一種基于小波能量的自主式水下機器人故障辨識方法
【專利摘要】本發(fā)明涉及自主式水下機器人故障辨識與容錯控制【技術(shù)領(lǐng)域】，具體涉及一種基于小波能量的自主式水下機器人故障辨識方法。本發(fā)明包括：采用多層小波分解方法對自主式水下機器人傳感器和控制器數(shù)據(jù)進行分解；采用能量故障特征提取方法對原始信號以及小波細節(jié)系數(shù)和小波逼近系數(shù)提取故障特征；采用相關(guān)系數(shù)方法對自主式水下機器人待測故障信號進行故障辨識。本發(fā)明提方法既有效解決了AUV傳感器、控制器信號受外部干擾影響，故障辨識精度較低的問題,又利用多層小波分解的多頻段特性，獲得關(guān)于AUV推進器故障的冗余描述，并通過對多頻段故障信息同時提取故障特征并組建故障特征矩陣，提高AUV故障辨識精度，為容錯控制器提供準確的故障信息。
【專利說明】-種基于小波能量的自主式水下機器人故障辨識方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及自主式水下機器人故障辨識與容錯控制【技術(shù)領(lǐng)域】，具體涉及一種基于 小波能量的自主式水下機器人故障辨識方法。

【背景技術(shù)】
[0002] 隨著陸地資源日漸減少，人類開發(fā)海洋的步伐越來越快。自主式水下機器人（AUV : Autonomous化derwater Vehicle)是目前唯一能夠在無人情況下在深海進行探測、開發(fā)的 載體，一直受到國內(nèi)外研究人員的高度重視。推進器是AUV最重要的執(zhí)行部件且負荷最重， 一旦其出現(xiàn)故障直接影響AUV的安全性，基于推力二次分配的容錯控制方法大多需要準確 的推進器故障程度。外部干擾下的AUV推進器故障程度辨識對于保障AUV自身安全性，提 高AUV自主作業(yè)成功率具有重要意義。
[0003] 均值濾波是最簡單的外擾抑制方法，其算法簡單，在很多領(lǐng)域去噪效果良好，但一 般只用于靜態(tài)或低動態(tài)情況；FIR數(shù)字濾波器繼承了模擬濾波器的優(yōu)點，并且可W用快速 傅里葉變換來實現(xiàn)，大大提高了運算速度。FIR濾波器對信號進行濾波去噪是在頻域中完成 的，依靠信號和噪聲的不同頻譜特征來實現(xiàn)噪聲濾除，適應(yīng)于靜、動態(tài)信號去噪，但去噪效 果一般，不如均值濾波好。W上兩種方法均不適合復(fù)雜多變的海洋環(huán)境外部隨機干擾抑制
[0004] 小波變換是近年來迅速發(fā)展起來的時頻分析工具，克服了傅里葉變換只能表示信 號的頻率特征但不能反映時間域上局部信息的缺陷，小波變換同時具有時間和頻率的局部 分析特征與多分辨率分析特性，并已在圖像處理、信號濾波與特征提取等方面獲得了廣泛 的應(yīng)用。小波降噪方法W小波變換為基礎(chǔ)，根據(jù)信號和噪聲經(jīng)過小波分解后對應(yīng)的小波系 數(shù)所具有的不同特性，可很好地實現(xiàn)外部干擾抑制，W提高故障辨識結(jié)果的準確性，并且由 于小波分解的多頻段特性，通過多層小波分解獲得了關(guān)于AUV推進器故障的多頻段兀余描 述。
[0005] 傳統(tǒng)基于AUV時域信號進行故障辨識的方法，由于外部隨機干擾的影響，W及AUV 不同程度推力損失對應(yīng)的故障特征并非呈單一變化趨勢，導致故障辨識精度較低。為解決 該一辨識精度較低的問題，采用能量方法提取AUV傳感器、控制器信號時域信號W及多層 小波分解后小波系數(shù)的能量值，W之作為故障特征，并組建故障特征矩陣，通過待測故障信 號故障特征矩陣與故障模式庫中已知故障程度故障特征矩陣的相關(guān)系數(shù)值，達到辨識AUV 故障程度并提高故障辨識精度的目的。
[0006] 因此，將小波分解與能量特征相結(jié)合，構(gòu)成一種新型的自主式水下機器人故障辨 識方法，可有效解決自主式水下機器人受外部干擾和量測噪聲影響，僅通過提取時域信號 非線性故障特征辨識精度較低的問題。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于；克服現(xiàn)有技術(shù)的不足，提供一種基于小波分解和能量的自主 式水下機器人故障辨識方法，解決自主式水下機器人受外部干擾和量測噪聲影響，僅提取 時域信號非線性故障特征辨識精度較低的問題。
[0008] 本發(fā)明的目的是通過W下技術(shù)方案來實現(xiàn)的；基于多層小波分解方法和能量故障 特征提取方法，實現(xiàn)步驟如下：
[0009] (1)采用多層小波分解方法對自主式水下機器人傳感器和控制器數(shù)據(jù)進行分解：
[0010] (1. 1)數(shù)據(jù)截?。寒敳杉綌?shù)據(jù)長度為L的多普勒數(shù)據(jù)后啟動檢測算法，當再次采 集到新的數(shù)據(jù)后，舍棄原數(shù)組第一個數(shù)據(jù)并將新采集回來的數(shù)據(jù)放在原數(shù)組的末尾，始終 保持數(shù)據(jù)長度為L ;
[0011] (1. 2)小波分解；對步驟（1. 1)截取的自主式水下機器人傳感器和控制器信號進 行W層小波分解，小波基函數(shù)為X，得到對應(yīng)的小波細節(jié)系數(shù)和小波逼近系數(shù)；
[0012] (2)采用能量故障特征提取方法對原始信號W及步驟（1. 2)獲得的小波細節(jié)系數(shù) 和小波逼近系數(shù)提取故障特征E，^ = 式中N為數(shù)據(jù)總長度，k為具體數(shù)據(jù)點位 皮=1 置，Sk為數(shù)據(jù)第k點取值；
[0013] (3)采用相關(guān)系數(shù)方法對自主式水下機器人待測故障信號進行故障辨識：
[0014] (3. 1)構(gòu)建故障特征矩陣；根據(jù)步驟（1)所述多層小波分解方法和步驟（2)所述 能量故障特征提取方法，分別獲得自主式水下機器人傳感器和控制器信號時域信號與多層 小波分解后小波系數(shù)的能量特征，采用該些能量特征構(gòu)建故障特征矩陣
[0015]

【權(quán)利要求】
1. 一種基于小波能量的自主式水下機器人故障辨識方法，其特征在于，實現(xiàn)步驟如 下： (1) 采用多層小波分解方法對自主式水下機器人傳感器和控制器數(shù)據(jù)進行分解： (I. 1)數(shù)據(jù)截?。寒敳杉綌?shù)據(jù)長度為L的多普勒數(shù)據(jù)后啟動檢測算法，當再次采集到 新的數(shù)據(jù)后，舍棄原數(shù)組第一個數(shù)據(jù)并將新采集回來的數(shù)據(jù)放在原數(shù)組的末尾，始終保持 數(shù)據(jù)長度為L; (1.2) 小波分解：對步驟（1.1)截取的自主式水下機器人傳感器和控制器信號進行W 層小波分解，小波基函數(shù)為X，得到對應(yīng)的小波細節(jié)系數(shù)和小波逼近系數(shù)； (2) 采用能量故障特征提取方法對原始信號以及步驟（1.2)獲得的小波細節(jié)系數(shù)和小 波逼近系數(shù)提取故障特征E，
，式中N為數(shù)據(jù)總長度，k為具體數(shù)據(jù)點位置，Sk 為數(shù)據(jù)第k點取值； (3) 采用相關(guān)系數(shù)方法對自主式水下機器人待測故障信號進行故障辨識： (3. 1)構(gòu)建故障特征矩陣：根據(jù)步驟（1)所述多層小波分解方法和步驟（2)所述能量 故障特征提取方法，分別獲得自主式水下機器人傳感器和控制器信號時域信號與多層小波 分解后小波系數(shù)的能量特征，采用這些能量特征構(gòu)建故障特征矩陣
式中：Eauv為所構(gòu)建的AUV故障特征矩陣，巧/,、巧/s、EjPE0分別代表左主推電壓、 右主推電壓、縱向速度和艏向角度時域信號能量特征，、Ahw、&,分 別代表上述時域信號分別對應(yīng)的小波分解后逼近系數(shù)的能量特征，Aqli,、Asft,和 分別代表上述時域信號分別對應(yīng)的小波分解后細節(jié)系數(shù)的能量特征； (3.2) 計算相關(guān)系數(shù)R:根據(jù)步驟（3. 1)獲得的待測信號故障特征矩陣，計算與故障樣 本特征矩陣之間的相關(guān)系數(shù)R，
X為第X個待測信號，j為故障模式庫中第j種故障樣本，R(x，j)為待測信號X與第j種故障樣本的相關(guān)系數(shù)，m為故障特征矩陣的行數(shù)，n為故障特征矩陣的列數(shù)，Ex為待測信 號故障特征矩陣中對應(yīng)m、n值位置的能量特征，為故障模式庫中第j種故障樣本所屬故 障特征矩陣對應(yīng)m、n值位置的能量特征； (3. 3)根據(jù)相關(guān)系數(shù)R辨識故障程度：步驟（3. 2)計算得出的R(x，j)越大，表征待測 信號X與對應(yīng)的第j種故障樣本的相關(guān)程度越大，即推力損失程度越接近；反之則表征待測 信號與對應(yīng)的第j種故障樣本的推力損失程度越不接近。
2. 根據(jù)權(quán)利要求1所述的一種基于小波能量的自主式水下機器人故障辨識方法，其特 征在于：步驟（I. 1)所述的數(shù)據(jù)長度L= 200。
3. 根據(jù)權(quán)利要求1所述的一種基于小波能量的自主式水下機器人故障辨識方法，其特 征在于：步驟（1. 2)所述的小波分解層數(shù)W= 3,小波基函數(shù)"X"為"dbl"。
4. 根據(jù)權(quán)利要求1所述的一種基于小波能量的自主式水下機器人故障辨識方法，其特 征在于：步驟（3. 1)所述的故障特征矩陣行數(shù)m= 7,列數(shù)n= 4。
5. 根據(jù)權(quán)利要求1所述的一種基于小波能量的自主式水下機器人故障辨識方法，其 特征在于：步驟（3.2)所述的故障樣本數(shù)j= 6,對應(yīng)的故障程度分別為 30%、40%和 50%。
【文檔編號】G05B23/02GK104503432SQ201410705681
【公開日】2015年4月8日 申請日期:2014年11月27日 優(yōu)先權(quán)日:2014年11月27日
【發(fā)明者】張銘鈞, 劉維新, 劉星, 殷寶吉, 王玉甲, 趙文德, 姚峰 申請人:哈爾濱工程大學