自主式水下機器人推進器與傳感器多故障診斷技術研究.pdf

1、隨著陸地上不可再生資源的日益減少,海洋在人類生存發(fā)展中的地位愈加突出,海洋開發(fā)需要先進技術和裝備。水下機器人是目前唯一能夠在深海環(huán)境中工作的裝備。隨著海洋開發(fā)進程的加快,對水下機器人技術提出了更高和更迫切的要求。自主式水下機器人(Autonomous Underwater Vehicle,AUV)無人無纜自主完成水下探測與作業(yè)任務,安全性和可靠性是AUV研究和應用中的關鍵問題。狀態(tài)監(jiān)測與故障診斷是保證AUV安全性的基礎和核心技術,AUV

2、故障診斷理論的研究對提高其安全性具有重要的科學意義和實際應用價值。
　　 本文針對AUV故障診斷技術中的多故障并發(fā)診斷問題,主要從AUV推進器與傳感器故障的隔離與定位、多傳感器并發(fā)故障的檢測以及多故障模式的動態(tài)分類三方面進行研究。
　　 針對AUV推進器與傳感器出現(xiàn)單發(fā)或并發(fā)故障時的故障隔離與定位問題,提出一種定量定性診斷方法。該方法通過建立AUV系統(tǒng)的神經(jīng)網(wǎng)絡故障檢測觀測器模型,基于多源特征信息在模型輸出端直接對推進器

3、和傳感器故障參數(shù)進行映射,根據(jù)故障參數(shù)的大小進行推進器和傳感器故障的隔離;在故障隔離后,根據(jù)推進器或傳感器故障時AUV控制量和狀態(tài)量表現(xiàn)出不同變化趨勢的特點,基于動態(tài)趨勢分析理論,對AUV控制量和狀態(tài)量的實時變化趨勢進行在線提取、辨識和合并,得到各信號的實時趨勢基元描述,通過實時趨勢基元描述與己建立的專家故障知識庫中AUV控制量和狀態(tài)量趨勢基元集合之間的匹配映射,進行故障定位。實驗結果驗證了該方法在推進器與傳感器故障隔離與定位過程中的有

4、效性。
　　 針對AUV多傳感器并發(fā)故障的檢測問題,本文提出一種小波分析和神經(jīng)網(wǎng)絡相結合的故障特征提取方法及模糊加權屬性信息融合的故障檢測方法。在故障特征提取研究方面,針對海洋環(huán)境中傳感器故障信號和噪聲干擾信號相互混疊的問題上,考慮到信號經(jīng)小波分解后其噪聲信號與故障信號在不同分辨率下的細節(jié)系數(shù)中具有不同傳遞特征的特點,提出將細節(jié)系數(shù)進行閾值去噪后重構融合的方法獲得反映原信號整體局部細節(jié)變化信息的量作為傳感器的一類故障特征值,稱為

5、細節(jié)殘差;同時考慮到傳感器故障時,傳感器實際測量狀態(tài)值與AUV理論狀態(tài)值存在偏差的特點,本文將故障檢測觀測器對AUV理論狀態(tài)值的估計值與傳感器測量狀態(tài)值之間的差值作為另一類故障特征值,稱為觀測殘差。細節(jié)殘差和觀測殘差從不同角度構成了對AUV傳感器故障描述的多源故障特征信息。實驗結果驗證了本文提出的故障特征提取方法的有效性。在故障檢測研究方面,針對多源故障特征信息到故障描述的一致性問題,考慮到故障原因與故障特征之間存在的冗余和矛盾,本文提

6、出一種模糊加權屬性信息融合的方法。該方法通過引入多源故障特征的屬性信息,將屬性信息進行模糊融合轉(zhuǎn)換以獲得多源故障特征信息對故障描述的加權值,對多源故障特征信息進行加權融合,得到判斷傳感器狀態(tài)的故障值,根據(jù)故障值的大小進行傳感器故障的檢測。實驗結果驗證了本文提出的多傳感器并發(fā)故障檢測方法的有效性。
　　 在AUV的多故障模式分類方面,針對傳統(tǒng)支持向量域描述算法只對一類樣本進行訓練,且在分類過程中由于未考慮樣本數(shù)目的不均衡及樣本分布

7、疏密度的不同造成的誤分率較高的問題,本文提出一種基于正負類樣本建模的模糊加權支持向量域描述算法。該算法在建模過程中在正類樣本中加入負類樣本一起進行訓練,同時為每個樣本增加了局部疏密度和類別權值,使獲得的超球面決策邊界既能很好的包圍目標樣本點,也能很好的拒絕非目標樣本點。對比實驗表明,本文提出的改進算法較之傳統(tǒng)分類算法有更高的分類精度?；诒疚母倪M的支持向量域描述算法建立AUV的多故障模式動態(tài)分類模型,針對AUV多故障模式分類過程中故障模