论文部分内容阅读
随着陆地上不可再生资源的逐渐减少,各国对海洋开发的进程也不断加快。水下机器人作为目前唯一能够在深海环境中工作的载体,在海洋资源开发中起着不可替代的作用。自主式水下机器人(AUV:Autonomous Underwater Vehicle)无人无缆自主地工作在复杂多变的海洋环境中,安全性是其迈向实用化的重要前提。AUV推进器承载了机器人最主要的工作负荷,因此也成为故障多发部件。同时,推进器弱故障(推进器出力损失<10%)多为早期故障,且目前尚无成熟的理论和一致认可的解决方案,尽早有效地检测和诊断出早期故障对于避免AUV发生灾难性故障具有重要的意义。 本文针对AUV推进器弱故障诊断问题,主要从推进器故障特征提取、故障检测、未知程度故障辨识三个方面,进行以下研究工作。 研究“海狸-II”AUV实验平台推进器系统。为准确、有效地对AUV推进器系统进行状态监测与智能诊断,验证本文故障诊断方法的可行性,本文对“海狸-II”AUV实验平台推进器进行研究和改进,并通过水下环境实验重新建立了改进后的推进器动力学模型。最后通过故障软模拟的方法对该实验平台进行水池实验,提取故障诊断所需数据。 研究AUV故障特征提取方法。由AUV工作环境复杂多变、噪声干扰强,加之AUV自身结构复杂、非线性强,同时AUV单个状态量或控制量中包含故障特征信息较少。针对该问题,本文提出一种改进 D-S证据理论与等距特征映射(ISOMAP:Isometric Mapping)算法相结合的故障特征提取方法。该方法通过对AUV状态量和控制量融合后的数据进行相空间重构,生成高维特征矩阵,并对该特征矩阵进行非线性降维,从而得到AUV推进器中的故障特征。通过实验对比,验证了本文故障特征提取算法的有效性。 研究AUV故障检测方法。由于提取到的推进器特征均以二维离散点的形式体现,无法直观判断出特征点是否落在故障区域。针对该问题,本文提出一种基于改进人工免疫的故障检测方法。该方法通过对正常运行时提取到的特征数据进行训练和学习生成检测器集合,并利用生成的成熟检测器集合对故障特征数据进行检测。同时,为了得到不同故障程度时故障特征点的分布规律,并对该规律进行量化处理,本文首先基于欧氏距离对故障半径进行定义,并使用该定义测量不同程度故障特征点对应的故障半径。通过实验对比,验证了本文故障检测方法的有效性。 研究AUV未知程度故障辨识方法。由于人工免疫算法在推进器故障诊断方面不具备未知程度故障辨识的能力,且基于欧氏距离定义的故障半径无法体现出故障特征点的分布规律,并不是该种故障程度下的最小分类面。针对该问题,本文提出基于改进支持向量域(SVDD:Support Vector Domain Description)的未知程度故障辨识方法。该方法通过对检测出的故障特征点建立故障超球,并分析已知故障程度超球半径的分布规律,从而对未知程度故障进行辨识。通过实验对比,验证了本文未知程度故障辨识方法的有效性。