状态。

本方案中，通过使用推进器的物理模型来构建生成器，一方面可以实现对特征提取网络的物理约束，来确保提取的特征具有明确的物理含义。另一方面该物理模型同样被引入鉴别器中，可以充分利用生成对抗式训练的潜力，因此无需额外设计物理损失项和参数更新过程。

具体的，步骤A中，电机的运动方程如公式(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，/>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；通常，水下航行器都是利用控制信号来改变推进器的转速，从而影响推进器的电流；为了更清楚地表达控制信号与电流之间的关系，本实施例引入电机的电压方程，如式（2）所示；

（2）

其中是母线电压，/>是控制信号，/>、/>和/>分别是电机的电阻、电感和速度常数。

考虑到缠绕、断裂和丢失是水下推进器常见的故障，其本质上是由负载变化导致的。然而，由于电压方程本身缺少与负载有关的项，因此方程（2）无法有效地表示这些故障。因此，无法与故障建立映射关系。从另一个角度来看，虽然等式（2）可能与典型故障不直接相关，但该式却表明，如果已知，/>和/>，那么就可以通过上式精确表达 />。考虑到式2中除了包含与控制信号有关的信息还包含了其他状态信息，如果忽略他们则无法确保所提取的特征处于什么样的工况，这将导致不同工况下可能具有相同的特征。因此本实施例将转速（推进器速度）和水下航行器的运动状态作为条件信息，所述生成器、特征提取网络和鉴别器受到相同的条件信息，以保证所有网络处于相同的工作条件。

另外，在实际应用中，考虑系统采样频率或温度的影响精确获得上述参数是困难的，且参数的偏差将导致估计的电流出现误差。因此本实施例采用神经网络从控制信号及条件信息中提取相关特征，继续参考图1，本实施例构建特征提取网络对输入的推进器控制信号中提取可解释特征，该网络架构采用卷积网络作为其主要组成部分，利用控制信号作为输入，推进器速度和水下航行器的运动状态作为条件。所述特征提取网络包含3个卷积层(Conv) 和 2 个全连接层 (FC)。五通道输入信号分别跨过内核大小为 4×1×16、5×1×32 和 4×1×64 的 3 个卷积层，然后对卷积层的输出进行扩展，用2个全连接层生成特征的均值和方差。

继续参考图1，本实施例希望能够进一步加深GAN与物理模型之间的融合，创造性的将物理模型嵌入到生成器中，本实施例不使用神经网络来构建生成器。相反，采用具有参数未知的推进器物理模型来替代神经网络，如式（3）所示；

(3)

通过特征提取网络提取的可解释特征按照数据分别赋值给式3中的，随着训练的进行，这些可解释特征逐渐向真实的水下推进器参数逼近。当训练完成后由特征提取网络从输入信号中提取的特征将表示水下推进器模型中的未知参数。

考虑到该生成器的输入由特征提取网络从控制信号中提取的可解释特征组成，这些可解释特征被视为推进器物理模型的参数。此外，为了避免推进器转速和航行器运动状态对提取的特征的影响，通过将转速和运动状态共同作为特征提取网络、生成器和鉴别器的条件，以保证他们始终处于相同的信息约束下。在此基础上，将生成的电流和测量的电流输入到鉴别器，并提供与特征提取器和生成器相同的条件信息作为条件。

所述鉴别器包括三个卷积层和一个全连接层。卷积核的滑动步长为2，然后使用大小为 4×1×16、5×1×32 和 4×1×64 的三个卷积层进行滤波；卷积层处理的输出特征被馈送到单节点全连接层。完成所有操作后，得到 Wasserstein 距离作为输出。

在推进器无故障的场景下测量电流和生成电流之间的分布距离非常小，因此由鉴别器输出的Wasserstein 距离，即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生成电流，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，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。

考虑到发电机是由推进器物理模型组成的，一旦特征提取网络提取的特征（物理模型的参数）与真实参数存在显着差异，则生成器的输出也可能存在显着差异。 这可能导致生成电流和测量电流之间的分布偏差扩大。 因此，如果强制减少生成电流和测量电流之间的分布偏差，那么对抗性训练过程会进一步限制特征提取器的网络参数。而本实施例利用物理模型有效地对训练过程实施软约束，而不需要额外设计物理损失项和训练流程。并且在整个过程中加入条件信息丰富外部信息，辅助网络获得更完整的信息。

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.基于模型嵌入生成对抗网络实现AUV故障检测的方法，其特征在于，包括以下步骤：

步骤A、根据推进器速度和水下航行器的运动状态构建未知系数的推进器动力学模型，并用该动力学模型构建生成器；

步骤B、然后构建特征提取网络，以从推进器控制信号中提取可解释特征，并将可解释特征用作生成器的输入；

步骤C、将生成器输出的生成电流和测量电流输入鉴别器进行对抗性学习，根据鉴别器的输出指示推进器的故障状态。

2.根据权利要求1所述的基于模型嵌入生成对抗网络实现AUV故障检测的方法，其特征在于：所述步骤A中，推进器动力学模型表示如下：

，

其中，i是推进器的电流，是推进器转速，/>为转速的加速度，u是AUV的航速，为系数。

3.根据权利要求2所述的基于模型嵌入生成对抗网络实现AUV故障检测的方法，其特征在于：所述步骤B中，所述特征提取网络包括3个卷积层和 2 个全连接层，以控制信号作为输入，输出的可解释特征分别按照数据赋值给。

4.根据权利要求1所述的基于模型嵌入生成对抗网络实现AUV故障检测的方法，其特征在于：所述生成器、特征提取网络和鉴别器受到相同的条件信息，即以推进器速度和水下航行器的运动状态作为条件。

5.根据权利要求1所述的基于模型嵌入生成对抗网络实现AUV故障检测的方法，其特征在于：所述鉴别器包括三个卷积层和一个全连接层，以生成电流和测量电流输入，输出的测量电流值分布距离实现故障检测和级别评估，当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。