基于小波分形的自主式水下机器人故障辨识方法
【技术领域】
[0001] 本发明涉及的是一种自主式水下机器人故障辨识与容错控制方法，具体地说是一 种基于小波分解和分形对自主式水下机器人推进器故障程度进行故障辨识的方法。
【背景技术】
[0002] 随着陆地资源日渐减少，人类开发海洋的步伐越来越快。自主式水下机器人（AUV : Autonomous Underwater Vehicle)是目前唯一能够在无人情况下在深海进行探测、开发的 载体，一直受到国内外研究人员的高度重视。推进器是AUV最重要的执行部件且负荷最重， 一旦其出现故障直接影响AUV的安全性，基于推力二次分配的容错控制方法大多需要准确 的推进器故障程度。外部干扰下的AUV推进器故障程度辨识对于保障AUV自身安全性，提 高AUV自主作业成功率具有重要意义。
[0003] 均值滤波是最简单的外扰抑制方法，其算法简单，在很多领域去噪效果良好，但一 般只用于静态或低动态情况；FIR数字滤波器继承了模拟滤波器的优点，并且可以用快速 傅里叶变换来实现，大大提高了运算速度。FIR滤波器对信号进行滤波去噪是在频域中完成 的，依靠信号和噪声的不同频谱特征来实现噪声滤除，适应于静、动态信号去噪，但去噪效 果一般，不如均值滤波好。以上两种方法均不适合复杂多变的海洋环境外部随机干扰抑制。
[0004] 小波变换是近年来迅速发展起来的时频分析工具，克服了傅里叶变换只能表示信 号的频率特征但不能反映时间域上局部信息的缺陷，小波变换同时具有时间和频率的局部 分析特征与多分辨率分析特性，并已在图像处理、信号滤波与特征提取等方面获得了广泛 的应用。小波降噪方法以小波变换为基础，根据信号和噪声经过小波分解后对应的小波系 数所具有的不同特性，可很好地实现外部干扰抑制，以提高故障辨识结果的准确性，并且由 于小波分解的多频段特性，通过多层小波分解获得了关于AUV推进器故障的多频段冗余描 述。
[0005] 传统基于AUV时域信号进行故障辨识的方法，由于外部随机干扰的影响，以及AUV 不同程度推力损失对应的故障特征并非呈单一变化趋势，导致故障辨识精度较低。为解决 这一辨识精度较低的问题，采用分形特征提取方法提取AUV传感器、控制器信号时域信号 以及多层小波分解后小波系数的分形特征值，以之作为故障特征，并组建故障特征矩阵，通 过待测故障信号故障特征矩阵与故障模式库中已知故障程度故障特征矩阵的相关系数值， 达到辨识AUV故障程度并提高故障辨识精度的目的。
【发明内容】
[0006] 本发明的目的在于提供一种将小波分解与分形特征相结合，可有效解决自主式水 下机器人受外部干扰和量测噪声影响，仅通过提取时域信号非线性故障特征辨识精度较低 等问题的基于小波分形的自主式水下机器人故障辨识方法。
[0007] 本发明的目的是这样实现的：
[0008] (1)采用多层小波分解方法对自主式水下机器人传感器和控制器数据进行分解， 具体包括：
[0009] (I. 1)数据截取过程：当采集到数据长度为L的多普勒数据后启动检测，当再次采 集到新的数据后，舍弃原数组第一个数据并将新采集回来的数据放在原数组的末尾，始终 保持数据长度为L ;
[0010] (1. 2)小波分解过程：对步骤（I. 1)截取的自主式水下机器人传感器和控制器信 号进行W层小波分解，小波基函数为"X" ；
[0011] (2)采用分形特征提取方法对原始信号以及步骤（1. 2)获得的小波细节系数和小 波逼近系数提取分形故障特征F，所述分形特征提取方法的步骤如下：
[0012] (2. 1)设置宽度为R的矩形覆盖到待提取分形特征的曲线上，逐步移动矩形遍及 所有曲线点，将所有矩形的高度和宽度相乘并且相加，得到总面积S(R);
[0013] (2. 2)按式Rp= 2 P*R，其中p = 1,2, 3··· L/2,系列地改变R的大小后重复步骤 (2.1)，得到一些列面积S(R);
[0014] (2.3)将S (R)除以R2得到N(R)，采用最小二乘拟合方法对所得系列值Ln (N(R))/ Ln (1/R)拟合直线，直线的斜率即为分形维数F的大小；
[0015] (3)采用相关系数方法对自主式水下机器人待测故障信号进行故障辨识，所述故 障辨识方法的步骤如下：
[0016] (3. 1)构建故障特征矩阵过程：根据步骤（1)所述多层小波分解方法和步骤 (2)所述分形故障特征提取方法，分别获得了自主式水下机器人传感器和控制器信号时 域信号与多层小波分解后小波系数的分形特征，采用这些分形特征构建故障特征矩阵
【主权项】
1. 一种基于小波分形的自主式水下机器人故障辨识方法，其特征是： (1) 采用多层小波分解方法对自主式水下机器人传感器和控制器数据进行分解，具体 包括： (1. 1)数据截取过程：当采集到数据长度为L的多普勒数据后启动检测，当再次采集到 新的数据后，舍弃原数组第一个数据并将新采集回来的数据放在原数组的末尾，始终保持 数据长度为L; (1. 2)小波分解过程：对步骤（1. 1)截取的自主式水下机器人传感器和控制器信号进 行W层小波分解，小波基函数为"X" ； (2) 采用分形特征提取方法对原始信号以及步骤（1.2)获得的小波细节系数和小波逼 近系数提取分形故障特征F，所述分形特征提取方法的步骤如下： (2. 1)设置宽度为R的矩形覆盖到待提取分形特征的曲线上，逐步移动矩形遍及所有 曲线点，将所有矩形的高度和宽度相乘并且相加，得到总面积S(R); (2. 2)按式Rp= 2P*R，其中p= 1，2, 3-L/2,系列地改变R的大小后重复步骤（2. 1)， 得到一些列面积S(R); (2. 3)将S(R)除以R2得到N(R)，采用最小二乘拟合方法对所得系列值Ln(N(R))/Ln(1/R)拟合直线，直线的斜率即为分形维数F的大小； (3) 采用相关系数方法对自主式水下机器人待测故障信号进行故障辨识，所述故障辨 识方法的步骤如下： (3. 1)构建故障特征矩阵过程：根据步骤（1)所述多层小波分解方法和步骤（2) 所述分形故障特征提取方法，分别获得了自主式水下机器人传感器和控制器信号时域 信号与多层小波分解后小波系数的分形特征，采用这些分形特征构建故障特征矩阵
，式中：FAOT为所构建的AUV故障特征矩阵，F ruL、 、FJPF0分别代表左主推电压、右主推电压、纵向速度和艏向角度时域信号分形特征， 和巧_分别代表上述时域信号分别对应的小波分解后逼近系数 的分形特征，，分别代表上述时域信号分别对应的小波分解 后细节系数的分形特征； (3. 2)计算相关系数R过程：根据步骤（3. 1)获得的待测信号故障特征矩阵，计算其与 故障样本特征矩阵之间的相关系数C，
式中：x为第x个 待测信号，j为故障模式库中第j种故障样本，C(x，j)为待测信号x与第j种故障样本的 相关系数，m为故障特征矩阵的行数，n为故障特征矩阵的列数，Fx为待测信号故障特征矩 阵中对应m、n值位置的分形特征，户为故障模式库中第j种故障样本所属故障特征矩阵对 应m、n值位置的分形特征； (3.3)根据相关系数C辨识故障程度过程：步骤（3.2)计算得出的C(x，j)越大，表征 待测信号x与对应的第j种故障样本的相关程度越大，即推力损失程度越接近；反之则表征 待测信号与对应的第j种故障样本的推力损失程度越不接近。
2. 根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征 是：数据长度L= 200。
3. 根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征 是：小波分解层数W= 3,小波基函数"X"为"dbl"。
4. 根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征 是：矩形览度R= 2。
5. 根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征 是：故障特征矩阵行数m= 3,列数n= 4。
6. 根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征 是：故障样本数」=6，对应的故障程度分别为0%、10%、20%、30%、40%和50%。
【专利摘要】本发明提供的是一种基于小波分形的自主式水下机器人故障辨识方法。通过对自主式水下机器人状态信号进行多层小波分解，以抑制外部随机干扰对辨识准确性的影响，并获得自主式水下机器人推进器故障多个频段上的故障描述，提高故障辨识精度；对多层小波分解获得的小波逼近系数和小波细节系数提取分形特征，组成分形特征矩阵，通过与前期通过水池实验建立的样本特征矩阵中的分形特征计算相关系数，得到推进器故障辨识结果。本发明适用于解决自主式水下机器人由于受外部随机干扰影响，推进器故障程度准确度不高的问题，提高了故障辨识精度，可用于自主式水下机器人推进器故障辨识、容错控制等领域。
【IPC分类】G05B23-02
【公开号】CN104699073
【申请号】CN201510059018
【发明人】张铭钧, 刘维新, 刘星, 殷宝吉, 王玉甲, 赵文德, 姚峰
【申请人】哈尔滨工程大学
【公开日】2015年6月10日
【申请日】2015年2月5日