论文部分内容阅读
随着陆地上不可再生资源的日益减少,开发海洋资源受到世界海洋国家的重视。开发海洋需要先进的技术和装备,水下机器人作为目前能在深海中作业的唯一装备,受到人们的重视。无人无缆自主式水下机器人(AUV:Autonomous Underwater Vehicle)自主工作在复杂的水下环境中,安全性是AUV研制和实用化过程中需要研究的重要问题之一,故障诊断技术是确保AUV安全性的基础技术。推进器是AUV中使用频率最高、工作负荷最重的部件,也是水下机器人最常见故障源。结合AUV所工作的环境及其自身强非线性的特点,研究推进器故障诊断技术,对于提高AUV安全性、加快其实用化进程具有重要研究意义和实用价值。本文针对AUV推进器故障的故障特征预测问题,分别从故障预测诊断方案、状态量故障特征提取方法、控制量故障特征提取方法、故障特征量预测模型建立方法四个方面进行研究。研究AUV故障诊断预测方案。由于AUV工作在海洋环境中,受海流等随机干扰,且AUV自身具有强非线性,难以建立AUV准确的故障预测模型。针对此问题,本文提出一种基于支持向量回归(Support Vector Regression,SVR)和经验模态分解算法相融合故障预测诊断总体方案。该方案针对AUV的在线数据集,提取各个时间段的故障特征值,建立AUV推进器的故障特征预测诊断模型。通过“海狸-Ⅱ”号AUV实验样机模拟推进器出力故障的诊断结果,验证本文方案的有效性。研究从AUV状态量中推进器故障特征提取方法。传统的基于分形维数和修正的贝叶斯方法从状态量提取的故障特征中包含有传感器噪声引起的随机干扰,该随机干扰障特征值可能大于故障特征值导致故障诊断结果错误。针对此问题,本文提出基于经验模态分解、频率或幅度差上的突变(Short-time Higher Frequency Component,SHFC)定位算法、分形维数相结合的从状态量中提取故障特征的方法。基于“海狸-Ⅱ”号AUV实验样机推进器故障模拟水池实验数据,通过对比本文方法与传统修正贝叶斯和分形维数方法的故障特征提取效果,验证本文的有效性。本文在实验研究中发现,本文采用的分形维数方法自带嵌入维数这一参数,而故障特征提取效果依赖于嵌入维数的选择。针对嵌入维数的选取对故障特征提取如何影响的问题,本文采用直接实验法对嵌入维数值进行了选择,通过采用不同参数对故障特征进行提取,选取了最佳的故障特征提取维数参数。研究从AUV控制量中推进器故障特征提取方法。传统分形维数方法是一种故障特征提取方法,本身不具有故障辨识能力,并且在本文的故障特征提取过程中,存在故障特征提取计算时间长的缺陷。针对此问题,本文提出建立多个SVR特征模型的故障特征提取及辨识的改进方法。同时本文基于“海狸-Ⅱ”号AUV实验样机模拟推进器出力故障水池实验数据,通过对比本文改进方法与分形维数方法故障特征提取结果,验证本文改进方法的有效性。研究基于预测模型的AUV故障预测诊断方法。针对传统的模糊定性模型故障诊断方法,数据量有限,以及水下环境复杂,数据波动较大,使得模糊定性模型故障诊断方法对推进器故障检测能力较差的问题。本文以控制量、状态量以及控制量和状态量的融合故障特征作为学习数据,建立SVR故障特征预测模型,通过对该模型输出信号和实际输出信号之间的残差是否超过阈值,实时检测推进器故障。本文基于“海狸-Ⅱ”号AUV实验样机模拟推进器出力故障水池实验数据,验证预测模型的故障在线诊断效果。为了获得最好的故障预测诊断效果,本文基于“海狸-Ⅱ”号AUV模拟推进器出力故障水池实验数据,进行带故障特征学习输入和不带故障特征学习输入、单步预测和多步预测模型故障诊断结果的效果验证实验。