[发明专利]基于模糊支持向量域描述的水下机器人状态监测方法

权利要求书

1.基于模糊支持向量域描述的水下机器人状态监测方法，其特征在于：

(1)构造目标样本

基于修正贝叶斯分类算法分别从推进器正常工作时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息，得到速度信号故障特征X_S＝{x_Si}和控制信号故障特征X_C＝{x_Ci}，其中，i＝1,2,…,N₁，N₁为这一组特征值中的节拍个数；

基于上述两组故障特征建立目标样本集X＝{x_i}，目标样本集X中共有N₁个目标样本，且目标样本x_i＝[x_Si x_Ci]^T；

基于模糊隶属度函数s_xi＝S(x_Ci)计算目标样本x_i的模糊隶属度系数s_xi，然后将目标样本集扩展为S_X＝{(x_i,s_xi)}的形式；

(2)建立FSVDD监测模型

对公式进行优化计算，其中：s_xi是目标样本x_i的模糊隶属度系数，约束条件为0≤α_i≤C，K(x_i,x_j)为核函数，C为惩罚系数，得到全局最优解α＝{α_i}，i＝1,2,…,N₁，其中：多数α_i＝0，少数α_i>0，这部分不为零的α_i对应的目标样本为支持向量，用x_svi表示；

计算得到FSVDD超球的半径为：

全局最优解α＝{α_i}、支持向量x_svi、超球半径共同构成了FSVDD监测模型；

(3)构造待测样本

基于修正贝叶斯分类算法分别从推进器运行状态待测时的AUV纵向速度信号小波近似分量和推进器控制信号中提取特征信息，得到速度信号故障特征Z_S＝{z_Si}和控制信号故障特征Z_C＝{z_Ci}，其中，i＝1,2,…,N₂，N₂为这一组特征值中的节拍个数；

基于上述两组特征信息建立待测样本集Z＝{z_i}，其中待测样本z_i＝[z_Si z_Ci]^T；

基于模糊隶属度函数s_zi＝S(z_Ci)计算待测样本z_i的模糊隶属度系数s_zi，然后将待测样本集扩展为S_Z＝{(z_i,s_zi)}的形式，其中，i＝1,2,…,N₂；

(4)计算监测系数

待测样本(z_i,s_zi)到超球球心的广义距离为：

其中：K(z_i,x_i)是核函数，

监测系数为：

其中：为FSVDD超球的半径；

(5)判别AUV推进器运行状态

通过监测系数判断AUV推进器运行状态，当时，表示推进器工作状态正常；当时，表示推进器发生故障，且越大，推进器故障程度越严重。

2.根据权利要求1所述的基于模糊支持向量域描述的水下机器人状态监测方法，其特征在于：在提取AUV纵向速度信号小波近似分量时，小波分解层数为3，小波基函数为DB4小波。

3.根据权利要求1所述的基于模糊支持向量域描述的水下机器人状态监测方法，其特征在于：模糊隶属度函数为：

式中：x_Ci为控制信号特征值，b₁＝13.5，b₂＝500。