[发明专利]一种水下机器人推进系统故障的诊断方法

权利要求书

1.一种水下机器人推进系统故障的诊断方法，其特征在于，包括以下步骤：

步骤一：对水下机器人推进系统的电压、电流、输出转速和拉压进行数据采集，接着将所得数据进行归一化预处理；

步骤二：采用卷积神经网络CNN进行训练得到深度学习故障诊断模型；

步骤三：用深度学习故障诊断模型对水下机器人推进系统进行故障诊断；

步骤四：对深度学习故障诊断模型进行完善。

2.根据权利要求1所述的一种水下机器人推进系统故障的诊断方法，其特征在于，所述步骤二具体包括以下子步骤：

1)、选定超参数：在开始训练后，首先需要选定网络超参数，包括网络类型、隐含层层数、每层节点数、学习率、学习率下降速率、小批量尺寸、迭代次数；超参数的选择在每次训练中手动调整或使用网格搜索法或启发式算法搜索获得；

2)、数据集随机划分：在选定超参数之后，程序导入带标签的数据，这些数据在每次的训练中都将被随机划分到训练集、调试集、测试集；采用10折交叉验证的方法训练网络，将数据集划分为训练集、调试集和测试集，即在利用MATLAB对数据进行预处理之后，同时在MATLAB中将数据集随机按比例划分成“训练集+调试集”和“测试集”两个部分；在训练过程中，导入“训练集+调试集”数据集合，并在10折交叉验证循环中，每次循环均重新按照上述比例生成新的训练集、调试集，以避免训练调试过程中的随机性干扰的影响；

3)、神经网络正向计算：在对网络权值参数、偏置参数随机初始化后，将训练集输入到正向计算网络得到阶段性预测值，并判断本次迭代计算是否大于或等于设定的训练迭代次数；

4)、计算损失函数值：当损失函数值大于设定阈值的时候，认为网络性能还没达到预期值，需要继续训练，即通过反向梯度下降法，根据链式规则逐一更新每个参数的值，并进入下一轮正向计算循环；

5)、计算调试误差：在正向计算迭代次数大于设定值或者网络的损失函数值小于设定阈值的时候，认为神经网络训练完成，并输入调试集数据计算模型精度及其他评价指标；当评价指标不合格时，返回第1)步，调整网络超参数，重新训练网络；

6)、输出测试误差：当调试误差满足评价指标时，认定网络训练合格，带入测试集计算测试误差并输出网络，完成模型的训练。

3.根据权利要求1所述的一种水下机器人推进系统故障的诊断方法，其特征在于，所述卷积神经网络CNN包括卷积层、填充层、非线性化层、池化层，并和全连接神经网络配合使用。

4.根据权利要求1所述的一种水下机器人推进系统故障的诊断方法，其特征在于，所述步骤三中的故障诊断包括：水下机器人推进系统的故障定位和故障分级，其中故障分级对应正常、轻微故障、中度故障、严重故障等四种分级。

5.根据权利要求1所述的一种水下机器人推进系统故障的诊断方法，其特征在于，所述步骤四包括：利用步骤三中得到的诊断数据和故障分析结果数据进行训练。