[发明专利]基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法

摘要

本发明公开一种基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法，基于小波分解降低信号中随机噪声干扰的影响，基于修正贝叶斯算法增强动态信号奇异行为幅值，基于卷积计算减小动态信号奇异行为的波动性，并以动态信号中的极小值位置作为能量区域边界，提取能量故障特征，基于同态变换对故障特征和故障分类进行协调，最后基于支持向量域描述算法实现推进器故障程度分类。本专利方法的故障程度分类精度受修正贝斯步长影响较小，分类精度为100％。

主权项

1.一种基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法，其特征在于：包括以下步骤：第一步，采集和记录水下机器人速度和推进器控制电压变化率动态信号，采用长度为L₁的时域窗函数对动态信号进行截取；第二步，对第一步所得的数据进行常规小波分解，获得小波近似分量s_A(n)，n为数据序号，n的取值范围为1～L₁之间的整数；第三步，采用常规修正贝叶斯算法对第二步所得小波近似分量s_A(n)进行运算，结果为d_sA(n)，其中，修正贝叶斯步长为N₂，计算公式如公式(1)至公式(6)所示；式(1)至(6)中，d_sA(n)为修正贝叶斯算法处理结果，n为数据序号，n的取值为1～L₁之间的整数；N₂为修正贝叶斯步长，N₂是4～L₁的任意正整数，j₁是一个临时变量，j₁＝1,2，…，N₂，s_A(n)为第二步所得小波近似分量，s_A0(n)为推进器无故障时水下机器人动态信号小波近似分量，N₃为一个较大的整数，为中间过程变量；第四步，对修正贝叶斯计算结果d_sA(n)进行卷积计算，计算过程如公式(7)所示：s_conv(n)＝d_sA(n)*d_sA(n)    (7)式(7)中，s_conv(n)为d_sA(n)的卷积计算结果；第五步，提取能量故障特征，构造故障样本：在上述所得卷积计算结果s_conv(n)中，确定所有极小值点，将相邻两个极小值点之间数据进行求和，所得结果作为这两个极小值点包含的波峰区域能量，根据此过程计算所有相邻两个极小值点所包含的波峰区域能量，得到波峰区域能量分布，从波峰区域能量分布中，选择最大值作为推进器故障特征；将水下机器人动态信号s(n)分别实例化为水下机器人速度信号和推进器控制电压变化率信号，从而得到速度信号故障特征E_U和控制信号故障特征E_C；接着将提取到的故障特征构成故障样本x＝[E_U E_C]^T；将时间窗函数L₁向右滑动，每滑动一个时间节拍，提取一个故障样本，滑动N₄个时间节拍，得到故障样本集X＝{x_i1}，N₄为任意正整数，i₁为故障样本编号，取值范围为1～N₄；第六步，建立推进器故障程度分类模型，具体步骤分两步：(1)建立单类超球模型；(2)通过多个单类超球模型建立推进器故障程度分类模型；(1)建立单类超球模型的具体过程为：将故障样本集X＝{x_i1}带入公式(8)进行优化求解，得到一组最优解α＝{α_i1}，最优解中，多数α_i1＝0，少数α_i1>0，这些大于零的α_i1所对应的故障样本称为支持向量，记为x_svi1；将支持向量x_svi1带入公式(9)，求得超球半径R；式(8)～(9)中，C为惩罚系数，K(x_i1,x_j1)＝exp(‑||x_i1‑x_j1||²/σ²)，N4为故障样本数目；(2)建立推进器故障程度分类模型的过程为：建立不同故障程度下的单类超球模型^qS，q为故障程度等级，q＝1,2,3,…,Q，Q为故障等级数目，多个单类超球模型^qS共同构成推进器故障程度分类模型；第七步，故障样本分类：采集水下机器人推进器运行状态未知时的动态信号数据，采用第一步至第五步内容，提取故障特征，构造未知故障样本x_U，将未知故障样本x_U带入公式(10)计算未知故障样本x_U到各个单类超球模型^qS的广义距离^qD；式(10)中，^qD为广义距离，K(x_i1,x_j1)＝exp(‑||x_i1‑x_j1||²/σ²)，x_U为未知故障样本，^qα＝{^qα_i1}为故障程度等级q的故障样本集^qX＝{^qx_i1}对应一组最优解，N₄为故障样本数目；将广义距离^qD带入公式(11)计算未知故障样本x_U到各个单类超球模型的相对距离，相对距离最小值对应的单类超球模型的故障程度，即为该未知故障样本x_U对应的故障程度；^qε＝^qD/^qR    (11)式(11)中，^qε未知故障样本x_U到各个单类超球模型的相对距离，^qD为广义距离，^qR为单类超球模型^qS的半径。