一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法技术

本发明专利技术公开了一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，包括以下步骤：S1、设计采集深海潜水器的推进器的故障样本；S2、深海潜水器的推进器深度卷积神经网络故障辨识模型设计；S3、深海潜水器的推进器的深度卷积神经网络学习模型的离线训练；S4、深海潜水器的推进器故障大小的在线识别输出。根据本发明专利技术，将YOLO深度卷积神经网络引入到多传感器信息融合模型中，通过对推进器故障样本的离线学习，完成深海潜水器推进器的在线故障大小辨识。小辨识。小辨识。

【技术实现步骤摘要】
一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法


[0001]本专利技术涉及深海潜水器故障诊断方法的
，特别涉及一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法。

技术介绍

[0002]深海环境复杂多变，存在着巨大的不确定与危险性，同时也蕴含着丰富的矿产资源。深海潜水器作为深海探测与开发研究的国之重器，具有重大的经济与科研价值。受限于深海的复杂环境和不确定性，潜水器作业过程中面临各种不安全因素，特别是深海潜水器推进器系统完全裸露于深海水下环境中，极易出现作业故障，需要在线准确辨识推进器的故障模式与大小。
[0003]中国专利公开号为CN1709766的专利技术专利公开了一种浮力和推进器双驱动方式远程自治水下机器人，用于海洋水下工程
；它包括：机器人主体，一对主翼，一对推进器和垂直尾翼，机器人主体的外部是整流用的透水壳，主翼和垂直尾翼具有低流体阻力翼型，主翼设置于透水壳后部，对称分布于透水壳左右两侧，垂直尾翼设置于透水壳尾部，在透水壳的垂直对称面内，推进器设置在主翼的外侧。
[0004]上述专利技术专利具有推进器驱动和浮力驱动两种驱动方式，在浮力驱动模式下依靠浮力和重心的调节产生推力和控制运动方向，具有较高的续航能力，在推进器驱动模式下依靠推进器产生推力，依靠左右推进器的推力差和重心调节控制运动方向，具有较高机动能力。
[0005]专利号为US5995992的美国专利公开了一种用于一种海洋科学测量与搜索的6英尺长，直径为13英寸的自治水下机器人，介绍了它的计算机系统，I/O口，水下浮力，回收框架，电池动力，高速串口，实时数据采集及其控制系统的设计。但是，上述这些专利均是关于无人水下机器人装置的设计，但是由于海洋深处工作环境的复杂性，不可预测性，水下机器人一旦出现故障，不仅机器人无法完成水下作业任务，而且机器人本身也难以回收，损失巨大，其可靠性技术研究与设计显得十分关键，而关于深海潜水器的故障大小辨识技术的研究几乎还是空白。
[0006]YOLO深度卷积神经网络(You Only Look Once深度卷积神经网络)

技术实现思路

[0007]针对现有技术中存在的不足之处，本专利技术的目的是提供一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，将YOLO深度卷积神经网络引入到多传感器信息融合模型中，通过对推进器故障样本的离线学习，完成深海潜水器推进器的在线故障大小辨识。为了实现根据本专利技术的上述目的和其他优点，提供了一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，包括以下步骤：
[0008]S1、设计采集深海潜水器的推进器的故障样本；
[0009]S2、深海潜水器的推进器深度卷积神经网络故障辨识模型设计；
[0010]S3、深海潜水器的推进器的深度卷积神经网络学习模型的离线训练；
[0011]S4、深海潜水器的推进器故障大小的在线识别输出。
[0012]优选的，所述步骤S1包括：
[0013]S11、在推进器的桨叶上缠绕不同长度的绳子来模拟不同严重程度的推进器故障，所述绳子的长度代表了推进器涌堵故障的严重程度；
[0014]S12、将故障大小通过推进器的控制电压信号、转速信号和反馈电流信号相关联；
[0015]S13、通过步骤S12获得(控制电压、推进器转速、推进器反馈电流)：(推进器故障大小)之间的样本，(u，i，n)：(s)。
[0016]优选的，所述步骤S3中通过应用模拟推进器故障样本进行YOLO深度卷积神经网络信息融合故障辨识模型的离线学习训练，将控制电压u、推进器转速n、推进器反馈电流i作为故障辨识模型的输入，将已知故障样本的故障大小s为期望输出，对故障辨识模型进行迭代学习训练，直到学习误差满足设计要求。
[0017]优选的，所述步骤S4中将对深海潜水器在线监测的控制电压u、推进器转速n、推进器反馈电流i，输入训练好的YOLO深度卷积神经网络信息融合故障辨识模型，深海潜水器推进器故障辨识模型输出即为在线辨识故障大小。
[0018]本专利技术与现有技术相比，其有益效果是：将YOLO深度卷积神经网络引入到多传感器信息融合模型中，通过对推进器故障样本的离线学习，完成深海潜水器推进器的在线故障大小辨识；基于YOLO的推进器故障分类识别模型是将YOLO深度卷积神经网络和Softmax分类器结合，同时将YOLO深度卷积神经网络去掉了常规卷积神经网络基于区域候选检测模型中的RoI(Regions of Interest)结构，不再提取目标候选区域，从而大大提高目标识别速度，让实时故障辨识分类成为可能；模型中除加入批量归一化层和残差网络结构以外，还针对性的加入一个高分辨率的分类网络，从而在提高深海推进器故障识别实时性的同时，保证故障识别的准确性。
附图说明
[0019]图1为根据本专利技术的深海潜水器推进器故障辨识的深度卷积神经网络学习方法的深度卷积神经网络故障辨识系统图；
[0020]图2为根据本专利技术的深海潜水器推进器故障辨识的深度卷积神经网络学习方法的故障离线学习训练流程图；
[0021]图3为根据本专利技术的深海潜水器推进器故障辨识的深度卷积神经网络学习方法的推进器故障模式设计与样本获取实验图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0023]参照图1
‑
3，一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，包括
以下步骤：S1、设计采集深海潜水器的推进器的故障样本；
[0024]S2、深海潜水器的推进器深度卷积神经网络故障辨识模型设计；
[0025]S3、深海潜水器的推进器的深度卷积神经网络学习模型的离线训练；
[0026]S4、深海潜水器的推进器故障大小的在线识别输出。
[0027]进一步的，所述步骤S1包括：
[0028]S11、在推进器的桨叶上缠绕不同长度的绳子来模拟不同严重程度的推进器故障，所述绳子的长度代表了推进器涌堵故障的严重程度，绳子越长，涌堵故障越严重，故障系数也越大。同时，将推进器的桨叶全部卸下来模拟推进器的完全故障；
[0029]S12、将故障大小通过推进器的控制电压信号、转速信号和反馈电流信号相关联；
[0030]S13、通过步骤S12获得(控制电压、推进器转速、推进器反馈电流)：(推进器故障大小)之间的样本，(u，i，n)：(s)。
[0031]推进器由控制电压信号驱动，并由传感器系统采集对应的转速信号和反馈电流信号。对于所研究的推进器，每给定一个控制电压信号，桨叶上缠绕着不同长度的绳子意味着不同严重程度的涌堵故障，得到对应的转速信号和反馈电流信号，对应的故障大小也会不同。故障大小跟推进器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，其特征在于，包括以下步骤：S1、设计采集深海潜水器的推进器的故障样本；S2、深海潜水器的推进器深度卷积神经网络故障辨识模型设计；S3、深海潜水器的推进器的深度卷积神经网络学习模型的离线训练；S4、深海潜水器的推进器故障大小的在线识别输出。2.如权利要求1所述的一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，其特征在于，所述步骤S1包括：S11、在推进器的桨叶上缠绕不同长度的绳子来模拟不同严重程度的推进器故障，所述绳子的长度代表了推进器涌堵故障的严重程度；S12、将故障大小通过推进器的控制电压信号、转速信号和反馈电流信号相关联；S13、通过步骤S12获得(控制电压、推进器转速、推进器反馈电流)：(推进器故障大小)之...

【专利技术属性】
技术研发人员：朱大奇，褚振忠，陈琦，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：