CN118275794A - 一种面向水下推进器的多故障混合的诊断方法 - Google Patents

Abstract

本发明提出一种面向水下推进器的多故障混合诊断方法，包括：通过电机的机械运动模型获得推电机电流i₁；通过电机的电压模型获得电机电流i₂；通过电流传感器获得电机电流i₃；通过自动编码器分别从i₁～i₃中提取特征电流，通过特征鉴别器计算它们的分布距离，进而对故障进行识别、分类与评估。本发明通过自动编码器确保每一个输入电流与输出电流之间的重构误差最小，加入特征鉴别器，确保自动编码器提取的特征是多个电流之间的共有特征，通过该方式可缓解由输入变量之间的偏差带来的特征偏差，因而可以更好地表示推进器在健康状态下来自不同电流之间的共有特征，进而对螺旋桨和传感器同时故障进行准确检测及评估。

Description

一种面向水下推进器的多故障混合的诊断方法

技术领域

本发明属于推进器系统故障诊断技术领域，具体涉及一种面向水下推进器的郭股长混合诊断方法。

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。为避免这种情况，研究一种及时有效的故障诊断策略，有利于降低AUV损毁风险，避免故障的深度传播，对保证在复杂海洋环境下AUV的安全性和提高机动性具有重要意义。

目前水下推进器的研究很大程度上忽略了多个故障同时发生的场景，特别是传感器和螺旋桨故障融合的情况。当多种故障同时出现时，现有的诊断系统可以识别故障，但无法区分故障源，更谈不上评估。

专利号为ZL202210712232.4的发明提出一种AUV推进器故障诊断方法，首先对电机负载和螺旋桨转矩进行估计；然后以估计的电机负载、螺旋桨转矩以及电机控制信号为输入，利用自动编码器对故障进行识别；若自动编码器的重构误差超过阈值则输出故障告警，若告警持续T0时间，则确定为推进器故障；最后构建故障隔离表，对故障原因进行分析确定。该方法虽然提到可针对多种故障进行识别，但其前提是螺旋桨与传感器不同时出现故障，且无法对各故障做程度评估。实际中，螺旋桨与传感器一旦同时故障，将会对系统造成巨大的损失。

当传感器和螺旋桨同时故障时，基于如上专利的假设下(每次仅发生一种故障)，传感器的故障或螺旋桨故障将被折算进螺旋桨故障或传感器故障。这是由于其并没有从故障机理的角度实现对故障的解耦，虽然如上专利涉及的方法也能够给出故障监测，但真实的故障原因将被掩盖，因此可能做出错误的分类。这种错误的分类将会影响后续控制系统做出决策，进一步影响AUV的任务执行。

另外，上述方法中，发明人试图确保由神经网络估计的转矩值与由扩张状态观测器估计的转矩尽量一致，这种前提是基于螺旋桨转矩和电机负载是一对作用力与反作用力，虽然由不同的物理变量估计，但本质上是具有相同的物理意义。然而由于外界环境干扰、推进器参数不确定等原因，在一些场景下神经网络估计的值可能与由扩张状态观测器估计的转矩出现一定的偏差，这种偏差将导致故障的误识别和误分类

发明内容

针对现有技术存在的针对水下推进器螺旋桨与传感器同时出现故障无法区分故障源，更无法评估的问题，本发明提出一种面向水下推进器的多故障混合诊断方法，包括：

A、通过电机的机械运动模型获得推电机电流i₁；

B、通过电机的电压模型获得电机电流i₂；

C、通过电流传感器获得电机电流i₃；

D、通过自动编码器分别从i₁～i₃中提取特征电流，通过特征鉴别器计算它们的分布距离，进而对故障进行识别、分类与评估。

进一步地，所述步骤D中，对故障进行识别、分类与评估的过程如下：

当出现螺旋桨故障；i_h＝i₁且i_m＝i2＝i₃＝(i_h+Δi₁)，其中Δi₁可由(i_m-i_h)表示，i_m表示电流传感器的实际读值，i_h表示无故障情况下的电流值；当出现传感器故障，i_h＝i₁＝i₂且i_m＝i₃＝(i_h+Δi₂)其中(i_m-i_h)可以表示Δi₂；当传感器和螺旋桨同时故障时，i_h＝i₁，i_m＝i₃＝(i_h+Δi₁+Δi₂)，将(D(i₂)-D(i₁))定义为故障分数1，用来检评估螺旋桨故障，将(D(i₃)-D(i₂))定义为故障分数2，用来评估电流传感器，D表示判别过程。

进一步地，所述步骤D中，自动编码器用于参数更新的损失函数为：其中，n表示每个电流数据样本中的采样点数，t表示电流的来源当其取值为1，2和3时分别对应来自机械运动模型，电机电压模型和电流传感器；特征鉴别器的损失函数为：L_D＝E[D(i₁)]+E[D(i₂)]-E[D(i₃)]，其中D表示判别过程，E表示均值，整个损失函数为：L_total(θ_en，θ_de，θ_D)＝L_re(θ_en，θ_de)+λL_D(θ_en，θ_D)，其中λ是平衡因子，θ_en，θ_de，θ_D分别代表特征编码器、特征解码器和特征鉴别器的参数。

进一步地，所述步骤B中：电机的电压模型为Us＝Li₂+Ri₂+C_en_m，转化后为Ri₂＝Us-C_en_m，其中U是电机母线电压，L是电机电感，s是电机控制信号，R是电机电阻，C_e是电机的速度常数。

进一步地，所述步骤A中，电机的机械运动模型为：其中C_m是电机转矩系数，i₁是推进器的电流，J_M是电机转动惯量，B_v是电机摩擦系数，n_m是推进器转速，是电机的加速度，Q_load是螺旋桨产生的转矩；螺旋桨的转矩其中u是AUV的航速，k₁，k₂，k₃是螺旋桨的水动力系数，通过如上两式获得电流与转速及航速之间的关系：进而计算出电流值i₁。

进一步地，所述步骤D中，所述特征鉴别器由三个全连接层组成，分别具有200、64和32个神经元，用于区分提取特征的来源。

与现有技术相比，本发明的优点和积极效果如下：

本发明从电流的角度分析，建立电流变化与故障之间的机理映射，对螺旋桨与电流传感器的故障进行解耦，可以在螺旋桨和电流传感器同时故障的情况下分别检测与评估，进而，AUV的控制系统会根据故障的程度做出合理的决策，这在实际系统中是有重要的意义。

附图说明

图1为本发明故障诊断方法流程图；

图2为本发明故障诊断方法应用流程图。

具体实施方式

本发明在设计之初，申请人研究发现：1、传感器测量的数据中往往包含大量的噪声，这种噪声可能会影响故障诊断的性能。而编码器能够自动从原始数据中有效提取特征，从而在一定程度上消除噪声对诊断结果的影响，因此利用特征而不是电流值进行诊断的性能通常更好。2、在对电流值进行估计时，一个难题在于如何描述模型的参数不确定性和未建模项。通常设备厂家并不会提供这一类参数，因此就导致不同模型估计的电流值之间存在显著的偏差，而这种偏差将使得诊断性能下降。为了避免这种情况，申请人进一步研究发现：电流i1，i2和i3虽然有不同的来源，但他们具有相同的物理含义，即表示推进器的电流。当推进器无故障时，这些电流之间理应具有部分相同的特征。当推进器出现了不同类型或程度的故障，由于推进器的物理系统特性发生变化，不同来源的电流值之间的共同特征可能发生偏移。因此这种故障下的特征偏移可以被用作故障诊断的指标，这样消除了对电机精确建模的需要，允许参数不确定性和未建模项的存在，更具有实践意义。

下面结合附图及具体实施方式对本发明做进一步详细描述。

本发明提出一种面向水下推进器的多故障混合诊断方法，参考图1，首先利用电机的机械运动模型估计i₁。电机的机械运动模型如公式(1)所示：

其中C_m是电机转矩系数，i₁是推进器的电流，J_M是电机转动惯量，B_v是电机摩擦系数，n_m是推进器转速，是电机的加速度，Q_load是螺旋桨产生的转矩。进一步螺旋桨的转矩可以由公式(2)表述：

其中u是AUV的航速，k₁，k₂，k₃是螺旋桨的水动力系数，实际应用时，可通过仿真或水池实验获得这些系数。将式(2)带入式(1)中可以获得电流与转速及航速之间的等式(3)。

当电机工作状态稳定时，根据公式(3)计算出电流值i₁。随后利用电机的电压模型估计i₂。电机的电压模型如公式(4)所示：

Us＝Li₂+Ri₂+C_en_m (4)

其中U是电机母线电压，s是电机控制信号，L是电机电感，R是电机电阻C_e是电机的速度常数，i₂是由电机电压模型估计的电流。考虑到AUV的采样频率仅为5Hz，该采样频率远低于推进器的控制频率，因此在每一个AUV的采样期间，推进器的电流变化率可以被忽略。因此式(4)可以被转换为式(5)。

Ri₂＝Us-C_en_m (5)

电流的特征提取器如图一所示，整个特征提取器包括自动编码器和特征鉴别器。在训练过程中，从不同模型和实际传感器获得的电流值被输入到自动编码器的特征编码器中。特征编码器将这些电流值映射到相同的特征空间，然后使用特征解码器将其解码为对应的电流值。这确保了提取的潜在特征即使没有标签也可以表示输入的电流值。

本发明自动编码器包含3个卷积模块和3个转置卷积模块，可以从输入数据中提取潜在特征。每个模块包括两个操作：卷积或转置卷积和使用ReLU激活输出。第一个卷积模块接收电流值作为输入，并在经过两个卷积模块和全连接模块后提取输入数据的高级特征。提取的特征通过另一个全连接层和三个转置卷积层来实现信号重建。自动编码器确保每一个输入电流与输出电流之间的重构误差最小，但无法保证自动编码器中的编码器提取的特征是多个电流之间的共同特征，其中可能包含着与各个电流值相关的私有特征。通过设计的特征鉴别器，使得不同来源的电流值具有相似的特征，进一步可判断从不同电流值中提取特征的来源，该鉴别器由三个全连接层组成，分别具有200、64和32个神经元，用于区分提取特征的来源。

本发明整个损失函数包含两部分：重构损失和对抗损失。考虑到在发明中使用相同的自动编码器来重建三个不同来源的电流，自动编码器的重建损失如下：

其中，n表示每个电流数据样本中的采样点数，i表示原始电流值，帽子i表示由自动编码器的重建的电流值，t表示电流的来源当其取值为1，2和3时分别对应来自机械运动模型，电机电压模型和电流传感器。

此外，单独使用自动编码器并不能保证提取的特征具有相似的分布。因此，测量它们之间的相似性至关重要。本发明使用Wasserstein距离作为对抗性训练损失函数，可保证在进行对抗训练时网络有更好的稳定性，从而避免模式坍塌或者损失函数发散等问题。对抗性损失如下：

L_D＝E[D(i₁)]+E[D(i₂)]-E[D(i₃)] (7)

其中D表示判别过程，E表示计算他们的均值。因此整个损失函数可以被写为公式(8)。

L_total(θ_en，θ_de，θ_D)＝L_re(θ_en，θ_de)+λL_D(θ_en，θ_D) (8)

其中λ是平衡因子，θ_en，θ_de，θ_D分别代表特征编码器、特征解码器和特征鉴别器的参数。

当网络训练完成后，仅使用特征编码器和特征鉴别器来实现螺旋桨和传感器故障的检测及评估。

本发明涉及的故障主要为螺旋桨故障和传感器故障。

螺旋桨缠绕或破损故障，其本质上是螺旋桨的参数发生变化了，因此推进器在相同的控制信号下可能产生不同的负载变化。对于电流传感器故障，实际上是传感器测量的电流与真实电流值之间存在一定的偏差。

当螺旋桨出现故障后，其参数发生变化，因此在相同的控制信号下将展现出不相同的Q_load，这将导致此时由传感器测量得到的电流值i_m与由公式(1)计算的表示健康状态的电流i₁出现偏差，因此本发明用下式表示i_h＝i₁且i_m＝(i_h+Δi₁)。此时测量电流值i_m是由两部分组成的即健康状态下的电流值i_h和由螺旋桨故障引起的电流变化Δi₁共同组成的。

一个不可忽略的事实是螺旋桨故障实质上是电机负载的变化。由式公式(2)可知，电机的电压方程中并不包含电机负载项，即没有Q_load。因此任何与负载有关的变化都可以通过式(2)计算得到。这说明当螺旋桨出现故障后，根据电压方程计算的i₂中包含了由故障带来的电流变化。因此此时电压方程计算的电流值应该与实际测量值相同，即i_m＝i₂。公式式(1)和(2)中的参数是螺旋桨健康下的参数，因此计算出的i₁始终表示无故障电流值.因此当出现螺旋桨故障后i₁与i₂之间的偏差可以被看作故障引起的。

当电流传感器故障后i₁与i₂并不受他的影响，因为其是根据电机转速、电机电压以及水下航行器的速度计算的。而此时测量值i_m中则一定包含这种传感器故障。因此可以得式i_h＝i₁＝i₂且i_m＝(i_h+Δi₂)。

当螺旋桨和传感器同时故障后，测量值i_m＝i₃中包含两种故障，i₂中仅包含螺旋桨故障而i₁中不包含任何故障，因此本发明首先使用i_m-i₂以计算出传感器的故障，使用i₂-i₁来计算出螺旋桨的故障。

如上研究分析可得螺旋桨与电流传感器故障之间的故障解耦是依靠i₁、i₂和i₃之间的变化。当公式(1)和(2)中的参数不准确时，i₁和i₂的数据可能也不准确，但能够反映出与i₃相同的变化趋势。因为实质上这三个电流值是从不同角度来描述推进器中的同一个变量。因此可认为他们之间是具有某些相同的特征(i₁和i₂是根据电机模型计算得出的，而i₃是由传感器测量得到的电流值，因此他们之间必然存在某种相关性。)基于此，本发明首先试图用自动编码器分别从不同电流中提取特征。由于参数的不精确性，这将导致同一个自动编码器从不同电流中提取的特征会存在一定的偏差，而这种偏差恰好是由参数的不确定性引起的，而这些特征之间的偏差，可以被看作是来自不同电流的特有特征。本发明通过设计的特征鉴别器，从所有提取的特征中消除私有特征，仅保留他们之间的共有特征。这样当出现故障后，实质上是系统的参数发生重大变化，这将导致从不同电流值中提取的特征发生偏差，因此可以被用来进行故障检测和评估。

如图二所示，具体来说，特征编码器分别从i₁～i₃中提取特征电机电流，随后利用鉴别器计算它们的分布距离。当推进器无故障时，从i₁～i₃中提取的特征具有更小的分布偏差；当出现螺旋桨故障，i_h＝i₁且i_m＝i₂＝i₃＝(i_h+Δi₁)，其中Δi₁可由(i_m-i_h)表示，i_m表示电流传感器的实际读值，i_h表示无故障情况下的电流值；如果传感器故障，i_h＝i₁＝i₂且i_m＝i₃＝(i_h+Δi₂)其中(i_m-i_h)可以表示Δi₂；当传感器和螺旋桨同时失效时，i_h＝i₁，i_m＝i₃＝(i_h+Δi₁+Δi₂)。考虑到i₂不受传感器故障影响且包含螺旋桨故障，则i₂＝(i_h+Δi₁)。那么Δi₂可以表示为(i_m-i₂)。虽然电流之间的偏差可以用于故障检测和评估，但需要手动设计评估指标，复杂且直接影响评估结果。因此，本发明将(D(i₂)-D(i₁))定义为故障分数1，用来检测和评估螺旋桨故障，将(D(i₃)-D(i₂))定义为故障分数2，用来检测和评估电流传感器。

当故障分数1超过阈值而故障分数2低于阈值时，根据前面分析的可定义为螺旋桨故障。由于所设计的方法是仅依赖健康数据训练的。因此在实际的使用场景中，推进器无故障的情况下特征鉴别器输出的故障分数可以用来描述健康状态。当螺旋桨出现故障后故障分数1将逐渐超过阈值，而故障分数2则维持不变。此时根据故障分数1和阈值来确定是否存在故障；根据故障分数1的变化用来确定故障的程度，即此时故障分数1可以被直接用来描述故障的程度，因为他们总是与健康状态下的故障分数不同。当故障分数2超过阈值而故障分数1低于阈值时，根据前面分析的可定义为传感器故障。当传感器出现故障后故障分数2将逐渐超过阈值，而故障分数1则维持不变。此时根据故障分数2和阈值来确定是否存在故障；根据故障分数2的变化用来确定故障的程度，即此时故障分数2可以被直接用来描述故障的程度，因为他们总是与健康状态下的故障分数不同。当故障分数1和2同时超过阈值时，根据前面分析的可定义为螺旋桨与传感器同时故障。当两种故障同时出现后故障分数1和2将逐渐超过阈值。此时根据故障分数1和2及阈值来确定是否存在故障；根据故障分数1和2的变化用来确定故障的程度。

本发明通过自动编码器确保每一个输入电流与输出电流之间的重构误差最小，加入特征鉴别器，确保自动编码器提取的特征是多个电流之间的共有特征。通过该方式可缓解由输入变量之间的偏差带来的特征偏差，因而可以更好地表示推进器在健康状态下来自不同电流之间的共有特征，进而对螺旋桨和传感器同时故障进行准确检测及评估。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (6)

1.一种面向水下推进器的多故障混合诊断方法，其特征在于，包括：

A、通过电机的机械运动模型获得推电机电流i₁；

B、通过电机的电压模型获得电机电流i₂；

C、通过电流传感器获得电机电流i₃；

D、通过自动编码器分别从i₁～i₃中提取特征电流，通过特征鉴别器计算它们的分布距离，进而对故障进行识别、分类与评估。

2.根据权利要求1所述的面向水下推进器的多故障混合诊断方法，其特征在于，所述步骤D中，对故障进行识别、分类与评估的过程如下：

当出现螺旋桨故障；i_h＝i₁且i_m＝i₂＝i₃＝(i_h+Δi₁)，其中Δi₁可由(i_m-i_h)表示，i_m表示电流传感器的实际读值，i_h表示无故障情况下的电流值；当出现传感器故障，i_h＝i₁＝i₂且i_m＝i₃＝(i_h+Δi₂)其中(i_m-i_h)可以表示Δi₂；当传感器和螺旋桨同时故障时，i_h＝i₁，i_m＝i₃＝(i_h+Δi₁+Δi₂)，将(D(i₂)-D(i₁))定义为故障分数1，用来检评估螺旋桨故障，将(D(i₃)-D(i₂))定义为故障分数2，用来评估电流传感器，D表示判别过程。

3.根据权利要求1所述的面向水下推进器的多故障混合诊断方法，其特征在于，所述步骤D中，自动编码器用于参数更新的损失函数为：其中，n表示每个电流数据样本中的采样点数，t表示电流的来源当其取值为1，2和3时分别对应来自机械运动模型，电机电压模型和电流传感器；特征鉴别器的损失函数为：L_D＝E[D(i₁)]+E[D(i₂)]-E[D(i₃)]，其中D表示判别过程，E表示均值，整个损失函数为：L_total(θ_en，θ_de，θ_D)＝L_re(θ_en，θ_de)+λL_D(θ_en，θ_D)，其中λ是平衡因子，θ_en，θ_de，θ_D分别代表特征编码器、特征解码器和特征鉴别器的参数。

4.根据权利要求1所述的面向水下推进器的多故障混合诊断方法，其特征在于，所述步骤B中：电机的电压模型为Us＝Li₃+Ri₂+C_en_m，转化后为Ri₂＝Us-C_en_m，其中U是电机母线电压，L是电机电感，s是电机控制信号，R是电机电阻，C_e是电机的速度常数。

5.根据权利要求1所述的面向水下推进器的多故障混合诊断方法，其特征在于，所述步骤A中，电机的机械运动模型为：其中C_m是电机转矩系数，i₁是推进器的电流，J_M是电机转动惯量，B_v是电机摩擦系数，n_m是推进器转速，是电机的加速度，Q_load是螺旋桨产生的转矩；螺旋桨的转矩其中u是AUV的航速，k₁，k₂，k₃是螺旋桨的水动力系数，通过如上两式获得电流与转速及航速之间的关系：

进而计算出电流值i₁。

6.根据权利要求1所述的面向水下推进器的多故障混合诊断方法，其特征在于，所述步骤D中，所述特征鉴别器由三个全连接层组成，分别具有200、64和32个神经元，用于区分提取特征的来源。