CN117710759B - 一种载人潜器故障和寿命预测系统及方法 - Google Patents
一种载人潜器故障和寿命预测系统及方法 Download PDFInfo
- Publication number
- CN117710759B CN117710759B CN202410165966.4A CN202410165966A CN117710759B CN 117710759 B CN117710759 B CN 117710759B CN 202410165966 A CN202410165966 A CN 202410165966A CN 117710759 B CN117710759 B CN 117710759B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- life
- image
- manned submersible
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007797 corrosion Effects 0.000 claims abstract description 36
- 238000005260 corrosion Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 150000003839 salts Chemical class 0.000 claims abstract description 21
- 230000001502 supplementing effect Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000006378 damage Effects 0.000 claims description 22
- 238000012423 maintenance Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 102100033620 Calponin-1 Human genes 0.000 claims description 5
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 5
- 102100033591 Calponin-2 Human genes 0.000 claims description 4
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013144 data compression Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 210000001525 retina Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 239000011257 shell material Substances 0.000 description 31
- 230000035882 stress Effects 0.000 description 27
- 239000003921 oil Substances 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000005299 abrasion Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 239000013535 sea water Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种载人潜器故障和寿命预测系统及方法,涉及载人潜器技术领域,系统包括:位于载人潜器外壳外部的摄像机、补光灯和多个腐蚀传感器;位于载人潜器外壳内部的惯性导航系统、姿态传感器、振动传感器、噪声传感器、油液传感器、压力容器、应变传感器、多个温盐传感器、深度传感器和超声探伤仪;载人潜器外壳前部设置摄像机和补光灯;多个腐蚀传感器设置于载人潜器外壳的上部和下部,用于监测外壳的腐蚀情况;压力容器内部设有多个应变传感器。本发明的技术方案克服现有技术中对载人潜器故障和寿命预测的准确性不高的问题。
Description
技术领域
本发明涉及载人潜器的技术领域,具体涉及一种载人潜器故障和寿命预测系统及方法。
背景技术
随着人类对海洋深处的探索日益深入,载人潜器成为了海洋科学研究和资源开发的重要工具。然而,由于海洋环境的复杂性和恶劣性,载人潜器在使用过程中可能会出现各种故障,影响其安全性和可靠性。因此,对载人潜器的故障和寿命进行预测,可以帮助提前发现潜在的故障风险,保障载人潜器的安全运行。
现有载人潜器故障和寿命预测方法的预测准确性不高,载人潜器中的各个系统的寿命受到多种因素的影响,包括使用环境、工作负荷、维护情况等;其次,现有载人潜器故障和寿命预测方法需要大量的数据支持,包括载人潜器的工作状态数据、维护记录等,获取和整理这些数据将会耗费大量时间和精力。
因此,现需要一种提高载人潜器的运行效率和可靠性,为水下勘探、海洋科学、海底资源开发等领域的应用提供支持的载人潜器故障和寿命预测系统及方法。
发明内容
本发明的主要目的在于提供一种载人潜器故障和寿命预测系统,以解决现有技术中对载人潜器故障和寿命预测的准确性不高的问题。
为实现上述目的,本发明提供了一种载人潜器故障和寿命预测系统,包括:
位于载人潜器外壳外部的摄像机、补光灯和多个腐蚀传感器;位于载人潜器外壳内部的惯性导航系统、姿态传感器、振动传感器、噪声传感器、油液传感器、压力容器、应变传感器、多个温盐传感器、深度传感器和超声探伤仪;载人潜器外壳前部设置摄像机和补光灯;多个腐蚀传感器设置于载人潜器外壳的上部和下部,用于监测外壳的腐蚀情况;
压力容器内部设有多个应变传感器;摄像机和补光灯构成图像识别系统;振动传感器、噪声传感器和油液传感器构成推进系统;惯性导航系统、姿态传感器和深度传感器构成导航定位系统;超声探伤仪、应变传感器和温盐传感器构成浮力调整系统;腐蚀传感器、温盐传感器和超声探伤仪构成外压壳体系统;摄像机、油液传感器、噪声传感器、振动传感器、姿态传感器、惯性导航系统、深度传感器、温盐传感器、超声探伤仪、应变传感器和腐蚀传感器构成数据采集模块。
本发明还提供一种载人潜器故障和寿命预测方法,具体包括如下步骤:
S1,利用载人潜器故障和寿命预测系统中的数据采集模块对载人潜器进行实时数据监测,并生成数据集。
S2,对生成的数据集进行预处理,判断数据是否出现异常。
S3,将异常数据输入寿命预测模块,生成设备剩余寿命及潜在故障的修复建议。
S4,根据修复建议,对各个系统的故障设备进行修复或更换。
进一步地,步骤S2具体包括如下步骤:
S2.1,对收集到的数据进行预处理,包括数据清洗、数据分类、缺失值处理。
S2.2,利用统计学方法、机器学习算法对数据进行分析,判断数据是否出现异常。
S2.3,对于判断为异常的数据,进行特征提取,包括时间序列特征、频域特征和时域特征。
进一步地,步骤S3中的寿命预测模块包括:图像识别系统寿命预测模块、推进系统寿命预测模块、导航定位系统寿命预测模块、浮力调整系统寿命预测模块和外压壳体系统寿命预测模块。
进一步地,步骤S3中的图像识别系统寿命预测模块用于预测图像识别系统的寿命,具体包括如下步骤:
S3.1,输入原始图像数据和待识别图像数据/>。
S3.2,将原始图像数据和待识别图像数据/>分别进行分别进行带色彩恢复的多尺度视网膜增强算法MSRCR和水下图像处理算法Sea Thru颜色修正处理,利用无损数据压缩算法UDCP去模糊度,利用限制对比度自适应直方图均衡算法CLAHE增强对比度,得到原始图像数据的增强图像/>,/>,/>,/>;和待识别图像数据的增强图像/>,/>,/>和/>。
S3.3,通过对比待识别图像和初始图像的分辨率特征,进行图像质量检测,若超过阈值则输出维修指令,未超出阈值,则执行步骤S3.4。
S3.4,对待识别图像数据的增强图像进行小波分解,根据小波分解公式获得多分辨率分解图,/>,/>和/>,包含高频、低频子图像,即
(1);
式中,,/>和/>为镜像滤波算子,下标/>和/>分别表示对矩阵的行操作和列操作,在/>尺度分解下,每一层都包含一个低频分量/>和3个高频分量/>,/>和/>。
S3.5,采用主成分分析法PCA将小波分解后的高低频进行融合,获得低频子图像的融合图像。
S3.6,将融合图像的多分辨率分解图通过小波重构算法形成增强后的图像/>:
(2);
其中,,/>和/>分别为/>和/>的共轭转置矩阵;将增强后的图像重新输入原始图像数据,更新数据库。
进一步地,步骤S3中的推进系统寿命预测模块用于预测推进系统的寿命,包括如下步骤:
S3.7,输入推进系统传感器所获取的指标数据,包括:油液消耗量,噪声数据和振动数据。
S3.8,将收集到的指标数据传入CNN模型和LSTM模型中进行训练。
S3.9,通过CNN模型提取指标数据的空间特征,指标数据依次经过第一卷积层CNN1、第二卷积层CNN2、CBAM层和两个线性层后输出;其中第一卷积层和第二卷积层包括滤波器和最大池化层。
S3.10,使用LSTM模型提取数据的时间特征,首先对输入数据进行预处理,将数据馈送到隐藏层大小为50、层数为1的LSTM层。
S3.11,对CNN模型和LSTM模型输出的结果进行加权平均融合。
S3.12,使用评分函数和均方根误差RMSE来输出系统的剩余寿命:
评分函数表示为:
(3);
其中,是计算出来的分数,N是测试数据中引擎的个数,;/>代表估计值,/>代表真实值,代表估计值与真实值的差值。
的计算公式如下:
(4)。
进一步地,步骤S3中的导航定位系统寿命预测模块用于预测导航定位系统的寿命,具体包括如下步骤:
S3.13, 利用导航定位系统中的传感器采集数据。
S3.14,令采样时间间隔为,将非线性系统方程进行离散化处理:
(5);
由时刻系统的状态估值/>计算系统的输出估值/>;/>为连续可微的非线性函数;/>为状态变量;/>为模型误差向量;/>为模型误差分布矩阵;/>为量测向量;/>为量测噪声向量,并且假定为零均值的高斯白噪声,协方差为/>。
S3.15,对输出估值进行连续微分,取最小时间间隔/>,将/>的第i个分量近似展开成/>阶泰勒级数,并忽略高阶项,得到
(6)。
S3.16,定义k阶李导数 (7)。
根据李导数定义,公式(8)写为:
(8)。
进一步地,步骤S3中的导航定位系统寿命预测模块用于预测导航定位系统的寿命,还包括如下步骤:
S3.17,分别求出时的/>如公式(8)所示的泰勒展开式,合写成矩阵形式,得到/>,其中,为对角阵,对角元素为/>,q维列向量为/>,灵敏度矩阵为。
(9);
(10);
(11);
其中,,标量函数/>关于向量场/>的一阶李导数记为,表达式为/>。
S3.18,定义性能指标函数:
(12);
其中,为模型误差加权矩阵,取对角阵。
S3.19,计算状态的一步转移矩阵:
(13)。
S3.20,设计EKF标准滤波流程,用步骤S3.22计算出的模型误差来修正EKF的状态一步预测值。
S3.21,对比预测值与真实的姿态的位置和速度信息的误差,超出阈值即需维修更换部件,未超出阈值通过龙贝格算法外推输出剩余寿命。
进一步地,步骤S3中的浮力调整系统寿命预测模块用于预测浮力调整系统的寿命,具体包括如下步骤:
S3.22,输入通过浮力调整系统的传感器监测得到的指标数据。
S3.23,计算压力容器平面上的最大正应力:
(14);
其中,为名义正应力幅值,/>为平面上正应力的方差。
S3.24,对剪应力进行雨流循环计数:
对于多轴变幅载荷历史应力和应变/>,计算整个载荷历史的Mises等效应变/>。
确定等效应变的最大值/>,并计算相对等效应变历程/>,相对等效应变的定义如公式(15)所示;
(15)。
记录相对等效应变从零到最大值所对应的加载历程并将起点和终点做为一个载荷循环。
对其余等效应变历史应力和应变重复雨流循环计数步骤,并记录所有载荷循环。
S3.25,记录循环中最大正应力;
S3.26,利用线性疲劳损伤累积理论,计算疲劳损伤。
其中,为临界疲劳损伤,/>为循环次数,/>为循环破坏的寿命。
S3.27,对比零件疲劳损伤阈值,超过阈值则需维修更换,未超出阈值则通过龙贝格算法外推输出剩余寿命。
进一步地,步骤S3中的外压壳体系统寿命预测模块用于预测外压壳体系统的寿命,具体包括如下步骤:
S3.28,输入外压壳体系统传感器收集到的指标数据。
S3.29,由于收集到的疲劳载荷数据中含有许多“毛刺”,利用短时傅里叶变换STFT对原始数据进行滤波处理。
(16);
其中:为复指数函数,/>为角频率;滤波前的数据/>,其中/>为时间序列;/>表示对变量n的傅里叶变换;/>为窗函数,/>为STFT间的跳跃点大小,/>表示滤波后的数据。
S3.30,定义修改后的短时傅里叶MSTFT为,对应的时域数据/>表示为。
S3.31,令修正数据的短时傅里叶变换与原始数据短时傅里叶变换间均方误差最小,即:
(17)。
S3.32,将公式(17)做Parseval变换:
(18)。
S3.33,获得原始数据与修正后时域数据间的关系为:
(19)。
S3.34,由公式(19)得出修正后的时域数据,在疲劳性能设计中,对结构疲劳寿命存在显著影响的力学特征量是载荷的峰谷值以及对应发生的频次,采用三峰谷雨流计数法对载荷数据进行循环计数,统计载荷峰值和峰谷特征量。
S3.35,根据正常数据的峰值最优分布结果和异常疲劳载荷数据,预测设备故障剩余寿命。
本发明具有如下有益效果:
本发明提出一种载人潜器故障寿命预测方法及系统,结合传感器、数据采集设备和故障诊断软件,实时监测载人潜器的运行状态和健康状况,提前预警潜在的故障风险。同时,预测系统还建立了故障数据库和知识库,积累载人潜器使用过程中的故障数据和经验,为故障分析和预测提供技术支持。
通过分析,载人潜器在执行任务过程中共有以下五个系统可能会发生性能退化,可对其进行寿命预测。
载人潜器的图像识别系统用于获取和分析水下环境的图像信息,帮助工作人员进行目标识别、环境感知等任务。对图像识别系统进行故障寿命预测可以帮助预测摄像头、图像处理软件等组件的寿命,确保潜器能够准确获取和处理水下图像信息。
载人潜器的推进系统是其在水下航行和操纵的关键系统,对推进系统进行故障寿命预测可以帮助预测推进器的性能衰减、传动系统的磨损情况等,确保潜器的操纵性能和航行安全。
载人潜器的导航定位系统是保证载人潜器在水下航行和定位的关键系统,包括惯性导航、声纳定位等技术。对导航定位系统进行故障寿命预测可以帮助预测导航定位设备的寿命、定位算法的性能衰减等,确保潜器在水下能够准确导航和定位。
载人潜器的浮力调整系统是保证载人潜器在深海环境下正常运行的关键系统。对浮力调整系统进行故障寿命预测可以帮助预测舱壁材料的疲劳寿命、密封件的老化情况等,确保载人潜器在高压环境下的安全性。
载人潜器的外压壳体系统是保护潜水员免受高压环境影响的重要部件,载人潜器外压壳体系统承受着水的压力和外界环境的影响,对外压壳体系统进行故障寿命预测可以帮助预测壳体材料的疲劳寿命、腐蚀情况等,确保潜器在高压环境下运行的安全。
综上所述,本发明提出的一种载人潜器故障寿命预测方法及系统对于保障载人潜器的可靠性和安全性具有重要意义,通过对其系统的故障寿命进行预测和监测,可以帮助提前发现潜在的故障风险,确保载人潜器在水下任务中能够稳定可靠地运行。提高载人潜器的运行效率和可靠性,为水下勘探、海洋科学、海底资源开发等领域的应用提供更好的支持。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了本发明一种载人潜器故障和寿命预测系统的结构图。
图2示出了本发明一种载人潜器故障和寿命预测系统原理图。
图3示出了本发明的载人潜器故障和寿命预测系统的软件结构图。
图4示出了本发明的步骤S3中的预测推进系统的寿命方法流程图。
其中,上述附图中的附图标记为:
1、摄像机;2、补光灯;3、腐蚀传感器;4、惯性导航系统;5、姿态传感器;6、振动传感器;7、噪声传感器;8、油液传感器;9、压力容器;10、应变传感器;11、温盐传感器;12、深度传感器;13、超声探伤仪。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示的一种载人潜器故障和寿命预测系统,包括:位于载人潜器外壳外部的摄像机1、补光灯2和多个腐蚀传感器3;位于载人潜器外壳内部的惯性导航系统4、姿态传感器5、振动传感器6、噪声传感器7、油液传感器8、压力容器9、应变传感器10、多个温盐传感器11、深度传感器12和超声探伤仪13;载人潜器外壳前部设置摄像机1和补光灯2;多个腐蚀传感器3设置于载人潜器外壳的上部和下部,用于监测外壳的腐蚀情况;压力容器9内部设有多个应变传感器10;摄像机1和补光灯2构成图像识别系统;振动传感器6、噪声传感器7和油液传感器8构成推进系统;惯性导航系统4、姿态传感器5和深度传感器12构成导航定位系统;超声探伤仪13、应变传感器10和温盐传感器11构成浮力调整系统;腐蚀传感器3、温盐传感器11和超声探伤仪13构成外压壳体系统;摄像机、油液传感器、噪声传感器、振动传感器、姿态传感器、惯性导航系统、深度传感器、温盐传感器、超声探伤仪、应变传感器和腐蚀传感器构成数据采集模块。
具体地,图像识别系统由摄像机1等设备组成,用于监测图像质量指标。其主要作用是捕获水下环境的图像和视频,并且可以监测图像质量指标。这些图像和视频数据可以用于水下环境的勘测、科学研究、资源调查以及海洋工程等领域。
推进系统,用于推动载人潜器前进、转向和保持稳定运动的系统。该系统包括油液传感器8、噪声传感器7、振动传感器6等组件。油液传感器8可以监测润滑油的消耗情况和油质的变化,从而判断传动装置的磨损程度。噪声传感器7可以检测推进器运行时产生的噪音水平,异常的噪音可能暗示着推进器的问题。振动传感器6可以监测传动装置的振动情况,异常的振动可能表明传动装置存在故障或磨损。通过监测油液消耗情况、推进器噪声情况、传动装置的振动情况来预测推进系统的性能退化及剩余寿命。
导航和定位系统包括惯性导航系统4、深度传感器12和姿态传感器5,用于监测传感器输出、校准状态和导航误差等。惯性导航系统4利用陀螺仪和加速度计等传感器来测量载人潜器的加速度和角速度,从而确定其位置和方向。深度传感器12用于测量载人潜器所处的深度,而姿态传感器5则用于测量载人潜器的姿态(例如俯仰、横摇和航向)。这些系统的数据可以被用来控制载人潜器的航行,执行预定的任务,以及避免碰撞障碍物。
浮力调整系统,用于控制载人潜器在水下的浮力,以保持其在水中的深度和姿态。通过改变压力容器9等装置的体积或压力,载人潜器可以实现在水中的上浮、下潜或保持特定深度的能力。该系统包括压力容器9、温盐传感器11、应变传感器10和超声探伤仪13。压力容器9在载人潜器中扮演着至关重要的角色,它通常用于存储气体或液体,并且必须能够承受水下环境中的高压。为了监测压力容器9的健康状况,可以使用温盐传感器11和应变传感器10。温盐传感器11用于监测水下环境的温度和盐度,这些因素可能会影响压力容器9的腐蚀情况。应变传感器10则可以安装在压力容器9的表面,用于监测容器壁的应力变化,从而及时发现任何可能的损伤或磨损。超声探伤仪13用于载人潜器停止工作时,对浮力调整系统内部设备进行超声波检测,确定系统内部的缺陷位置、大小和形状,所检测数据存入预测系统数据库中。通过这些传感器的数据,可以实时监测压力容器9的状态,预测潜在的问题,并采取必要的维护措施,以确保载人潜器的安全运行。
外压壳体系统,用于保护载人潜器内部的设备和系统免受水下高压和海水腐蚀的影响。为了监测外压壳体的完整性和腐蚀情况,可以使用腐蚀传感器3、深度传感器12、温盐传感器11和超声探伤仪13。腐蚀传感器3可以安装在外壳表面,用于监测外壳的腐蚀情况。深度传感器12可以测量载人潜器所处深度的压力,以检查外壳的结构完整性。温盐传感器11可以监测水下环境的温度和盐度,这些因素可能会影响外壳的腐蚀情况。超声探伤仪13用于载人潜器停止工作时,对外压壳体进行超声波检测,确定外压壳体内部的缺陷位置、大小和形状,所检测数据存入预测系统数据库中。通过这些传感器的数据,可以实时监测载人潜器外压壳体的状态,预测潜在的问题,并采取必要的维护措施,以确保载人潜器的安全运行。如果发现外壳的腐蚀情况严重,需要及时进行维护或更换,并采取必要的防护措施,以延长外壳的使用寿命。
本发明还提供一种载人潜器故障和寿命预测方法,具体包括如下步骤:
S1,利用载人潜器故障和寿命预测系统中的数据采集模块对载人潜器进行实时数据监测,并生成数据集。
S2,对生成的数据集进行预处理,判断数据是否出现异常。
S3,将异常数据输入寿命预测模块,生成设备剩余寿命及潜在故障的修复建议。
S4,根据修复建议,对各个系统的故障设备进行修复或更换。
具体地,步骤S2具体包括如下步骤:
S2.1,对收集到的数据进行预处理,包括数据清洗、数据分类、缺失值处理。
S2.2,利用统计学方法、机器学习算法对数据进行分析,判断数据是否出现异常。
S2.3,对于判断为异常的数据,进行特征提取,包括时间序列特征、频域特征和时域特征。
具体地,步骤S3中的寿命预测模块包括:图像识别系统寿命预测模块、推进系统寿命预测模块、导航定位系统寿命预测模块、浮力调整系统寿命预测模块和外压壳体系统寿命预测模块。
具体地,如图2所示,故障和寿命预测系统包括:数据采集模块,寿命预测模块和预测性维修管理模块。
其中,数据采集模块由各种传感器及仪器组成,采集各种传感器数据,存入预测系统数据库中。
长期在深海环境中运行的载人潜器会受到光照条件、机械冲击、水质等多种环境因素的影响,这可能会导致图像识别系统的性能下降和寿命缩短。通过检测摄像机1所获得的图像质量可以帮助载人潜器预测系统实时了解图像识别系统的运行状况。
载人潜器的长时间运行可能导致推进系统零部件磨损、推进器被海水腐蚀、传动装置疲劳断裂等问题,这些问题可能会对载人潜器正常执行任务造成巨大影响。通过监测振动指标、油液状态指标和传动装置的噪声指标等,可以预测推进系统的剩余寿命。振动传感器6监测到的振动指标可以用于监测推进系统内部零部件的磨损情况,油液传感器8监测到的油液状态指标可以反映润滑系统的健康状况,噪声传感器7监测到的传动装置的噪声指标可以提示传动装置是否存在异常。这些指标的变化可以帮助载人潜器预测系统预测推进系统的剩余寿命。
由于载人潜器运行工作周期长,其导航和定位系统中的惯性导航系统、罗盘等设备可能会出现性能退化,导致传感器读数异常、控制指令误差,从而影响载人潜器正常执行任务的导航定位功能。通过惯性导航系统4、姿态传感器5和深度传感器12监测传感器的输出数据和导航定位设备发出的位置和姿态信息误差可以帮助载人潜器控制中心预测导航与定位系统的剩余寿命。通过监测传感器的输出数据和导航定位设备的性能指标,可以实时了解导航与定位系统的运行状况。
载人潜器的浮力调整系统是确保载人潜器在水下能够保持平衡和深度控制的重要组成部分。经过多次深潜后,浮力调整系统可能会出现疲劳、腐蚀或变形等问题,导致结构退化。通过温盐传感器11、超声探伤仪13、应变传感器10等监测变形程度及疲劳腐蚀程度,可以帮助载人潜器的控制中心预测浮力调整系统的剩余寿命。应变传感器10得到的应力数据可以反映系统组件的变形程度,用于监测浮力调整系统各部件的受力情况,疲劳腐蚀程度的监测可以帮助了解系统的结构退化情况。
载人潜器在水中长期工作,其外压壳体会受到不同的水压力和海水腐蚀,这可能导致外压壳体的疲劳、腐蚀甚至损坏,严重影响载人潜器的正常运行和安全。通过腐蚀传感器3、温盐传感器11和超声探测仪监测外压壳体的结构完整性以及腐蚀疲劳程度可以帮助载人潜器控制中心预测外压壳体系统的剩余寿命。通过使用传感器监测外压壳体的结构完整性和腐蚀疲劳程度,可以实时了解外压壳体的状态。
寿命预测模块包括图像识别寿命预测模型、推进系统寿命预测模型、导航定位系统寿命预测模型、浮力调整系统寿命预测模型和外压壳体系统寿命预测模型。
图像识别寿命预测模型采用一种面向综合质量提升的水下图像增强集成融合模型;推进系统寿命预测模型采用基于注意力机制的CNN和LSTM结合的平行模型;导航定位系统寿命预测模型采用MPF与EKF相结合的滤波模型;浮力调整系统寿命预测模型采用多轴变幅疲劳寿命预测模型;外压壳体系统寿命预测模型采用基于疲劳载荷峰值特征量的故障预测模型。
进一步地,预测性维修管理模块包括当发现设备存在潜在故障,对应系统指示灯报警,将系统设备的剩余寿命和是否需要维修更换等信息显示在可视设备大屏上,控制中心人员根据报警信息发布维修更换指令给指定维修管理部门,具体包括:图像识别管理部门、推进管理部门、导航定位管理部门、浮力调整管理部门和外压壳体管理部门。
如图3所示,载人潜器故障寿命预测系统软件结构,包括寿命预测,故障预警,决策建议,历史数据,设备状态查询和数据更新六个模块。
寿命预测模块可以查看预测系统给出的修复意见,设备剩余寿命,寿命预测的置信度,寿命预测概率分布,潜在故障可能发生的时间,设备故障的影响范围。寿命预测的时间范围:预测结果会指出设备或系统可能发生故障的时间范围,帮助确定预期的故障发生时间。寿命预测的置信度:预测结果可能伴随着对预测结果的可信度评估,帮助用户对预测结果的可信程度进行判断。寿命预测的概率分布:有时预测结果会给出寿命预测的概率分布,例如概率密度函数或生存函数,以便更好地理解预测结果的不确定性。寿命预测的修复建议:预测结果可能会伴随着对可能的故障原因和维修建议,例如更换部件、进行预防性维护等。寿命预测的影响范围:预测结果可能会指出故障可能对设备、系统或生产过程造成的影响,帮助进行风险评估和应对措施的制定。
故障预警模块是根据指示灯颜色来判断对应系统是否出现故障。其中,红灯亮表示图像识别系统故障,包括摄像机1性能下降等故障;绿灯亮表示导航定位系统故障,包括惯性导航系统性能下降,潜器的位置和姿态控制出现较大误差等故障;黄灯亮表示推进系统故障,包括传动装置出现磨损,推进器性能下降等故障;蓝灯亮表示浮力调整系统故障,包括浮力容器出现腐蚀磨损,浮力容器所受应力过大导致变形等故障;紫灯亮表示外压壳体系统故障,包括外压壳体受海水腐蚀,破损等故障。
决策建议模块包括设备故障原因,建议更换的部件查询以及预防性维修建议。通过分析设备的故障现象、用户的报告以及设备的历史数据,可以确定设备故障的原因。一旦设备故障的原因被确定,建议更换的部件查询便可以给出相应的建议。这可以包括特定部件的型号、规格以及供应商信息。另外,通过分析设备的运行状况、使用信息以及维护历史,可以给出预防性维修建议,以确保设备的正常运行并最大限度地延长设备的使用寿命。
历史数据查询模块可以查询潜器的运行数据,包括设备或系统的运行时间、负载情况、工作状态等信息,这些数据可以帮助分析设备的使用情况和工作环境;环境数据,记录设备所处的环境信息,例如温度、湿度、粉尘浓度等环境参数,这些数据可以帮助分析环境对设备寿命的影响;维修记录,记录设备的维修历史,包括维修时间、维修内容、更换的零部件等,这些数据可以帮助分析设备的故障模式和寿命特征;传感器数据,该系统配备了多种传感器,可以收集传感器数据,例如温度、压力、振动等数据,这些数据可以帮助分析设备的工作状态和健康状况;设备故障报告,包括故障发生时间、故障类型、故障原因等,这些数据可以帮助分析设备的故障模式和频率。
设备状态查询模块,输入设备名称即可得到设备目前所处状态,包括故障状态,设备出现了故障或异常,无法正常工作;就绪状态,设备已经完成初始化或准备工作,可以随时开始工作;停机状态,设备已经停止工作,处于关闭状态;维护状态,设备正在进行例行维护或修理,处于停机状态;保护状态,设备处于保护模式,通常是为了避免损坏设备而采取的自我保护措施;离线状态,设备已经从网络或系统中断开,无法进行正常通信或工作;待机状态,设备处于待机模式,暂时停止工作,但处于可工作状态;运行状态,设备正在正常运行,没有出现异常或故障。
数据更新模块,包括数据修改,现有的数据记录被修改,例如更正了某个观测数据、修改了设备状态等;数据补充,在现有数据的基础上进行补充,可能是通过其他渠道获取的数据,或者是通过数据清洗、整合等方式得到的补充信息;数据删除,某些数据记录被删除,可能是因为其已经过期、无效或重复,需要从数据库中清除;数据同步,不同数据源之间的数据进行同步更新,确保它们保持一致性和实时性。
具体地,步骤S3中的图像识别系统寿命预测模块用于预测图像识别系统的寿命,首先预训练模型,提取原始图像特征,存入初始特征序列;提取所收集图像的特征,存入待识别图像特征序列,通过比较所收集到的图像与原始图像的特征序列,进行图像质量检测,若超过阈值,则需维修更换;未超出阈值,即图像增强操作后可被采纳的图像则进行小波分解,PCA融合,小波重构,得到增强图像,更新初始图像的图像特征序列。通过系统对图像的分析对比,可得该系统的剩余寿命。具体包括如下步骤:
S3.1,输入原始图像数据和待识别图像数据/>。
S3.2,将原始图像数据和待识别图像数据/>分别进行带色彩恢复的多尺度视网膜增强算法MSRCR和水下图像处理算法Sea Thru颜色修正处理,利用无损数据压缩算法UDCP去模糊度,利用限制对比度自适应直方图均衡算法CLAHE增强对比度,得到原始图像数据的增强图像/>,/>,/>,/>;和待识别图像数据的增强图像/>,,/>和/>。
S3.3,通过对比待识别图像和初始图像的分辨率特征,进行图像质量检测,若超过阈值则输出维修指令,未超出阈值,则执行步骤S3.4。
S3.4,对待识别图像数据的增强图像进行小波分解,根据小波分解公式获得多分辨率分解图,/>,/>和/>,包含高频、低频子图像,即 (1);
式中,,/>和/>为镜像滤波算子,下标和分别表示对矩阵的行操作和列操作,在/>尺度分解下,每一层都包含一个低频分量/>和3个高频分量/>,/>和/>。
S3.5,采用主成分分析法PCA将小波分解后的高低频进行融合,获得低频子图像的融合图像的具体步骤为:
S3.5.1,将低频子图像,/>,/>和/>当作一维向量,构造数据矩阵/>。
S3.5.2,计算数据矩阵的协方差矩阵/>,/>为/>的分量/>和/>的协方差,计算公式为/>,式中/>为第/>幅低频子图像的平均灰度值。
S3.5.3,计算协方差矩阵的特征值/>及特征向量/>,其中/>。
S3.5.4,确定加权系数。
S3.5.5,执行逆主分量变换得到低频子图像的融合图像;根据步骤S3.5.1~ S3.5.5获得高频子图像的融合图像,/>和/>。
S3.6,将融合图像的多分辨率分解图通过小波重构算法形成增强后的图像/>:
(2);
其中,,/>和/>分别为/>和/>的共轭转置矩阵;将增强后的图像重新输入原始图像数据,更新数据库。
具体地,如图4所示,步骤S3中的推进系统寿命预测模块用于预测推进系统的寿命,推进系统寿命预测模型采用基于注意力机制的CNN和LSTM结合的平行模型(CALAP)。CALAP通过CNN模型提取数据的空间特征,使用LSTM模型提取数据的时间特征。两种模型并行组合。CNN中的卷积层可以对高维输入数据进行降维处理,并具有自动提取有效特征的优点。池化层对每个维度的数据进行采样,可以进一步减小数据规模,提高网络的泛化能力。LSTM可以学习时间序列数据中的长期依赖关系,充分利用传感器信号时间序列的特性。同时,在CNN模型中嵌入CBAM,在LSTM模型中嵌入注意机制,使网络能够专注于数据中的关键特征,给予重要特征更大的权重,弥补人工特征提取带来的不足。
包括如下步骤:
S3.7,输入推进系统传感器所获取的指标数据,包括:油液消耗量,噪声数据和振动数据。
S3.8,将收集到的指标数据传入CNN模型和LSTM模型中进行训练。
S3.9,通过CNN模型提取指标数据的空间特征,指标数据依次经过第一卷积层CNN1、第二卷积层CNN2、CBAM层和两个线性层后输出;其中第一卷积层和第二卷积层包括滤波器和最大池化层。
1)通过CNN模型提取数据的空间特征,每个CNN层使用ReLU激活函数进行激活,使用一维最大池化进行池化。
2)CNN1层有一个大小为2的过滤器×1,卷积产生的通道数为64,最大池化层有一个大小为2的过滤器×1。
3)CNN2的滤波器大小和最大池化层滤波器与CNN1层相同,但卷积产生的通道数为128个。
4)在两个卷积层之后,输入到CBAM层,让卷积网络专注于重要的空间特征。CBAM层包含两个连续的子模块,即通道注意模块(CAM)和空间注意模块(SAM)。
通道注意模块(CAM)算法步骤如下:
通道注意模块(CAM),输入特征映射并行通过MaxPool层和AvgPool层,大小从128×H×W变化到128×1×1;
②在Shared MLP模块中,首先将通道数减少到原来的1/r次(r表示减少比);
③进行一次ReLU激活,然后恢复到原来的通道数;
④将这两个结果相加到对应的单元中,用s型线激活得到CAM的输出结果,计算公式为:
。
空间注意模块(SAM)算法步骤如下:
①将CAM的输出结果与源数据相乘,恢复为128×H×W大小,结果为调用信道精化特征;
②通道细化特征通过MaxPool和AvgPool获得两个1×H×W的特征映射,然后通过卷积层进行连接和卷积;
③通过s型函数得到SAM的输出结果,计算公式为
。
5)通过两个线性层得到CNN模型的输出。
S3.10,使用LSTM模型提取数据的时间特征,首先对输入数据进行预处理,将数据馈送到隐藏层大小为50、层数为1的LSTM层。
S3.11,构建LSTM模型,LSTM模型由多个LSTM层堆叠而成,每个LSTM层都包含多个LSTM单元,LSTM单元表示为:
;/>
;
;
;
;
;
其中,为遗忘门;/>为时间步长t时的输入;/>为上一个时间步的隐藏状态;/>为遗忘门的权值;/>为遗忘门的偏置;/>为输入门;/>为输入门的权值;/>为输入门的偏置;/>为候选单元状态;/>为候选单元状态的权值;/>为候选单元状态的偏置;/>为当前时间步的单元状态;/>为上一个时间步的单元状态;/>为输出门;/>为输出门的权值;/>为输出门的偏置;/>为当前时间步的隐藏状态;/>和/>分别为sigmoid函数和tanh函数。
S3.12,将LSTM网络的输出输入到注意机制层,LSTM网络对一个样本学习到的特征表示为,引入自注意机制,/>的不同时间步长t的注意权值表示为:
(3);
其中,和/>分别为权矩阵和偏置向量,/>为激活函数。
S3.13,通过两个线性层和一个Dropout层得到LSTM模型的输出。
S3.14,对CNN模型和LSTM模型输出的结果进行加权平均融合。
S3.15,使用融合后的预测数据作为因变量,原始数据作为自变量,进行回归分析。回归分析的目标是找到一个最适合数据的模型,将自变量与融合后的预测结果关联起来,以便具体预测未知的数据。
S3.16,使用评分函数和均方根误差RMSE来输出系统的剩余寿命:
评分函数表示为:
(5);
其中,是计算出来的分数,N是测试数据中引擎的个数,;/>代表估计值,代表真实值,/>代表估计值与真实值的差值。
的计算公式如下:
(6)。
具体地,导航定位系统寿命预测模型采用MPF与EKF相结合的滤波方法,使用EKF进行状态估计,得到状态的均值和协方差;然后,利用MPF对EKF得到的状态分布进行修正,以更好地逼近真实的后验概率分布;根据系统的动态特性和观测数据的更新,不断迭代地使用EKF和MPF进行状态估计,以获得更准确的状态估计结果。步骤S3中的导航定位系统寿命预测模块用于预测导航定位系统的寿命,具体包括如下步骤:
S3.17, 利用导航定位系统中的传感器采集数据。
S3.18,利用模型预测MPF和扩展卡尔曼EKF算法进行位置和姿态信息的误差估计,令采样时间间隔为,将非线性系统方程进行离散化处理:
(7);
由时刻系统的状态估值/>计算系统的输出估值/>;/>为连续可微的非线性函数;/>为状态变量;为模型误差向量;/>为模型误差分布矩阵;/>为量测向量;/>为量测噪声向量,并且假定为零均值的高斯白噪声,协方差为/>。
S3.19,对输出估值进行连续微分,取最小时间间隔/>,将的第i个分量近似展开成/>阶泰勒级数,并忽略高阶项,得到/>
(8)。
S3.20,定义k阶李导数:
(9)。
由于d(t)的任何分量第一次出现在的微分中的最低阶数为/>,因此当微分阶数低于/>时,/>,从而根据李导数定义,公式(8)写为:
(10)。
S3.21,分别求出时的/>如公式(10)所示的泰勒展开式,合写成矩阵形式,得到/>,其中,为对角阵,对角元素为/>,q维列向量为/>,灵敏度矩阵为;
(11);
(12);
(13);
其中,,标量函数/>关于向量场/>的一阶李导数记为/>,表达式为/>。
S3.22,定义性能指标函数,性能指标函数为由量测输出与预测输出间残差的加权平方和以及模型修正项的加权平方和组成:
(14);
其中,为模型误差加权矩阵,取对角阵。
S3.23,假定时间间隔为常值,则;为了使性能指标函数最小,需满足条件/>,由此可估计/>时间区间内的模型误差/>。
(15)。
S3.24,计算状态的一步转移矩阵:
(16)。
S3.25,设计EKF标准滤波流程,用步骤S3.22计算出的模型误差来修正EKF的状态一步预测值。
S3.26,对比预测值与真实的姿态的位置和速度信息的误差,超出阈值即需维修更换部件,未超出阈值通过龙贝格算法外推输出剩余寿命。
具体地,浮力调整系统寿命预测模型采用多轴变幅疲劳寿命预测模型。首先定义多轴随机疲劳载荷的权值平均最大剪应变平面为临界面,然后对临界面上剪应变历程和正应变历程进行多轴载荷压缩处理和多轴循环计数,得到剪应变和正应变的循环计数结果。步骤S3中的浮力调整系统寿命预测模块用于预测浮力调整系统的寿命,具体包括如下步骤:
S3.27,输入通过浮力调整系统的传感器监测得到的指标数据。
S3.28,计算压力容器平面上的最大正应力:
(17);
其中,为名义正应力幅值,/>为平面上正应力的方差。/>
S3.29,使用最大方差法(MVM)来确定临界面位置,最大方差法是将求解临界面的问题转化为优化问题。由于优化问题的限制,有时会得到局部最优解,导致计算临界面错误;此外,对于多个全局最优解,还需要从中筛选出符合条件的临界面方向,即具有最大正应力并经历最大剪应力方差的平面为临界面,使用最大方差MVM来确定临界面位置;修正的MVM不仅考虑平面上的最大剪应力幅值方差还考虑了平面上的最大正应力方差。
S3.30,公式(17)中求出若干个全局最优解,即:多个潜在的临界面,计算压力浮体平面上的最大正应力,具有最大正应力的全局最优解为临界面方向;利用共轭梯度法,来计算双轴拉扭疲劳载荷下的临界面;
S3.31,剪应力是疲劳裂纹产生的驱动力,故将分切剪应力作为主计数通道,正应力作为辅计数通道;
S3.32,对剪应力进行雨流循环计数:
对于多轴变幅载荷历史应力和应变/>,计算整个载荷历史的Mises等效应变/>。
确定等效应变的最大值/>,并计算相对等效应变历程/>,相对等效应变的定义如公式(18)所示;
(18);
记录相对等效应变从零到最大值所对应的加载历程并将起点和终点做为一个载荷循环。
对其余等效应变历史应力和应变重复雨流循环计数步骤,并记录所有载荷循环。
S3.33,记录循环中最大正应力。
S3.34,Susmel损伤参量计算每个循环的损伤。
S3.35,利用线性疲劳损伤累积理论,计算疲劳损伤。
其中,为临界疲劳损伤,/>为循环次数,/>为循环破坏的寿命。
S3.36,对比零件疲劳损伤阈值,超过阈值则需维修更换,未超出阈值则通过龙贝格算法外推输出剩余寿命。
具体地,外压壳体系统寿命预测模型采用基于疲劳载荷峰值特征量的故障预测模型,对实测随机载荷序列,首先进行载荷数据预处理,以载荷的均方根值RMS(Root MeanSquare)作为载荷对应工况的划分指标,对疲劳载荷数据进行工况划分,然后采用短时傅里叶变换方法进行滤波处理,采用雨流计数法提取原始载荷数据中的疲劳峰值特征量,并对峰值特征量建立概率分布模型。步骤S3中的外压壳体系统寿命预测模块用于预测外压壳体系统的寿命,具体包括如下步骤:
S3.37,输入外压壳体系统传感器收集到的指标数据。
S3.38,由于收集到的疲劳载荷数据中含有许多“毛刺”,利用短时傅里叶变换STFT对原始数据进行滤波处理;
(19);
其中:为复指数函数,/>为角频率;滤波前的数据,其中/>为时间序列;/>表示对变量n的傅里叶变换;/>为窗函数,/>为STFT间的跳跃点大小,/>表示滤波后的数据。
S3.39,定义修改后的短时傅里叶MSTFT为,对应的时域数据/>表示为/>。
S3.40,令修正数据的短时傅里叶变换与原始数据短时傅里叶变换间均方误差最小,即: (20)。
S3.41,将公式(20)做Parseval变换: (21)。
S3.42,获得原始数据与修正后时域数据间的关系为: (22)。
S3.43,由公式(22)得出修正后的时域数据,在疲劳性能设计中,对结构疲劳寿命存在显著影响的力学特征量是载荷的峰谷值以及对应发生的频次,采用三峰谷雨流计数法对载荷数据进行循环计数,统计载荷峰值和峰谷特征量。
S3.44,采用高斯分布和对数正态分布对载荷特征量进行分布拟合,利用最小二乘法获取概率分布模型的最优参数,并采用拟合优度指标对最小二乘拟合结果做出科学评判。
S3.45,为了对拟合优劣程度做出科学判断,对峰值累积概率与分布函数的理论累积概率绘制P-P图,对比数据的高斯分布与对数正态分布拟合直方图与P-P图以及拟合优度指标,可得出最优的对系统采集数据进行的概率分布描述。
S3.46,对正常数据与异常数据按照步骤S3.37-S3.45描述的疲劳载荷特征量分布统计的方法,获取实测疲劳载荷数据峰值特征量的最优概率分布模型,建立不同疲劳载荷峰值大小的最优概率分布,识别异常疲劳载荷数据。
S3.47,对正常数据的疲劳峰值特征量按照每10s的时间顺序进行数据累加,统计正常数据的峰值最优分布结果。
S3.48,根据正常数据的峰值最优分布结果和异常疲劳载荷数据,预测设备故障剩余寿命。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (3)
1.一种载人潜器故障和寿命预测方法,其特征在于,具体包括如下步骤:
S1,利用载人潜器故障和寿命预测系统中的数据采集模块对载人潜器进行实时数据监测,并生成数据集;
S2,对生成的数据集进行预处理,判断数据是否出现异常;
S3,将异常数据输入寿命预测模块,生成设备剩余寿命及潜在故障的修复建议;
S4,根据修复建议,对各个系统的故障设备进行修复或更换;
步骤S3中的寿命预测模块包括:图像识别系统寿命预测模块、推进系统寿命预测模块、导航定位系统寿命预测模块、浮力调整系统寿命预测模块和外压壳体系统寿命预测模块;
步骤S3中的图像识别系统寿命预测模块用于预测图像识别系统的寿命,具体包括如下步骤:
S3.1,输入原始图像数据 和待识别图像数据/>;
S3.2,将原始图像数据和待识别图像数据/>分别进行带色彩恢复的多尺度视网膜增强算法MSRCR和水下图像处理算法Sea Thru颜色修正处理,利用无损数据压缩算法UDCP去模糊度,利用限制对比度自适应直方图均衡算法CLAHE增强对比度,得到原始图像数据的增强图像/>,/>,/>,/>;和待识别图像数据的增强图像/>,/>,/>和/>;
S3.3,通过对比待识别图像和初始图像的分辨率特征,进行图像质量检测,若超过阈值则输出维修指令,未超出阈值,则执行步骤S3.4;
S3.4,对待识别图像数据的增强图像进行小波分解,根据小波分解公式获得多分辨率分解图,/>,/>和/>,包含高频、低频子图像,即
(1);
式中,,/>和/>为镜像滤波算子,下标/>和/>分别表示对矩阵的行操作和列操作,在/>尺度分解下,每一层都包含一个低频分量/>和3个高频分量,/>和/>;
S3.5,采用主成分分析法PCA将小波分解后的高低频进行融合,获得低频子图像的融合图像;
S3.6,将融合图像的多分辨率分解图通过小波重构算法形成增强后的图像/>:
(2);
其中,,/>和/>分别为/>和/>的共轭转置矩阵;将增强后的图像重新输入原始图像数据,更新数据库;
步骤S3中的推进系统寿命预测模块用于预测推进系统的寿命,包括如下步骤:
S3.7,输入推进系统传感器所获取的指标数据,包括:油液消耗量,噪声数据和振动数据;
S3.8,将收集到的指标数据传入CNN模型和LSTM模型中进行训练;
S3.9,通过CNN模型提取指标数据的空间特征,指标数据依次经过第一卷积层CNN1、第二卷积层CNN2、CBAM层和两个线性层后输出;其中第一卷积层和第二卷积层包括滤波器和最大池化层;
S3.10,使用LSTM模型提取数据的时间特征,首先对输入数据进行预处理,将数据馈送到隐藏层大小为50、层数为1的LSTM层;
S3.11,对CNN模型和LSTM模型输出的结果进行加权平均融合;
S3.12,使用评分函数和均方根误差RMSE来输出系统的剩余寿命:
评分函数表示为:
(3);
其中,是计算出来的分数,N是测试数据中引擎的个数,;/>代表估计值,/>代表真实值,代表估计值与真实值的差值;
的计算公式如下:
(4);
步骤S3中的导航定位系统寿命预测模块用于预测导航定位系统的寿命,具体包括如下步骤:
S3.13, 利用导航定位系统中的传感器采集数据;
S3.14,令采样时间间隔为,将非线性系统方程进行离散化处理:
(5);
由时刻系统的状态估值/>计算系统的输出估值;/>为连续可微的非线性函数;/>为状态变量;/>为模型误差向量;/>为模型误差分布矩阵;/>为量测向量;/>为量测噪声向量,并且假定为零均值的高斯白噪声,协方差为/>;
S3.15,对输出估值进行连续微分,取最小时间间隔/>,将/>的第i个分量近似展开成/>阶泰勒级数,并忽略高阶项,得到
(6);
S3.16,定义k阶李导数 (7);
根据李导数定义,公式(8)写为:
(8);
步骤S3中的导航定位系统寿命预测模块用于预测导航定位系统的寿命,还包括如下步骤:
S3.17,分别求出时的/>如公式(8)所示的泰勒展开式,合写成矩阵形式,得到/>,其中,/>为对角阵,对角元素为/>,q维列向量为/>,灵敏度矩阵为/>;
(9);
(10);
(11);
其中,,标量函数/>关于向量场/>的一阶李导数记为,表达式为/>;
S3.18,定义性能指标函数:
(12);
其中,为模型误差加权矩阵,取对角阵;
S3.19,计算状态的一步转移矩阵:
(13);
S3.20,设计EKF标准滤波流程,用步骤S3.22计算出的模型误差来修正EKF的状态一步预测值;
S3.21,对比预测值与真实的姿态的位置和速度信息的误差,超出阈值即需维修更换部件,未超出阈值通过龙贝格算法外推输出剩余寿命;
步骤S3中的浮力调整系统寿命预测模块用于预测浮力调整系统的寿命,具体包括如下步骤:
S3.22,输入通过浮力调整系统的传感器监测得到的指标数据;
S3.23,计算压力容器平面上的最大正应力:
(14);
其中,为名义正应力幅值,/>为平面上正应力的方差;
S3.24,对剪应力进行雨流循环计数:
对于多轴变幅载荷历史应力和应变/>,计算整个载荷历史的Mises等效应变;
确定等效应变的最大值/>,并计算相对等效应变历程/>,相对等效应变的定义如公式(15)所示;
(15);
记录相对等效应变从零到最大值所对应的加载历程并将起点和终点做为一个载荷循环;
对其余等效应变历史应力和应变重复雨流循环计数步骤,并记录所有载荷循环;
S3.25,记录循环中最大正应力;
S3.26,利用线性疲劳损伤累积理论,计算疲劳损伤;
其中,为临界疲劳损伤,/>为循环次数,/>为循环破坏的寿命;
S3.27,对比零件疲劳损伤阈值,超过阈值则需维修更换,未超出阈值则通过龙贝格算法外推输出剩余寿命;
步骤S3中的外压壳体系统寿命预测模块用于预测外压壳体系统的寿命,具体包括如下步骤:
S3.28,输入外压壳体系统传感器收集到的指标数据;
S3.29,由于收集到的疲劳载荷数据中含有许多“毛刺”,利用短时傅里叶变换STFT对原始数据进行滤波处理;
(16);
其中:为复指数函数,/>为角频率;滤波前的数据/>,其中/>为时间序列;/>表示对变量n的傅里叶变换;/>为窗函数,/>为STFT间的跳跃点大小,/>表示滤波后的数据;
S3.30,定义修改后的短时傅里叶MSTFT为,对应的时域数据/>表示为;
S3.31,令修正数据的短时傅里叶变换与原始数据短时傅里叶变换间均方误差最小,即:
(17);
S3.32,将公式(17)做Parseval变换:
(18);
S3.33,获得原始数据与修正后时域数据间的关系为:
(19);
S3.34,由公式(19)得出修正后的时域数据,在疲劳性能设计中,对结构疲劳寿命存在显著影响的力学特征量是载荷的峰谷值以及对应发生的频次,采用三峰谷雨流计数法对载荷数据进行循环计数,统计载荷峰值和峰谷特征量;
S3.35,根据正常数据的峰值最优分布结果和异常疲劳载荷数据,预测设备故障剩余寿命。
2.根据权利要求1所述的一种载人潜器故障和寿命预测方法,其特征在于,步骤S2具体包括如下步骤:
S2.1,对收集到的数据进行预处理,包括数据清洗、数据分类、缺失值处理;
S2.2,利用统计学方法、机器学习算法对数据进行分析,判断数据是否出现异常;
S2.3,对于判断为异常的数据,进行特征提取,包括时间序列特征、频域特征和时域特征。
3.一种载人潜器故障和寿命预测系统,利用权利要求1-2中任意一项所述的载人潜器故障和寿命预测方法进行寿命预测,其特征在于,包括:
位于所述载人潜器外壳外部的摄像机、补光灯和多个腐蚀传感器;
位于所述载人潜器外壳内部的惯性导航系统、姿态传感器、振动传感器、噪声传感器、油液传感器、压力容器、应变传感器、多个温盐传感器、深度传感器和超声探伤仪;
所述载人潜器外壳前部设置所述摄像机和所述补光灯;
所述多个腐蚀传感器设置于所述载人潜器外壳的上部和下部,用于监测外壳的腐蚀情况;
所述压力容器内部设有多个应变传感器;
所述摄像机和所述补光灯构成图像识别系统;所述振动传感器、所述噪声传感器和所述油液传感器构成推进系统;所述惯性导航系统、所述姿态传感器和深度传感器构成导航定位系统;所述超声探伤仪、所述应变传感器和所述温盐传感器构成浮力调整系统;所述腐蚀传感器、所述温盐传感器和所述超声探伤仪构成外压壳体系统;
所述摄像机、所述油液传感器、所述噪声传感器、所述振动传感器、所述姿态传感器、所述惯性导航系统、所述深度传感器、所述温盐传感器、所述超声探伤仪、所述应变传感器和所述腐蚀传感器构成数据采集模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410165966.4A CN117710759B (zh) | 2024-02-06 | 2024-02-06 | 一种载人潜器故障和寿命预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410165966.4A CN117710759B (zh) | 2024-02-06 | 2024-02-06 | 一种载人潜器故障和寿命预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710759A CN117710759A (zh) | 2024-03-15 |
CN117710759B true CN117710759B (zh) | 2024-04-26 |
Family
ID=90157393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410165966.4A Active CN117710759B (zh) | 2024-02-06 | 2024-02-06 | 一种载人潜器故障和寿命预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710759B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1929530A (zh) * | 2005-09-09 | 2007-03-14 | 株式会社理光 | 图像质量预测方法和设备以及故障诊断系统 |
JP2015006650A (ja) * | 2013-06-26 | 2015-01-15 | 須知 晃一 | システム構成構造細胞複合諸物体の製造方法と構成材料 |
CN105737876A (zh) * | 2014-12-08 | 2016-07-06 | 哈尔滨米米米业科技有限公司 | 水下自主潜器传感器状态诊断与信号恢复系统 |
CN107172421A (zh) * | 2017-07-17 | 2017-09-15 | 深圳森阳环保材料科技有限公司 | 一种用于视频监控的图像质量诊断系统 |
CN207924514U (zh) * | 2018-01-30 | 2018-09-28 | 山东科技大学 | 一种新型水下自主机器人 |
CN109062230A (zh) * | 2018-08-06 | 2018-12-21 | 江苏科技大学 | 水下辅助采油机器人控制系统及动力定位方法 |
CN109765917A (zh) * | 2018-12-28 | 2019-05-17 | 杭州电子科技大学 | 一种基于树莓派的小型自主式水下潜航器 |
KR20210034849A (ko) * | 2019-09-23 | 2021-03-31 | 대우조선해양 주식회사 | 잠수함 압력선체의 잔여수명 예측 방법 |
CN113158348A (zh) * | 2021-05-21 | 2021-07-23 | 上海交通大学 | 基于深度学习耦合建模的飞机发动机剩余寿命预测方法 |
CN114194365A (zh) * | 2021-11-24 | 2022-03-18 | 杭州电子科技大学 | 一种可沉底作业的海缆巡检auv及其沉底作业方法 |
CN114861827A (zh) * | 2022-05-27 | 2022-08-05 | 太原理工大学 | 基于多源数据融合的采煤机预测诊断与健康管理方法 |
CN115659812A (zh) * | 2022-10-29 | 2023-01-31 | 思维实创(哈尔滨)科技有限公司 | 基于城轨iscs的电扶梯寿命预测方法、系统、设备及介质 |
CN116186609A (zh) * | 2023-03-08 | 2023-05-30 | 山东大学 | 一种基于lstm的载人潜水器传感器故障数据增强方法 |
CN116386832A (zh) * | 2023-06-01 | 2023-07-04 | 武汉一刻钟医疗科技有限公司 | 一种基于人工智能的医疗设备监测分析管理云系统 |
CN116588282A (zh) * | 2023-07-17 | 2023-08-15 | 青岛哈尔滨工程大学创新发展中心 | 一种auv智能运维系统及方法 |
CN116643517A (zh) * | 2023-05-17 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种水下载人潜器预防事故设备 |
CN116680639A (zh) * | 2023-06-13 | 2023-09-01 | 山东大学 | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 |
CN116882978A (zh) * | 2023-08-01 | 2023-10-13 | 中国船舶科学研究中心 | 一种基于产品信息框架的深海潜水器运维保障平台 |
CN117074965A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市神通天下科技有限公司 | 一种锂离子电池剩余寿命预测方法及系统 |
CN117214591A (zh) * | 2023-11-09 | 2023-12-12 | 青岛哈尔滨工程大学创新发展中心 | 一种用于深潜器推进器的故障诊断系统及方法 |
CN117275701A (zh) * | 2023-11-21 | 2023-12-22 | 拓庄医疗科技有限公司 | 基于人工智能的ct设备故障诊断数据分析系统及方法 |
-
2024
- 2024-02-06 CN CN202410165966.4A patent/CN117710759B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1929530A (zh) * | 2005-09-09 | 2007-03-14 | 株式会社理光 | 图像质量预测方法和设备以及故障诊断系统 |
JP2015006650A (ja) * | 2013-06-26 | 2015-01-15 | 須知 晃一 | システム構成構造細胞複合諸物体の製造方法と構成材料 |
CN105737876A (zh) * | 2014-12-08 | 2016-07-06 | 哈尔滨米米米业科技有限公司 | 水下自主潜器传感器状态诊断与信号恢复系统 |
CN107172421A (zh) * | 2017-07-17 | 2017-09-15 | 深圳森阳环保材料科技有限公司 | 一种用于视频监控的图像质量诊断系统 |
CN207924514U (zh) * | 2018-01-30 | 2018-09-28 | 山东科技大学 | 一种新型水下自主机器人 |
CN109062230A (zh) * | 2018-08-06 | 2018-12-21 | 江苏科技大学 | 水下辅助采油机器人控制系统及动力定位方法 |
CN109765917A (zh) * | 2018-12-28 | 2019-05-17 | 杭州电子科技大学 | 一种基于树莓派的小型自主式水下潜航器 |
KR20210034849A (ko) * | 2019-09-23 | 2021-03-31 | 대우조선해양 주식회사 | 잠수함 압력선체의 잔여수명 예측 방법 |
CN113158348A (zh) * | 2021-05-21 | 2021-07-23 | 上海交通大学 | 基于深度学习耦合建模的飞机发动机剩余寿命预测方法 |
CN114194365A (zh) * | 2021-11-24 | 2022-03-18 | 杭州电子科技大学 | 一种可沉底作业的海缆巡检auv及其沉底作业方法 |
CN114861827A (zh) * | 2022-05-27 | 2022-08-05 | 太原理工大学 | 基于多源数据融合的采煤机预测诊断与健康管理方法 |
CN115659812A (zh) * | 2022-10-29 | 2023-01-31 | 思维实创(哈尔滨)科技有限公司 | 基于城轨iscs的电扶梯寿命预测方法、系统、设备及介质 |
CN116186609A (zh) * | 2023-03-08 | 2023-05-30 | 山东大学 | 一种基于lstm的载人潜水器传感器故障数据增强方法 |
CN116643517A (zh) * | 2023-05-17 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种水下载人潜器预防事故设备 |
CN116386832A (zh) * | 2023-06-01 | 2023-07-04 | 武汉一刻钟医疗科技有限公司 | 一种基于人工智能的医疗设备监测分析管理云系统 |
CN116680639A (zh) * | 2023-06-13 | 2023-09-01 | 山东大学 | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 |
CN116588282A (zh) * | 2023-07-17 | 2023-08-15 | 青岛哈尔滨工程大学创新发展中心 | 一种auv智能运维系统及方法 |
CN116882978A (zh) * | 2023-08-01 | 2023-10-13 | 中国船舶科学研究中心 | 一种基于产品信息框架的深海潜水器运维保障平台 |
CN117074965A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市神通天下科技有限公司 | 一种锂离子电池剩余寿命预测方法及系统 |
CN117214591A (zh) * | 2023-11-09 | 2023-12-12 | 青岛哈尔滨工程大学创新发展中心 | 一种用于深潜器推进器的故障诊断系统及方法 |
CN117275701A (zh) * | 2023-11-21 | 2023-12-22 | 拓庄医疗科技有限公司 | 基于人工智能的ct设备故障诊断数据分析系统及方法 |
Non-Patent Citations (2)
Title |
---|
Design of Detection and Assessment System for Electric Vehicle Charging Station Based on Genetic Algorithm;Qingtian Li;《Qingtian Li》;20240101;455-459 * |
深海载人潜水器推进器系统故障诊断的新型主元分析算法;程学龙;《控制理论与应用》;20190404;第35卷(第12期);1796-1804 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710759A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Byington et al. | Data-driven neural network methodology to remaining life predictions for aircraft actuator components | |
KR20190089004A (ko) | 엔진 건전성 진단 장치 및 방법 | |
CN116643517B (zh) | 一种水下载人潜器预防事故设备 | |
Benkedjouh et al. | Fault prognostic of bearings by using support vector data description | |
CN113033011B (zh) | 一种船舶机械健康状态评估方法及系统 | |
NO20101425L (no) | System og fremgangsmate for tilstandsvurdering av nedihullsverktoy | |
KR102383139B1 (ko) | 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법 | |
KR102216306B1 (ko) | 인공신경망을 이용한 선박 피로수명 예측 시스템 및 방법 | |
CN105823503B (zh) | 基于改进灰色预测gm(1,1)模型自主水下航行器传感器故障诊断方法 | |
EP3866132A1 (en) | Power plant early warning device and method employing multiple prediction model | |
CN111753603A (zh) | 一种应急发电机组edg故障诊断系统 | |
KR101711606B1 (ko) | 유사도 기반 해양 구조물 손상 추정 방법 | |
CN113847950A (zh) | 基于云计算的智能船舶设备状态监测系统及信息交互方法 | |
CN116662743A (zh) | 一种基于多模态深度学习的发动机剩余寿命预测方法 | |
CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
Chang | Design of integrated SHM system for commercial aircraft applications | |
CN117710759B (zh) | 一种载人潜器故障和寿命预测系统及方法 | |
CN116662920B (zh) | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 | |
CN105737876A (zh) | 水下自主潜器传感器状态诊断与信号恢复系统 | |
CN113984114B (zh) | 一种海洋浮式平台水下结构异常诊断方法 | |
CN112231849B (zh) | 基于nest和sprt融合算法的轴温故障检测方法 | |
Morgan et al. | Predicting future states with $ n $-dimensional Markov chains for fault diagnosis | |
CN113837213A (zh) | 一种基于贝叶斯的深潜器多变量融合及漏水检测方法 | |
Scordamaglia et al. | A data-driven algorithm for detecting anomalies in underwater sensor-based wave height measurements | |
Colace et al. | Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview |
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 |