CN117725513B - 一种auv推进器实时可靠性评估系统及方法 - Google Patents

Abstract

本发明提供了一种AUV推进器实时可靠性评估系统及方法，属于AUV推进器技术领域，系统包括：AUV推进器系统、AUV推进器信息监测系统、AUV推进器可靠性评估系统和母船实时可靠性评估系统；AUV推进器信息监测系统采集AUV推进器系统的运行数据，并将数据上传至AUV推进器可靠性评估系统，经AUV推进器可靠性评估系统生成初步的故障诊断及可靠性评估报告后，通过AUV推进器可靠性评估系统中的通信模块将故障诊断及可靠性评估报告发送至母船实时可靠性评估系统。本发明的技术方案克服现有技术中不能对AUV推进器进行可靠性评估的问题。

Description

一种AUV推进器实时可靠性评估系统及方法

技术领域

本发明涉及AUV推进器技术领域，具体涉及一种AUV推进器实时可靠性评估系统及方法。

背景技术

推进器是一个复杂的机电系统，随着科技的发展，推进器的可靠性越来越高，并且推进器在AUV整体的故障中仍是主要的故障的部件。不同于陆地上的推进器，AUV推进器的工作环境一般是几千米深的复杂多变的海洋环境，受到风浪海流等载荷的耦合作用，同时面临在着海盐腐蚀，水泡气蚀和水中漂浮物的各种威胁，可能发生像螺旋桨碰撞和桨叶异物缠绕的故障，遥控式水下机器人ROV可以依靠脐带缆与母船实时进行信息交换，在出现故障时仍可进行在线的故障处理和回收。但是，AUV与母船的数据传递主要依靠声呐装置，通过历史事故数据调研推进器是AUV主要的故障部件，作为潜航器负载最重的单元，一旦在水下出现故障，造成AUV失去动力或者操纵性能，在千米深海无法上浮或者丢失，会给国家带来巨大的财产损失，因此，为了避免出现这样严重的后果，对AUV推进器进行运行数据的监测和实时可靠性评估就很有必要。

可靠性是指一个元件、设备、或系统在预定的时间内，在规定的条件下完成规定功能的能力，即表示元件可靠工作的概率。传统的可靠性评估方法，主要是以部件历史失效数据，结合概率论的基本方法，静态的计算出部件的可靠性，虽然对推进器的可靠性评估具有一定的意义，但依据假设好的寿命分布，固定的运行环境和故障逻辑分析所得出的可靠性指标，具有局限性，往往无法反映出运行条件随时间发生变化时对推进器实时可靠性的影响。在推进器的运行过程中，除了异物碰撞造成的突变故障外更多的是不易探测的缓变故障，因此需要对AUV，以便掌握由性能退化或振动冲击对推进器部件造成的隐性损伤数据。同时如果AUV在运行过程中自身的控制系统能嵌入实时可靠性评估模块，实时的对自身的运行状态进行可靠性评估，在故障发生时能初步进行故障诊断，并将故障监测信号和诊断结果通过潜标和声呐等发送到母船，结合实时监测数据和先验知识，能够及时发现推进器故障，并采取相应措施，对于提高AUV执行任务中的可靠性具有重要意义。

因此，现需要一种AUV推进器实时可靠性评估系统及方法。

发明内容

本发明的主要目的在于提供一种AUV推进器实时可靠性评估系统，以解决现有技术中不能对AUV推进器进行实时可靠性评估的问题。

为实现上述目的，本发明提供了一种AUV推进器实时可靠性评估系统，包括：AUV推进器系统、AUV推进器信息监测系统、AUV推进器可靠性评估系统和母船实时可靠性评估系统；AUV推进器信息监测系统采集AUV推进器系统的运行数据，并将数据上传至AUV推进器可靠性评估系统，经AUV推进器可靠性评估系统生成初步的故障诊断及可靠性评估报告后，通过AUV推进器可靠性评估系统中的通信模块将故障诊断及可靠性评估报告发送至母船实时可靠性评估系统。

AUV推进器信息监测系统包括：材料性能信息收集装置、过载信息收集装置和载荷信息收集装置；材料性能信息收集装置包括：腐蚀传感器和超声波探测传感器；过载信息收集装置包括：温度传感器和电流电压传感器；载荷信息收集装置包括：振动加速度传感器和压力传感器。

AUV推进器可靠性评估系统包括：相互连接的监测数据分析模块、AUV推进器信息监测模块和通信模块；AAUV推进器信息监测模块接收AUV推进器信息监测系统发送的传感器数据并将传感器数据发送到监测数据分析模块，监测数据分析模块为内嵌在AUV控制芯片上的微处理器，在监测数据分析模块生成故障诊断及可靠性报告，然后将故障诊断及可靠性报告通过通信模块发送给母船实时可靠性评估系统。

母船实时可靠性评估系统包括：船载可靠性评估主机、船载交换机、船载服务器和船载数据库，船载可靠性评估主机通过船载交换机接收到通信模块发送的故障诊断及可靠性报告后，对比船载数据库后，船载可靠性评估主机通过访问船载服务器获取：材料性能信息，过载信息和载荷信息，并生成实时可靠性评估报告。

进一步地，腐蚀传感器安装在推进器的导流板上；超声波探测传感器安装在无刷电机转轴上方和下方，负责接收和发送超声波信号；温度传感器安装在无刷电机机壳内壁上监测温度变化；电流电压传感器安装在无刷电机的电路上监测流经电机的电流电压变化；振动加速度传感器安装在无刷电机转轴的轴承上用来监测电机和螺旋桨的振动信号；压力传感器的应变片安装在转轴上监测应力变化。

本发明还提供一种AUV推进器实时可靠性评估方法，具体包括如下步骤：

S1，基于AUV推进器系统的历史失效数据，列出所有的故障类别，基于故障类别绘制AUV推进器系统故障树，评估故障的严酷度S、频度O和可探测度D，识别故障的原因和故障影响，绘制FMEA表格，并提出检修维护建议。

S2，AUV推进器信息监测系统采集AUV推进器系统的运行数据。

S3，收集步骤S2获得的运行数据，构建静态贝叶斯网络模型，根据专家知识或运行数据，描述AUV推进器系统中的部件故障发生的概率，使用贝叶斯推理方法，逆向推导得出导致故障出现的各种类型；或正向推导，得出故障概率。

S4，基于动态贝叶斯网络模型的不同时间片之间的条件概率表，依据条件概率表对不同的时间片的贝叶斯网络进行正向推导，获得相应时间片内的AUV推进器系统的可靠度。

进一步地，步骤S1具体包括如下步骤：

S1.1，故障类别包括：材料性能退化原因，如海水腐蚀、桨叶边缘的气蚀；载荷原因，如桨叶异物碰撞，弯矩过大导致转轴变形；过载原因，如绕组过流过压，电机机组温度过高。

S1.2，根据故障的严酷度S、频度O和可探测度D，计算每个故障模式的风险系数RPN；风险系数RPN的计算公式为：该故障模式的严酷度、概率和可探测度的乘积；绘制FMEA表格，表格中包括：破坏类型、故障模式、故障原因、故障影响、风险系数和改进措施。

S1.3，根据风险系数，找出AUV推进器系统的薄弱环节，定期对薄弱环节进行检修维护。

进一步地，步骤S3具体包括如下步骤：

S3.1，构建静态贝叶斯网络，第一层为故障影响因素层，第二层为故障模式层、第三层为故障症状层。

S3.2，将故障树转化为贝叶斯网络，在故障模式影响因素层，每种部件故障发生的概率即基本失效率，通过查阅历史文献和国家标准获得。

S3.3，父节点F1，F2……Fn位于故障影响因素层，主要包括过载信息，载荷信息和材料性能信息。

子节点A1，A2……An位于故障模式层，称为故障模式节点，表示推进器部件发生故障的概率，并且每一个故障模式节点都对应着一种基本故障模式，对应故障树中的一个底事件。故障模式层包括：转子故障、定子故障、桨叶故障和艉轴故障，每一个故障节点都对应故障树中的一个底事件；在故障模式层中将故障节点替换，被替换掉的节点包括三种状态：正常状态、功能下降状态和失效状态。

子节点S1，S2……Sn位于故障症状层，表示传感器实时监测的数据。

S3.4，假设螺旋桨故障用韦伯分布来描述，无刷电转子部件的寿命分布用指数分布来描述；无刷电机的绕组用混合正态分布来描述。

S3.5，将记录的传感器数据，带入静态贝叶斯网络模型，利用贝叶斯推理方法，逆向推导得出导致故障出现的各种原因的概率；或正向推导，得出故障概率。

进一步地，步骤S4具体包括如下步骤：

S4.1，利用条件概率表表示不同时间片之间贝叶斯网络之间的变换。

S4.2，构建动态贝叶斯网络结构，第一层为附加信息层，第二层为部件可靠性层和第三层为系统可靠性层。

S4.3，故障率为Fa，则部件可靠性层的概率为1-Fa，带入动态贝叶斯网络中进行正向推导，获得指定时间片间隔的推进器系统可靠性概率。

本发明具有如下有益效果：

本发明公开的系统和方法针对AUV推进器系统在运行过程要对振动，电流电压等基本信号进行监测的问题，在实时信号采集的基础上，以某型直流无刷电机AUV推进器为例，利用FTA故障树法分析各部件的综合风险系数，用静态贝叶斯网络建立系统的可靠性模型，实现了对推进器的故障诊断。同时，基于动态贝叶斯网络的不同时间片之间的条件概率表，建立了实时可靠性模型，实现了对推进器的实时可靠性的有效评估。

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示出了本发明提供的一种AUV推进器实时可靠性评估系统的结构图。

图2示出了AUV推进器系统的主要部件图。

图3示出了本发明的AUV推进器信息监测系统的结构图。

图4示出了本发明的船载软件系统结构图。

图5示出了利用本发明提供的一种AUV推进器实时可靠性评估方法的步骤S3中构建的静态贝叶斯网络模型图。

图6示出了故障树转化为贝叶斯网络的结构图。

图7示出了表6的贝叶斯网络结构图。

图8示出了利用本发明提供的一种AUV推进器实时可靠性评估方法的步骤S4中构建的动态贝叶斯网络模型图。

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AUV推进器实时可靠性评估系统，包括：AUV推进器系统、AUV推进器信息监测系统、AUV推进器可靠性评估系统和母船实时可靠性评估系统；AUV推进器信息监测系统采集AUV推进器系统的运行数据，并将数据上传至AUV推进器可靠性评估系统，经AUV推进器可靠性评估系统生成初步的故障诊断及可靠性评估报告后，通过AUV推进器可靠性评估系统中的通信模块将故障诊断及可靠性评估报告发送至母船实时可靠性评估系统。

如图3所示，AUV推进器信息监测系统包括：材料性能信息收集装置，收集疲劳、抗弯、抗扭、气蚀等材料信息；过载信息收集装置，收集过流、过压、过热等设备运行信息；载荷信息收集装置，收集振动冲击等载荷信息；材料性能信息收集装置包括：腐蚀传感器和超声波探测传感器；过载信息收集装置包括：温度传感器和电流电压传感器；载荷信息收集装置包括：振动加速度传感器和压力传感器。

AUV推进器可靠性评估系统包括：相互连接的监测数据分析模块、AUV推进器信息监测模块和通信模块；AUV推进器信息监测模块接收AUV推进器信息监测系统发送的传感器数据并将传感器数据发送到监测数据分析模块，监测数据分析模块为内嵌在AUV控制芯片上的微处理器，在监测数据分析模块生成故障诊断及可靠性报告，然后将故障诊断及可靠性报告通过通信模块发送给母船实时可靠性评估系统。

通信模块为声呐基阵来向母船实时可靠性评估系统传递监测数据和报告。

母船实时可靠性评估系统包括：船载可靠性评估主机、船载交换机、船载服务器和船载数据库，船载可靠性评估主机通过船载交换机接收到通信模块发送的故障诊断及可靠性报告后，对比船载数据库后，船载可靠性评估主机通过访问船载服务器获取：材料性能信息，过载信息和载荷信息，并生成实时可靠性评估报告。

具体地，如图4所示，AUV推进器实时可靠性评估系统还包括：

船载软件系统：船载软件系统主要包括数据管理系统，人机交互系统和通信管理系统。船载软件系统的功能为在AUV推进器可靠性评估系统生成可靠性评估报告后，运营和维修人员通过船载软件系统来管理AUV推进器实时可靠性评估系统。

数据管理系统主要实现的软件功能包括：数据接收，数据处理和数据存储。数据存储包括把AUV推进器信息监测系统采集到的监测数据存储起来，同时包括调用AUV推进器实时可靠性评估系统中的历史数据库和专家知识库；数据处理既包括对AUV传递过来的数据进行特征提取，又包括对AUV推进器可靠性评估系统初步评估报告的复核；数据接收则是接收AUV推进器信息监测系统的数据的功能。

人机交互系统主要实现的软件功能是：实时显示可靠性评估结果和各项监测数据，为运营和维修人员提供决策建议，并在AUV推进器系统的实时可靠性低于阈值时及时发出提前预警。

通信管理系统主要实现的软件功能是：监测信号传递，指的是运维人员发送指令使AUV通过声呐向母船传递信息；实时通信，指的是实时进行母船船载可靠性评估系统和机载可靠性评估系统的通信；网络管理，指的是对通信网络进行有效管理，提高信息传递的效率，减少信息传递过程中噪声的功能。

具体地，腐蚀传感器安装在推进器的导流板上；超声波探测传感器安装在无刷电机转轴上方和下方，负责接收和发送超声波信号；温度传感器安装在无刷电机机壳内壁上监测温度变化；电流电压传感器安装在无刷电机的电路上监测流经电机的电流电压变化；振动加速度传感器安装在无刷电机转轴的轴承上用来监测电机和螺旋桨的振动信号；压力传感器的应变片安装在转轴上监测应力变化。

具体地，如图2所示，AUV推进器系统主要由无刷电机和螺旋桨组成，其中无刷电机主要由多级绕组定子和永磁体转子组成，无刷电机在AUV电源的驱动下产生的扭矩，通过连接杆、转动轴传送到艉轴上，艉轴带动螺旋桨的桨叶转动，与水相互作用产生推力。其中，多级绕组定子包括：定子铁芯、定子绕组和电机外壳；永磁体转子包括：磁钢、主推轴承和转轴；螺旋桨包括：桨叶、艉轴和导流板。

本发明还提供一种AUV推进器实时可靠性评估方法，具体包括如下步骤：

S1，基于AUV推进器系统的历史失效数据，列出所有的故障类别，基于故障类别绘制AUV推进器系统故障树，评估故障的严酷度S、频度O和可探测度D，识别故障的原因和故障影响，绘制FMEA表格，并提出检修维护建议。

S2，AUV推进器信息监测系统采集AUV推进器系统的运行数据。

S3，收集步骤S2获得的运行数据，构建静态贝叶斯网络模型，根据专家知识或运行数据，描述AUV推进器系统中的部件故障发生的概率，使用贝叶斯推理方法，逆向推导得出导致故障出现的各种类型；或正向推导，得出故障概率。

S4，基于动态贝叶斯网络模型的不同时间片之间的条件概率表，依据条件概率表对不同的时间片的贝叶斯网络进行正向推导，获得相应时间片内的AUV推进器系统的可靠度。

具体地，步骤S1具体包括如下步骤：

S1.1，定义分析的范围，研究对象为AUV推进器系统，主要由直流电机，螺旋桨和导流板组成。研究的过程是推进器在执行任务过程中的可靠度，研究目标是得出推进器潜在失效模式及后果分析FMEA表格（如表1和表2所示）并计算推进器在正常运行过程中出现故障的概率，即基本失效率。

列出可能的故障模式，即可能出现的失效方式。直流无刷电机主要由定子和转子组成，螺旋桨主要由艉轴和桨叶组成。将每种故障模式所对应的故障的原因进行分类总结得出故障类别包括：材料性能退化原因，如海水腐蚀、桨叶边缘的气蚀；载荷原因，如桨叶异物碰撞，弯矩过大导致转轴变形；过载原因，如绕组过流过压，电机机组温度过高。

表1 转子和定子FMEA表格

。

表2 桨叶和艉轴FMEA表格

。

S1.2，绘制系统可靠性框图，包括机械结构图和显示部件之间故障逻辑的故障树。每当故障树的底事件发生时，首先会影响其上层的中层事件，造成功能下降甚至停机，进而对顶事件即推进器的状态产生影响。

AUV推进器系统故障包括：电机停机和螺旋桨故障，电机停机包括：转子停转和定子损坏；转子停转包括：轴承失效、转轴失效和换向器接触不良；轴承失效包括：轴承游隙过大、轴承油脂析出和轴承疲劳损伤；轴承失效包括：断裂、疲劳裂纹和轴线弯曲；定子损坏包括：机壳失效、绕组损坏和磁刚失效；机壳失效包括：壳体裂纹和密封件损坏；绕组损坏包括：绕组烧蚀断线、线圈匝间短路和线圈绝缘失效；磁钢失效包括：磁钢失效和磁瓦脱落；螺旋桨故障包括：桨叶故障和艉轴故障；桨叶故障包括：桨叶变形和桨叶断裂；桨叶变形包括：桨叶气蚀和材料疲劳；桨叶断裂包括：桨叶缠绕和异物碰撞；艉轴故障包括：导流板和转轴；导流板包括：导流板变形和导流板脱落；转轴包括：断裂、疲劳裂纹和轴线弯曲。通过以上分析可以画出AUV推进器系统故障树。

针对AUV推进器系统故障树，对于每个故障模式，评估故障的严酷度S、频度O和可探测度D，其中频度是通过对部件历史失效数据的统计得出的基本失效率指标换算而来的；严酷度通过考虑故障模式是否影响系统功能、辅助功能和人身安全来进行定量评估的；可探测度衡量的是故障模式在发生后被发现的难易程度，也是监测数据特征能否容易提取的衡量。如表3、表4和表5所示。

表3 AUV推进器系统故障失效后果严酷度准则表

。

表4 AUV推进器系统故障频度准则

。

表5 AUV推进器系统故障可探测度准则

。

识别可能导致该故障模式发生的所有原因。对所有故障模式对应的故障原因进行分类，把所有原因分为三类：材料性能原因，过载原因，载荷原因。为了监测这些导致故障出现的故障原因，通过布置多种传感器来监测这些故障影响因素。根据故障的严酷度S、频度O和可探测度D，计算每个故障模式的风险系数RPN；风险系数RPN的计算公式为：该故障模式的严酷度、概率和可探测度的乘积；绘制FMEA表格，表格中包括：破坏类型、故障模式、故障原因、故障影响、风险系数和改进措施。

S1.3，根据风险系数，找出AUV推进器系统的薄弱环节，定期对薄弱环节进行检修维护。根据风险系数得出薄弱环节为桨叶。

具体地，步骤S2中：AUV推进器信息监测系统采集的传感器实时监测数据，包括温度、压力、振动等参数，对采集到的数据进行特征提取处理。

具体地，如图5所示，步骤S3具体包括如下步骤：

S3.1，收集观测数据即收集传感器数据，这些观测数据将用于更新贝叶斯网络模型中的变量概率分布。利用传统FMEA方法可靠性分析识别出来的故障模式，通过统计历史数据结合AUV推进器信息监测模块，将对应的故障记录下来，然后将这些故障对应的数据输入故障症状层。

传感器所监测的数据包括有：材料性能信息，过载信息和载荷信息；传感器获取的数据是故障发生时传感器获取的真实数据，间隔不同的时间如每分钟或每30秒，将这些数据重新输入故障症状层以提高故障诊断精度，该过程成为数据补充，最终可以通过静态贝叶斯网络反向推导某部件的故障发生概率。

构建静态贝叶斯网络，首先，需要确定系统的变量和它们之间的依赖关系即条件概率表，其中网络结构由节点和有向边组成，节点表示变量，有向边表示变量之间的依赖关系。故障影响因素节点和故障症状节点的条件概率表是建立静态贝叶斯网络模型的关键，每一个节点都要关联一个条件概率表，条件概率表是基于之前信息和过去经验的可能性，给出每一种父节点的状态组合条件下的变量分布情况。静态贝叶斯网络的第一层为故障影响因素层，第二层为故障模式层、第三层为故障症状层。

S3.2，将故障树转化为贝叶斯网络，根据专家知识或历史数据，根据部件基本失效率统计数据或者假设元件寿命概率分布，描述其可能的取值和相应的概率，在故障模式影响因素层，每种部件故障发生的概率即基本失效率，通过查阅历史文献和国家标准获得，或参照步骤S1中绘制FMEA表格中对每种故障模式频度O的计算。

S3.3，父节点F1，F2……Fn位于故障影响因素层，主要包括材料性能退化原因、外部载荷原因和过载原因，也称为附加信息节点；将每种故障模式所对应的故障的原因进行分类总结可以得出造成推进器部件出现故障的主要原因分为三类：材料性能退化原因，如海水腐蚀，桨叶边缘的气蚀等；外部载荷原因，如桨叶异物碰撞，弯矩过大导致转轴变形等；过载原因，如绕组过流过压，电机机组温度过高等。故障影响因素层表示海底环境因素对推进器部件故障概率的影响，即发生三类故障的概率。故障影响因素对AUV推进器部件故障概率的影响包括有：腐蚀程度、 疲劳裂纹、温度、电流电压强度、振动冲击载荷、压力。

子节点A1，A2……An位于故障模式层，称为故障模式节点，表示推进器部件发生故障的概率，并且每一个故障模式节点都对应着一种基本故障模式，对应故障树中的一个底事件。故障模式层包括：转子故障、定子故障、桨叶故障和艉轴故障，每一个故障节点都对应故障树中的一个底事件；在故障模式层中将故障节点替换，被替换掉的节点包括三种状态：正常状态、功能下降状态和失效状态。

子节点S1，S2……Sn位于故障症状层，表示传感器实时监测的数据。也称为故障症状节点。

故障树转化为贝叶斯网络如图6所示，带有两个独立的基本事件A、B和一个与门，其中top代表顶事件。对应的贝叶斯网络如图6，输出节点为C，节点A和节点B分别是与基本事件A和基本事件B相关联的随机变量，具有两个状态：如果基本事件A发生，A=1。如果基本事件A不发生，A=0。基本事件B同理。

S3.4，假设螺旋桨故障用韦伯分布来描述，无刷电转子部件即转轴轴承的寿命分布用指数分布来描述；无刷电机的绕组用混合正态分布来描述。

S3.5，将每隔一定时间记录的传感器数据，带入静态贝叶斯网络模型，利用贝叶斯推理方法，逆向推导得出导致故障出现的各种类型；或正向推导，得出故障概率。其中正向推导即由第三层推导第二层得出故障出现的各种类型，正向推导即由第一层推导第二层，得出故障概率，即实现故障诊断的功能。

故障诊断的结果（即逆向推导实现故障诊断，即确定故障到底属于哪种类型）并不能说明推进器一定停转。存在一种状态，即使发生只会导致推进器不能正常工作，也不会造成财产损失或威胁人员安全，把这种状态定义为功能下降状态。

针对部件三种不同的状态，将70%作为故障状态的阈值，提出了3个判断规则来评估推进器的可靠性：

判断规则1：如果部件的故障模式是功能下降状态，当故障模式层的节点后验概率和先验概率之差大于百分之七十时，判定为故障状态。

判定规则2：如果部件的故障模式不是功能下降状态，当后验概率与先验概率之差小于百分之三十时，判定为正常状态。

判定规则3：如果部件的故障模式不是功能下降状态，当后验概率与先验概率之差大于百分之三十且小于百分之七十时，判定为功能下降状态。

根据正向和逆向推导得出的结果，确定AUV推进器系统的当前状态和故障类型。将定时采集的传感器数据带入静态贝叶斯网络后，经过逆向推导判定的AUV推进器系统状态存在明显功能下降症状，可以将功能下降症状作为潜在的故障模式进行诊断。将监测数据和诊断报告发送到母船实时可靠性评估系统进行复核。

静态贝叶斯网络的第一层为为故障影响因素层。根据步骤S1中所建立的故障树可以很容易的建立贝叶斯网络，这里的基本事件即底事件所对应的故障原因为父节点，根据步骤S1中的绘制FMEA表格中：将每种故障模式所对应的故障的原因进行分类总结可以得出造成推进器部件出现故障的主要原因分为三类：材料性能退化原因，如海水腐蚀，桨叶边缘的气蚀等；外部载荷原因，如桨叶异物碰撞，弯矩过大导致转轴变形等；过载原因，如绕组过流过压，电机机组温度过高等。并将这三种主要原因称为故障影响因素，组成静态贝叶斯网络的第一层，称为故障影响因素层。

静态贝斯网络的第二层为故障模式层，主要对应着故障树中的中间事件，包括：定子故障，转子故障，艉轴故障和桨叶故障。由于故障树的底事件在转化为了故障影响因素层，相当于将众多的底事件进行了分类，优化了贝叶斯网络的结构。

静态贝叶斯网络的第三层为故障症状层，主要对应着传感器监测的三种数据，主要包括材料性能信息收集，过载信息收集，载荷信息收集。

具体地，步骤S4具体包括如下步骤：

S4.1，确定变量和关系，在动态贝叶斯网络中需要考虑可靠性指标和时间的变化关系，主要体现在动态贝叶斯网络中不同时间片之间的状态转换概率。利用条件概率表表示不同时间片之间贝叶斯网络之间的变换。条件概率表是建立不同时间片之间关系的关键，条件概率表给出了每一种父节点状态组合下的变量分布情况。

以表6格和图7为例，假设每个变量都有0和1两个可能状态。首先确定节点A,B,C的边际概率分布，比如Pr(A=1)=0.85,Pr(B=1)=0.45,Pr(C=1)=0.85，如图7节点D和E存在父节点，假设节点的概率分布只依赖于相应的父节点。节点F是节点D、E的子节点，表示其概率只受节点D、E的影响。

表6 节点D条件概率表

。

以节点D为例，表格左边是其父节点A,B的状态组合，右侧是在这种状态组合下节点D的概率分布，分为D事件发生和不发生。以表格的第一行为例，Pr(D=1|A=0,B=0)=0.10表示在父节点A和B都不发生的情况下，事件D发生的概率为0.10。

S4.2，构建动态贝叶斯网络结构，第一层为附加信息层，第二层为部件可靠性层和第三层为系统可靠性层。对于状态变量，可以使用转移概率来描述变量在不同时间点之间的关系，以描述静态贝叶斯网络各节点随时间的变化。由第三层逆向推导得到第二层是由传感器数据来推导发生故障。第二层为定子可靠度，转子可靠度，艉轴可靠度和桨叶可靠度。本发明采用可靠度作为第二层而不是可靠性，因为可靠度是指设备在特定条件下在一定时间内正常运行的概率，他可以给出一个概率定量指标而不是可靠与否的定性指标。推进器系统可靠性层节点的状态表示部件的可靠度，初始状态将所有节点的可靠度设置为100%。

AUV推进器系统的两条回路（即电机停机和螺旋桨故障两条回路）属于串联连接，表示其中任何一条回路发生故障都会导致推进器发生故障，由此可以得到部件可靠性层和推进器系统可靠性层的条件概率表。部件可靠性层的故障率Fa求补集即1-Fa,带入动态贝叶斯网络中进行正向和逆向的推导可以获得指定时间片间隔的推进器系统可靠性概率。

确定概率分布：在构建网络结构后，需要确定每个节点的概率分布。概率分布描述了变量之间的条件依赖关系。其中螺旋桨部件的寿命分布通常可以用韦伯（Weibull）分布来描述，无刷电转子部件（转轴轴承）的寿命分布通常可以用指数分布来描述。无刷电机（Brushless Motor）的绕组一般不符合韦伯分布或指数分布，而更常用的是混合正态分布。

S4.3，故障率为Fa，则部件可靠性层的概率为1-Fa，带入动态贝叶斯网络中进行正向推导，获得指定时间片间隔的推进器系统可靠性概率。正向推导，即第一层附加信息层也就是静态贝叶斯网络里的故障模式层和故障症状层（即传感器获得的监测数据）的合体，正向推第二层组件可靠性层的组件可靠度，获得指定时间片间隔的推进器系统组件可靠度，由第二层正向推导得出指定时间片的整机可靠度。

一旦网络结构和概率分布确定，就可以使用动态贝叶斯网络进行推断和预测。推断是指根据观测数据来更新系统的状态估计。使用贝叶斯推断算法，结合先验知识和观测数据，计算后验概率分布。预测是指根据当前的状态估计，预测系统未来的状态。

如图8所示，建立了动态贝叶斯网络，其中节点F所在层为附加信息层，节点A所在层为组件可靠性层，节点R所在层为系统可靠性层。根据转化动态贝叶斯网络时间片与时间片间的条件概率表，将静态贝叶斯网络拓展为动态贝叶斯网络。表示了推进器部件从t时刻到时刻的可靠度变化。最后，需要对构建的动态贝叶斯网络进行评估和改进。可以使用模型拟合度、预测准确度等指标来评估模型的性能。如果模型表现不佳，可以考虑改进网络结构、调整概率分布或增加更多的观测数据来提高模型的准确性和可靠性。/>

将AUV推进器信息监测系统采集的传感器 数据代入到贝叶斯网络模型中，由此得到了推进器实时可靠性评估的结果，描述出推进器整机可靠性和部件可靠性随时间的变化关系，对于提高AUV推进器在执行任务过程中的可靠性具有重要意义。

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 (2)

1.一种AUV推进器实时可靠性评估系统，其特征在于，包括：AUV推进器系统、AUV推进器信息监测系统、AUV推进器可靠性评估系统和母船实时可靠性评估系统；AUV推进器信息监测系统采集AUV推进器系统的运行数据，并将数据上传至AUV推进器可靠性评估系统，经AUV推进器可靠性评估系统生成初步的故障诊断及可靠性评估报告后，通过AUV推进器可靠性评估系统中的通信模块将故障诊断及可靠性评估报告发送至母船实时可靠性评估系统；

AUV推进器信息监测系统包括：材料性能信息收集装置、过载信息收集装置和载荷信息收集装置；材料性能信息收集装置包括：腐蚀传感器和超声波探测传感器；过载信息收集装置包括：温度传感器和电流电压传感器；载荷信息收集装置包括：振动加速度传感器和压力传感器；

AUV推进器可靠性评估系统包括：相互连接的监测数据分析模块、AUV推进器信息监测模块和通信模块AUV推进器信息监测模块接收AUV推进器信息监测系统发送的传感器数据并将传感器数据发送到监测数据分析模块，监测数据分析模块为内嵌在AUV控制芯片上的微处理器，在监测数据分析模块生成故障诊断及可靠性报告，然后将故障诊断及可靠性报告通过通信模块发送给母船实时可靠性评估系统；

母船实时可靠性评估系统包括：船载可靠性评估主机、船载交换机、船载服务器和船载数据库，船载可靠性评估主机通过船载交换机接收到通信模块发送的故障诊断及可靠性报告后，对比船载数据库后，船载可靠性评估主机通过访问船载服务器获取：材料性能信息，过载信息和载荷信息，并生成实时可靠性评估报告；

AUV推进器实时可靠性评估系统执行以下AUV推进器实时可靠性评估方法，具体包括如下步骤：

S1，基于AUV推进器系统的历史失效数据，列出所有的故障类别，基于故障类别绘制AUV推进器系统故障树，评估故障的严酷度S、频度O和可探测度D，识别故障的原因和故障影响，绘制FMEA表格，并提出检修维护建议；

S2，AUV推进器信息监测系统采集AUV推进器系统的运行数据；

S3，收集步骤S2获得的运行数据，构建静态贝叶斯网络模型，根据专家知识或运行数据，描述AUV推进器系统中的部件故障发生的概率，使用贝叶斯推理方法，逆向推导得出导致故障出现的各种原因的概率；或正向推导，得出故障概率；

S4，基于动态贝叶斯网络模型的不同时间片之间的条件概率表，依据条件概率表对不同的时间片的贝叶斯网络进行正向推导，获得相应时间片内的AUV推进器系统的可靠度；

步骤S1具体包括如下步骤：

S1.1，故障类别包括：材料性能退化原因，如海水腐蚀、桨叶边缘的气蚀；载荷原因，如桨叶异物碰撞，弯矩过大导致转轴变形；过载原因，如绕组过流过压，电机机组温度过高；

S1.2，根据故障的严酷度S、频度O和可探测度D，计算每个故障模式的风险系数RPN；风险系数RPN的计算公式为：该故障模式的严酷度、概率和可探测度的乘积；绘制FMEA表格，表格中包括：破坏类型、故障模式、故障原因、故障影响、风险系数和改进措施；

S1.3，根据风险系数，找出AUV推进器系统的薄弱环节，定期对薄弱环节进行检修维护；

步骤S3具体包括如下步骤：

S3.1，构建静态贝叶斯网络，第一层为故障影响因素层，第二层为故障模式层、第三层为故障症状层；

S3.2，将故障树转化为贝叶斯网络，在故障模式影响因素层，每种部件故障发生的概率即基本失效率，通过查阅历史文献和国家标准获得；

S3.3，父节点F1，F2……Fn位于故障影响因素层，主要包括：材料性能退化原因、外部载荷原因和过载原因；

子节点A1，A2……An位于故障模式层，称为故障模式节点，表示推进器部件发生故障的概率，并且每一个故障模式节点都对应着一种基本故障模式，对应故障树中的一个底事件；故障模式层包括：转子故障、定子故障、桨叶故障和艉轴故障，每一个故障节点都对应故障树中的一个底事件；在故障模式层中将故障节点替换，被替换掉的节点包括三种状态：正常状态、功能下降状态和失效状态；

子节点S1，S2……Sn位于故障症状层，表示传感器实时监测的数据；

S3.4，设定螺旋桨故障用韦伯分布来描述，无刷电转子部件的寿命分布用指数分布来描述；无刷电机的绕组用混合正态分布来描述；

S3.5，将记录的传感器数据，带入静态贝叶斯网络模型，利用贝叶斯推理方法，逆向推导得出导致故障出现的各种原因的概率；或正向推导，得出故障概率；

步骤S4具体包括如下步骤：

S4.1，利用条件概率表表示不同时间片之间贝叶斯网络之间的变换；

S4.2，构建动态贝叶斯网络结构，第一层为附加信息层，第二层为部件可靠性层和第三层为系统可靠性层；

S4.3，故障率为Fa，则部件可靠性层的概率为1-Fa，带入动态贝叶斯网络中进行正向推导，获得指定时间片间隔的推进器系统可靠性概率。

2.根据权利要求1所述的一种AUV推进器实时可靠性评估系统，其特征在于，腐蚀传感器安装在推进器的导流板上；超声波探测传感器安装在无刷电机转轴上方和下方，负责接收和发送超声波信号；温度传感器安装在无刷电机机壳内壁上监测温度变化；电流电压传感器安装在无刷电机的电路上监测流经电机的电流电压变化；振动加速度传感器安装在无刷电机转轴的轴承上用来监测电机和螺旋桨的振动信号；压力传感器的应变片安装在转轴上监测应力变化。