一种AUV推进器系统故障诊断方法技术方案

本发明专利技术提出一种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，利用自编码器对故障进行识别；若自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。本方案对推进器故障诊断和识别时，不依赖大量的故障数据，仅依靠AUV自身携带的传感器的测量数据即可实现对电机电流和转速的反馈故障以及螺旋桨丢失、脱落和电路开路等多种故障进行识别和确定原因，具有更高的实际应用价值。具有更高的实际应用价值。具有更高的实际应用价值。

【技术实现步骤摘要】
一种AUV推进器系统故障诊断方法


[0001]本专利技术涉及推进器系统故障诊断
，具体涉及一种AUV推进器系统故障诊断方法。

技术介绍

[0002]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。
[0003]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。
[0004]自20世纪90年代以来，人们对推进器故障诊断进行了大量的研究。目前，对于推进器故障诊断的方法分为三大类，包括：基于解析模型的，基于数据驱动的以及基于混合方法的。比如，申请公布号为CN113283292A的专利技术专利公开一种水下微型推进器故障诊断的方法及装置，包括模型训练阶段，故障诊断阶段和模型优化阶段，模型训练阶段采集推进器在不同故障类型下的多组电机电流历史信号，作为模型的训练样本数据集，并对其采用改进的HHT变换进行特征向量提取，然后基于提取到的特征向量并结合水下微型推进器故障类型进行训练，得到推进器故障诊断模型；故障诊断阶段采集推进器的电机电流实时信号来提取其特征向量，并将特征向量输入到训练好的故障诊断模型中，判断出推进器故障状态；模型优化阶段将采集到的数据信息添加至预先建立的模型训练样本数据集中，并结合更新后的推进器故障类型进行训练，得到优化的推进器故障诊断模型。
[0005]对于现有的推进系统故障诊断方法存在两个问题：1、直接对推进器进行故障诊断的方法大多依靠推进器的反馈信息，一旦反馈信息错误将会导致故障误诊断；2、利用航行器模型对推进器故障进行识别虽然具有良好的效果，但对于引起故障的原因却无法确定。

技术实现思路

[0006]本专利技术为解决现有推进器故障诊断方案存在的精度差、故障原因无法确定等缺陷，提出一种AUV推进器系统故障诊断方法，不仅能够对推进器故障进行诊断，还能够确定故障原因。
[0007]本专利技术是采用以下的技术方案实现的：一种AUV推进器故障诊断方法，其特征在于，包括以下步骤：
[0008]步骤A、对电机负载和螺旋桨转矩进行估计；
[0009]步骤B、以估计的电机负载、螺旋桨转矩以及电机控制信号为输入，利用自编码器对故障进行识别；
[0010]若自编码器的重构误差超过设定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；
[0011]步骤C、构建故障隔离表，对故障原因进行分析确定：结合电机控制信号，实现推进器电流反馈故障、电机速度反馈故障和螺旋桨丢失、螺旋桨破损、开路故障的区分。
[0012]进一步的，所述步骤A中在对电机负载进行估计时，采用扩张状态观测器实现，具体的：
[0013](1)构建电机运动方程：
[0014][0015]其中，T
e
是电机电磁转矩，Q
M
是电机的负载转矩，J
M
是电机转动惯量，B
v
是电机摩擦系数，n是电机转速；
[0016](2)对电机负载进行估计，扩张状态观测器表示为：
[0017][0018]其中，是n的估计值，是λ的估计值，k1和k2是针对扩张状态观测器设计的观测增益，当观测器收敛后，根据得到观测的电机负载。
[0019]进一步的，所述步骤A中，利用螺旋桨扭矩方程对螺旋桨转矩进行估计：
[0020](1)螺旋桨的扭矩方程表示为:
[0021][0022]式中，g()是扭矩多项式，θ和T
θ
是俯仰运动引起的倾斜角和周期的变化，ψ和T
ψ
是由于偏航运动引起的倾斜角和周期的变化，h是AUV深度变化；
[0023](2)基于神经网络对螺旋桨转矩进行估计：
[0024]以u，θ，ψ，h，n
p
五个参数做为神经网络的输入，其中，u为AUV设备速度，n
p
为螺旋桨转速，神经网络的输出为螺旋桨转矩。
[0025]进一步的，所述步骤B中，将电机负载估计Q
m
、螺旋桨转矩估计Q
p
和电机控制信号s，输入稀疏自编码器，其误差计算如下:
[0026][0027]将上述误差与阈值r1、r2、r3进行比较，以确定是否发生了故障，故障的判别标准如下：
[0028][0029]其中，r1、r2、r3分别对应电机负载估计Q
m
、螺旋桨转矩估计Q
p
和电机控制信号s的设定阈值。
[0030]进一步的，所述步骤C中，首次识别故障并保持T0秒的时刻被定义为故障识别点；所述故障包括电流反馈故障、转速反馈故障、螺旋桨丢失、螺旋桨缠绕和开路故障；
[0031]定义任意两故障x1和x2之间的相关系数Cx1，x2:
[0032][0033]其中，t是故障识别点，T0是观察周期，η
x1
和η
x2
是变量x1和x2的平均值，的取值范围是
‑
1到1；
[0034]设相关系数|Cx1，x2|>M时，x1和x2之间存在相关性，则有以下故障分析及确定条件：
[0035]电流反馈故障：0<c
Qm,s
≤M，M≤c
Qp,s
且0＜c
Qm，Qp
；
[0036]转速反馈故障：M≤c
Qm,s
，0<c
Qp,s
≤M且0＜c
Qm，Qp
；
[0037]螺旋桨丢失：c
Qm,s
≤－M，M≤c
Qp,s
且c
Qm，Qp
＜0；
[0038]螺旋桨缠绕：M≤c
Qm,s
，c
Qp,s
≤－M且c
Qm，Qp
＜0；
[0039]开路故障：c
Qm,s
≤－M，c
Qp,s
≤－M且c
Qm，Qp
＞0；
[0040]其中，c
Qm,s
为电机负载与电机控制信号之间的相关系数，c
Qp,s
为螺旋桨转矩与电机控制信号之间的相关系数；c
Qm,Qp
为电机负载与螺旋桨转矩之间的相关系数。
[0041]与现有技术相比，本专利技术的优点和积极效果在于：
[0042]本方案首先基于电流和电机速度对电机负载进行估计，基于AUV的运动状态和电机速度对螺旋桨转矩进行估计，结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种AUV推进器故障诊断方法，其特征在于，包括以下步骤：步骤A、对电机负载和螺旋桨转矩进行估计；步骤B、以估计的电机负载、螺旋桨转矩以及电机控制信号为输入，利用自编码器对故障进行识别；若自编码器的重构误差超过设定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；步骤C、构建故障隔离表，对故障原因进行分析确定：结合电机控制信号，实现推进器电流反馈故障、电机速度反馈故障和螺旋桨丢失、螺旋桨破损、开路故障的区分。2.根据权利要求1所述的AUV推进器故障诊断方法，其特征在于：所述步骤A中在对电机负载进行估计时，采用扩张状态观测器实现，具体的：(1)构建电机运动方程：其中，T
e
是电机电磁转矩，Q
M
是电机的负载转矩，J
M
是电机转动惯量，B
v
是电机摩擦系数，n是电机转速；(2)对电机负载进行估计，扩张状态观测器表示为：其中，是n的估计值，是λ的估计值，k1和k2是针对扩张状态观测器设计的观测增益，当观测器收敛后，根据得到观测的电机负载。3.根据权利要求2所述的AUV推进器故障诊断方法，其特征在于：所述步骤A中，利用螺旋桨扭矩方程对螺旋桨转矩进行估计：(1)螺旋桨的扭矩方程表示为:式中，g()是扭矩多项式，θ和T
θ
是俯仰运动引起的倾斜角和周期的变化，ψ和T
ψ
是由于偏航运动引起的倾斜角和周期的变化，h是AUV深度变化；(2)基于神经网络对螺旋桨转矩进行估计：以u，θ，ψ，h，n
p
五个参数做为神经网络的输入，其中，u为AUV设备速度，n
p
为螺旋桨转速，神经网络的输出为螺旋桨转矩。4.根据权利要求1所述的AUV推进器故障诊断方法，其特征在于：所述步骤B中，将电机负载估计Q
m
、螺旋桨转矩估计Q
p
和电机控制信号s，输入稀疏自编码器，其误差计算如下:将上述误差与阈值r1、r2、r3进行比...

【专利技术属性】
技术研发人员：高爽，江景涛，严天宏，何波，
申请(专利权)人：青岛澎湃海洋探索技术有限公司，
类型：发明
国别省市：