基于通道扩展及序列融合的水下推进器故障辨识方法及辨识系统技术方案

本发明专利技术公开了一种基于通道扩展及序列融合的水下推进器故障辨识方法，获取水下机器人若干动态信号的时域序列；对各时域序列分别依次进行去均值、小波分解、修正贝叶斯算法、证据理论融合处理；然后对处理后的各序列分别进行傅里叶变换，得到对应的各频率序列；将各频率序列进行排列融合得到二维矩阵；以二维矩阵作为输入，通过故障诊断模型进行故障等级分类，得到推进器故障程度，所述故障诊断模型通过水下推进器故障试验建立。对时间序列通道进行了扩展，将扩展得到的频率序列诊断效果进行排序，并融合成二维矩阵进行超参数学习，大大提高了故障程度辨识收敛速度和辨识精度。高了故障程度辨识收敛速度和辨识精度。高了故障程度辨识收敛速度和辨识精度。

【技术实现步骤摘要】
基于通道扩展及序列融合的水下推进器故障辨识方法及辨识系统


[0001]本专利技术涉及水下机器人推进器故障检测，具体是涉及一种基于通道扩展及序列融合的水下推进器故障辨识方法及辨识系统。

技术介绍

[0002]随着人类对海洋的探索与开发，在北极、马里亚纳海沟、海边港口等都能发现水下机器人的身影，由此可见，水下机器人在海洋探索中发挥着重要作用。而面对复杂的海洋环境，水下机器人的推进器需要在长时间、高强度的恶劣条件下连续工作，一旦推进器在工程实践中发生故障，水下机器人将无法顺利完成预期的任务，甚至会导致更大的损失。因此，有必要对水下推进器进行故障辨识，从而有效面对复杂的水下环境带来的挑战。
[0003]现有技术中，申请号为202010030259.6的中国专利申请公开了一种水下机器人推进系统故障的诊断方法，其中对原始数据进行了归一化处理，基于卷积神经网络直接根据电压等监测信号诊断出推进器故障程度。但该方案故障诊断模型采用的故障数据通道较少，从而数据中含有的故障信息较少，导致诊断模型辨识效果有限。
[0004]又如公开号为CN111275164A的中国专利申请公开了一种水下机器人推进系统故障的诊断方法，其中将采集到的水下机器人推进系统的电压、电流、输出转速和拉压数据采用归一化处理，基于卷积神经网络对水下机器人推进系统进行故障定位和故障分级。该方案将故障特征提取与故障诊断建模融为一体，直接根据电压等监测信号诊断出推进器故障程度。当故障信息在监测信号序列中的位置发生改变时，故障诊断结果准确率有时会降低。
[0005]现有关于故障诊断技术中，在棉纺织技术期刊发表的论文《基于FFT
‑
1D
‑
CNN的细纱机罗拉轴承故障诊断》提出一种基于快速傅里叶变换(FFT)及一维卷积神经网络(1D
‑
CNN)的变转速细纱机罗拉轴承故障诊断方法，该方法利用一维卷积神经网络对快速傅里叶变换的振动加速度信号进行故障诊断，实现了企业端到端的诊断需求，但该方法仅对故障的单一序列通道信息进行学习，故障辨识精度有限。
[0006]申请号为202110020601.9的中国专利申请公开了一种基于多通道CNN多元信息融合的轴承故障诊断方法，其中将采集的轴承双侧时域振动信号输入具有多个双通道卷积核的多信息融合的卷积神经网络，减少了网络模型的计算过程，但该方法未考虑到信号融合时，单一序列排列顺序对神经网络模型的影响，使得辨识效果不佳。

技术实现思路

[0007]专利技术目的：针对以上缺点，本专利技术提供一种提高故障辨识收敛速度和辨识精度的基于通道扩展及序列融合的水下推进器故障辨识方法。
[0008]本专利技术还提供一种基于通道扩展及序列融合的水下推进器故障辨识系统。
[0009]技术方案：为解决上述问题，本专利技术采用一种基于通道扩展及序列融合的水下推进器故障辨识方法，包括以下步骤：
[0010](1)采集水下机器人的若干动态信号，获取若干动态信号的时域序列；
[0011](2)对获得的各时域序列分别依次进行去均值、小波分解、修正贝叶斯算法、证据理论融合处理，实现序列通道扩展；
[0012](3)将去均值处理后的各序列、小波分解处理后的各序列、修正贝叶斯算法处理后的各序列、证据理论融合处理后的融合序列分别进行傅里叶变换，得到对应的各频率序列；
[0013](5)将各频率序列进行排列融合得到二维矩阵；
[0014](6)以二维矩阵作为输入，通过故障诊断模型进行故障等级分类，得到推进器故障程度，所述故障诊断模型通过水下推进器故障试验建立。
[0015]进一步的，所述步骤(5)中各频率序列按照通道扩展处理顺序进行排列，即融合成的二维矩阵每一列依次为去均值处理后各序列对应的频率序列、小波分解处理后各序列对应的频率序列、修正贝叶斯算法处理后各序列对应的频率序列、融合序列的频率序列。
[0016]进一步的，所述步骤(5)中各频率序列按照信号种类顺序进行排列，即融合成的二维矩阵每一列依次为第一种动态信号去均值处理后序列对应的频率序列、小波分解处理后序列对应的频率序列、修正贝叶斯算法处理后序列对应的频率序列、第二种动态信号去均值处理后序列对应的频率序列、小波分解处理后序列对应的频率序列、修正贝叶斯算法处理后序列对应的频率序列、
……
、第n种动态信号去均值处理后序列对应的频率序列、小波分解处理后序列对应的频率序列、修正贝叶斯算法处理后序列对应的频率序列、融合序列的频率序列。
[0017]进一步的，所述步骤(5)中各频率序列按照其卷积神经网络训练与测试结果从优到差的顺序进行排列；构造一维卷积神经网络，以频率序列作为故障样本输入，以推进器故障等级作为输出，构造交叉熵损失函数，基于梯度下降法更新卷积神经网络权值，记录卷积神经网络训练的收敛速度以及辨识精度，获得卷积神经网络训练与测试结果。
[0018]进一步的，所述步骤(5)中各频率序列按照其卷积神经网络训练与测试结果从差到优的顺序进行排列；构造一维卷积神经网络，以频率序列作为故障样本输入，以推进器故障等级作为输出，构造交叉熵损失函数，基于梯度下降法更新卷积神经网络权值，记录卷积神经网络训练的收敛速度以及辨识精度，获得卷积神经网络训练与测试结果。
[0019]进一步的，步骤(2)中证据理论融合处理的具体内容为：
[0020](2.4.1)确定推进器故障的识别框架Θ；
[0021](2.4.2)根据修正贝叶斯算法处理后各序列的故障证据的可信度分配函数，计算融合序列的故障证据的可信度分配函数：
[0022](2.4.3)计算融合序列可信度分配函数的支持度；
[0023](2.4.4)根据步骤(2.4.3)计算得到的支持度，计算得到可信度值时域序列C(A
k
)，并将C(A
k
)作为最终的融合序列。
[0024]本专利技术还提供一种基于通道扩展及序列融合的水下推进器故障辨识系统，包括采集模块，用于采集水下机器人的若干动态信号，获取若干动态信号的时域序列；
[0025]信号处理模块：用于对获得的各时域序列分别依次进行去均值、小波分解、修正贝叶斯算法、证据理论融合处理，实现序列通道扩展；
[0026]信号融合模块，用于将去均值处理后的各序列、小波分解处理后的各序列、修正贝叶斯算法处理后的各序列、证据理论融合处理后的融合序列分别进行傅里叶变换，得到对
应的各频率序列；将各频率序列进行排列融合得到二维矩阵；
[0027]故障辨识模块，用于将二维矩阵作为输入，通过故障诊断模型进行故障等级分类，得到推进器故障程度，所述故障诊断模型通过水下推进器故障试验建立。
[0028]有益效果：本专利技术相对于现有技术，其显著优点是对时间序列通道进行了扩展，将扩展得到的频率序列诊断效果进行排序，并融合成二维矩阵进行超参数学习，大大提高了故障程度辨识收敛速度和辨识精度。
附图说明
[0029]图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于通道扩展及序列融合的水下推进器故障辨识方法，其特征在于，包括以下步骤：(1)采集水下机器人的若干动态信号，获取若干动态信号的时域序列；(2)对获得的各时域序列分别依次进行去均值、小波分解、修正贝叶斯算法、证据理论融合处理，实现序列通道扩展；(3)将去均值处理后的各序列、小波分解处理后的各序列、修正贝叶斯算法处理后的各序列、证据理论融合处理后的融合序列分别进行傅里叶变换，得到对应的各频率序列；(5)将各频率序列进行排列融合得到二维矩阵；(6)以二维矩阵作为输入，通过故障诊断模型进行故障等级分类，得到推进器故障程度，所述故障诊断模型通过水下推进器故障试验建立。2.根据权利要求1所述的水下推进器故障辨识方法，其特征在于，所述步骤(5)中各频率序列按照通道扩展处理顺序进行排列，即融合成的二维矩阵每一列依次为去均值处理后各序列对应的频率序列、小波分解处理后各序列对应的频率序列、修正贝叶斯算法处理后各序列对应的频率序列、融合序列的频率序列。3.根据权利要求1所述的水下推进器故障辨识方法，其特征在于，所述步骤(5)中各频率序列按照信号种类顺序进行排列，即融合成的二维矩阵每一列依次为第一种动态信号去均值处理后序列对应的频率序列、小波分解处理后序列对应的频率序列、修正贝叶斯算法处理后序列对应的频率序列、第二种动态信号去均值处理后序列对应的频率序列、小波分解处理后序列对应的频率序列、修正贝叶斯算法处理后序列对应的频率序列、
……
、第n种动态信号去均值处理后序列对应的频率序列、小波分解处理后序列对应的频率序列、修正贝叶斯算法处理后序列对应的频率序列、融合序列的频率序列。4.根据权利要求1所述的水下推进器故障辨识方法，其特征在于，所述步骤(5)中各频率序列按照其卷积神经网络训练与测试结果从优到差的顺序进行排列；构造一维卷积神经网络，以频率序列作为故障样本输入，以推进器故障等级作为输出，构造交叉熵损失函数，基于梯度下降法更新卷积神经网络权值，记录卷积神经网络训练的收敛速度以及辨识精度，获得卷积神经网络训练与测试结果。5.根据权利要求1所述的水下推进器故障辨识方法，其特征在于，所述步骤(5)中各频率序列按照其卷积神经网络训练与测试结果从差到优的顺序进行排列；构造一维卷积神经网络，以频率序列作为故障样本输入，以推进器故障等级作为输出，构造交叉熵损失函数，基于梯度下...

【专利技术属性】
技术研发人员：颜静，张叶磊，李明义，辛伯彧，徐文星，殷宝吉，张建，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：