[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

说明书

本发明提供一种基于模糊支持向量域描述的水下机器人状态监测方法，属于水下机器人故障诊断技术领域。该方法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，基于提取的特征信息构造待测样本、计算模糊隶属度系数，并带入模糊支持向量域描述监测模型，得到监测系数，基于监测系数判断AUV推进器运行状态。本发明专利不仅能判断AUV推进器故障的有无，而且能够判断AUV推进器故障严重程度，特别适合应用于自主式水下机器人推进器的状态监测。

技术领域

本发明涉及一种基于模糊支持向量域描述的水下机器人状态监测方法，属于水下机器人故障诊断技术领域。

背景技术

自主式水下机器人(AUV)无人无缆工作在复杂的海洋环境中，安全性是AUV研究和实用化过程中的重要研究内容之一。推进器是AUV主要故障源之一，研究AUV推进器的状态监测技术，对提高AUV的安全性具有重要研究意义和实用价值。但在AUV推进器的实际状态监测过程中，常常存在推进器正常运行状态的数据样本多，而推进器故障状态的数据样本少的问题。针对此问题，以单值分类理论为基础的支持向量域描述算法(SVDD)是一种有效的解决方法。SVDD与二值分类方法的不同之处在于：二值分类方法需要正常样本和故障样本等两种数据样本来建立推进器正常类别和故障类别，在状态监测时，将新的数据样本识别为推进器正常类别或故障类别；SVDD只需要正常样本这一类数据样本来建立正常类别，在状态监测时，只需要判断新的数据样本是否属于该类别，如果属于正常类别，则推进器正常，否则，推进器发生故障。所以SVDD仅仅依靠推进器正常运行状态下的AUV数据样本，就可以建立起单值故障分类器，从而对AUV推进器的运行状态进行识别。但SVDD没有考虑AUV数据样本在测量过程中的重要性，将AUV推进器正常运行时的数据样本与AUV推进器故障不同严重程度时的数据样本同等看待，从而只能判断AUV推进器有无故障，而不能判断AUV推进器故障严重程度。

发明内容

本发明的目的是为了提供一种基于模糊支持向量域描述的水下机器人状态监测方法，既能有效判断AUV推进器故障的有无，又能判断AUV推进器故障严重程度。

本发明的目的是这样实现的：

(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：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；