[发明专利]一种基于灰色预测模型的自主式水下机器人推进器弱故障程度预测方法

说明书

技术领域

本发明涉及自主式水下机器人故障诊断技术领域，尤其涉及一种基于灰色预测模型的自主式水下机器人推进器弱故障程度预测方法。

背景技术

自主式水下机器人(AUV)无人无缆工作在复杂多变的海洋环境中，安全性是AUV的重要特征，状态监测与故障诊断是保障AUV安全性的基础和关键技术。AUV由多个部件构成，其中推进器是其关键部件也是负荷最重的部件，研究推进器故障诊断技术对于提高AUV安全性具有重要意义。很多学者在AUV推进器故障诊断技术方面取得了很好的研究成果，但大都关注推进器硬故障以及出力损失程度较大的故障，而较少研究出力损失程度小于总出力的10％的、故障程度较小的弱故障，同时，推进器弱故障多为早期故障，尽早有效检测与诊断早期故障对于避免AUV发生“灾难性事故”具有重要作用。本发明研究的AUV推进器弱故障程度预测问题，是指依据推进器过去和当前故障程度，来推测推进器未来的故障程度及其发展趋势，预测得到的故障程度，可以为AUV作业规划提供故障推进器优先使用等级调整所需的故障信息，以及为AUV主动容错控制器动态重构提供决策依据。

目前典型的故障预测方法，主要有时间序列分析、回归分析、神经网络、支持向量机、灰色模型GM(1,1)方法等。时间序列分析和回归分析具有简单、易实现的优势，但存在外部干扰对故障数据序列统计规律的不确定性影响导致预测精度相对较低的问题；神经网络和支持向量机具有预测精度相对较高的优势，但需要预先获取一定数量的故障样本进行训练后才能进行预测，而AUV故障样本较难获取且数量相对较少，使得神经网络和支持向量机直接应用于AUV故障程度预测时存在神经网络泛化能力下降和最优分类超平面难以划分等问题。

灰色GM(1,1)方法的优势在于：所需数据量相对较少，仅需4个及以上样本就可以进行建模预测，中短期预测精度相对较高，相对较为适合预测故障样本较少的AUV推进器故障程度，并已在AUV故障诊断中得到实际应用。

本发明在基于灰色GM(1,1)方法预测AUV推进器弱故障程度的实验研究中发现：直接采用传统灰色GM(1,1)方法预测推进器弱故障程度时，在灰色背景值构造阶段，由于采用一次累加生成序列的紧邻等权生成来逼近灰色背景值，使得灰色背景值与真实值存在偏差；在白化方程求解阶段，由于将已知序列的初始点设置为白化方程解的初始值，使得白化方程的解存在偏差，增大了预测误差；在预测序列构造阶段，由于缺乏调节机制，使得预测残差较大时预测结果也不具备可调整性。这些原因导致采用传统灰色GM(1,1)方法预测推进器弱故障程度时预测误差较大。

针对采用传统灰色GM(1,1)方法预测AUV推进器弱故障程度时存在的预测误差较大的问题，本发明提出一种灰色预测模型AUV推进器弱故障程度预测方法，对传统灰色GM(1,1)方法中的灰色背景值构造方法、白化方程求解方法、预测序列构造方法分别进行改进。传统灰色GM(1,1)方法中有多个实现步骤，核心步骤是灰色背景值构造、白化方程求解、预测序列构造这三个步骤，本发明围绕这三个步骤进行改进，采用本发明改进的这三个步骤，和传统灰色GM(1,1)方法中其它未改进的步骤一起，来构成本发明一种基于灰色预测模型的AUV推进器弱故障程度预测方法。

发明内容

本发明的目的是为了提供一种基于灰色预测模型的自主式水下机器人推进器弱故障程度预测方法,，具体的说是一种基于灰色预测模型对自主式水下机器人推进器弱故障程度数据进行预测的数据处理方法，解决采用传统灰色GM(1,1)方法预测AUV推进器弱故障程度时，存在的预测误差较大的问题。

本发明的目的是这样实现的：包括如下步骤：

步骤一：基于过程历史数据辨识结果得到当前推进器的弱故障程度；

步骤二：累加生成：采用一次累加生成方法对步骤一得到的弱故障程度的原始数据进行处理，得到累加生成序列X⁽¹⁾(k)：

式中：X⁽⁰⁾(i)为原始序列，k代表数据序列中的第k个点，n为原始数据的数据长度，i代表原始数据中的第i个点；

步骤三：构造灰色背景值：根据步骤二得到的累加生成序列X⁽¹⁾(k)，构造灰色背景值Z⁽¹⁾(k)；

步骤四：构造灰色预测模型：根据步骤三得到的灰色背景值Z⁽¹⁾(k)，构造灰色预测模型X⁽⁰⁾(k)+aZ⁽¹⁾(k)＝u，式中：a为灰色发展系数，u为灰色作用量；