基于小波分形的自主式水下機器人故障辨識方法
【技術領域】
[0001] 本發(fā)明涉及的是一種自主式水下機器人故障辨識與容錯控制方法，具體地說是一 種基于小波分解和分形對自主式水下機器人推進器故障程度進行故障辨識的方法。
【背景技術】
[0002] 隨著陸地資源日漸減少，人類開發(fā)海洋的步伐越來越快。自主式水下機器人（AUV : Autonomous Underwater Vehicle)是目前唯一能夠在無人情況下在深海進行探測、開發(fā)的 載體，一直受到國內(nèi)外研究人員的高度重視。推進器是AUV最重要的執(zhí)行部件且負荷最重， 一旦其出現(xiàn)故障直接影響AUV的安全性，基于推力二次分配的容錯控制方法大多需要準確 的推進器故障程度。外部干擾下的AUV推進器故障程度辨識對于保障AUV自身安全性，提 高AUV自主作業(yè)成功率具有重要意義。
[0003] 均值濾波是最簡單的外擾抑制方法，其算法簡單，在很多領域去噪效果良好，但一 般只用于靜態(tài)或低動態(tài)情況；FIR數(shù)字濾波器繼承了模擬濾波器的優(yōu)點，并且可以用快速 傅里葉變換來實現(xiàn)，大大提高了運算速度。FIR濾波器對信號進行濾波去噪是在頻域中完成 的，依靠信號和噪聲的不同頻譜特征來實現(xiàn)噪聲濾除，適應于靜、動態(tài)信號去噪，但去噪效 果一般，不如均值濾波好。以上兩種方法均不適合復雜多變的海洋環(huán)境外部隨機干擾抑制。
[0004] 小波變換是近年來迅速發(fā)展起來的時頻分析工具，克服了傅里葉變換只能表示信 號的頻率特征但不能反映時間域上局部信息的缺陷，小波變換同時具有時間和頻率的局部 分析特征與多分辨率分析特性，并已在圖像處理、信號濾波與特征提取等方面獲得了廣泛 的應用。小波降噪方法以小波變換為基礎，根據(jù)信號和噪聲經(jīng)過小波分解后對應的小波系 數(shù)所具有的不同特性，可很好地實現(xiàn)外部干擾抑制，以提高故障辨識結(jié)果的準確性，并且由 于小波分解的多頻段特性，通過多層小波分解獲得了關于AUV推進器故障的多頻段冗余描 述。
[0005] 傳統(tǒng)基于AUV時域信號進行故障辨識的方法，由于外部隨機干擾的影響，以及AUV 不同程度推力損失對應的故障特征并非呈單一變化趨勢，導致故障辨識精度較低。為解決 這一辨識精度較低的問題，采用分形特征提取方法提取AUV傳感器、控制器信號時域信號 以及多層小波分解后小波系數(shù)的分形特征值，以之作為故障特征，并組建故障特征矩陣，通 過待測故障信號故障特征矩陣與故障模式庫中已知故障程度故障特征矩陣的相關系數(shù)值， 達到辨識AUV故障程度并提高故障辨識精度的目的。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種將小波分解與分形特征相結(jié)合，可有效解決自主式水 下機器人受外部干擾和量測噪聲影響，僅通過提取時域信號非線性故障特征辨識精度較低 等問題的基于小波分形的自主式水下機器人故障辨識方法。
[0007] 本發(fā)明的目的是這樣實現(xiàn)的：
[0008] (1)采用多層小波分解方法對自主式水下機器人傳感器和控制器數(shù)據(jù)進行分解， 具體包括：
[0009] (I. 1)數(shù)據(jù)截取過程：當采集到數(shù)據(jù)長度為L的多普勒數(shù)據(jù)后啟動檢測，當再次采 集到新的數(shù)據(jù)后，舍棄原數(shù)組第一個數(shù)據(jù)并將新采集回來的數(shù)據(jù)放在原數(shù)組的末尾，始終 保持數(shù)據(jù)長度為L ;
[0010] (1. 2)小波分解過程：對步驟（I. 1)截取的自主式水下機器人傳感器和控制器信 號進行W層小波分解，小波基函數(shù)為"X" ；
[0011] (2)采用分形特征提取方法對原始信號以及步驟（1. 2)獲得的小波細節(jié)系數(shù)和小 波逼近系數(shù)提取分形故障特征F，所述分形特征提取方法的步驟如下：
[0012] (2. 1)設置寬度為R的矩形覆蓋到待提取分形特征的曲線上，逐步移動矩形遍及 所有曲線點，將所有矩形的高度和寬度相乘并且相加，得到總面積S(R);
[0013] (2. 2)按式Rp= 2 P*R，其中p = 1,2, 3··· L/2,系列地改變R的大小后重復步驟 (2.1)，得到一些列面積S(R);
[0014] (2.3)將S (R)除以R2得到N(R)，采用最小二乘擬合方法對所得系列值Ln (N(R))/ Ln (1/R)擬合直線，直線的斜率即為分形維數(shù)F的大?。?br>[0015] (3)采用相關系數(shù)方法對自主式水下機器人待測故障信號進行故障辨識，所述故 障辨識方法的步驟如下：
[0016] (3. 1)構(gòu)建故障特征矩陣過程：根據(jù)步驟（1)所述多層小波分解方法和步驟 (2)所述分形故障特征提取方法，分別獲得了自主式水下機器人傳感器和控制器信號時 域信號與多層小波分解后小波系數(shù)的分形特征，采用這些分形特征構(gòu)建故障特征矩陣
【主權(quán)項】
1. 一種基于小波分形的自主式水下機器人故障辨識方法，其特征是： (1) 采用多層小波分解方法對自主式水下機器人傳感器和控制器數(shù)據(jù)進行分解，具體 包括： (1. 1)數(shù)據(jù)截取過程：當采集到數(shù)據(jù)長度為L的多普勒數(shù)據(jù)后啟動檢測，當再次采集到 新的數(shù)據(jù)后，舍棄原數(shù)組第一個數(shù)據(jù)并將新采集回來的數(shù)據(jù)放在原數(shù)組的末尾，始終保持 數(shù)據(jù)長度為L; (1. 2)小波分解過程：對步驟（1. 1)截取的自主式水下機器人傳感器和控制器信號進 行W層小波分解，小波基函數(shù)為"X" ； (2) 采用分形特征提取方法對原始信號以及步驟（1.2)獲得的小波細節(jié)系數(shù)和小波逼 近系數(shù)提取分形故障特征F，所述分形特征提取方法的步驟如下： (2. 1)設置寬度為R的矩形覆蓋到待提取分形特征的曲線上，逐步移動矩形遍及所有 曲線點，將所有矩形的高度和寬度相乘并且相加，得到總面積S(R); (2. 2)按式Rp= 2P*R，其中p= 1，2, 3-L/2,系列地改變R的大小后重復步驟（2. 1)， 得到一些列面積S(R); (2. 3)將S(R)除以R2得到N(R)，采用最小二乘擬合方法對所得系列值Ln(N(R))/Ln(1/R)擬合直線，直線的斜率即為分形維數(shù)F的大??； (3) 采用相關系數(shù)方法對自主式水下機器人待測故障信號進行故障辨識，所述故障辨 識方法的步驟如下： (3. 1)構(gòu)建故障特征矩陣過程：根據(jù)步驟（1)所述多層小波分解方法和步驟（2) 所述分形故障特征提取方法，分別獲得了自主式水下機器人傳感器和控制器信號時域 信號與多層小波分解后小波系數(shù)的分形特征，采用這些分形特征構(gòu)建故障特征矩陣
，式中：FAOT為所構(gòu)建的AUV故障特征矩陣，F(xiàn) ruL、 、FJPF0分別代表左主推電壓、右主推電壓、縱向速度和艏向角度時域信號分形特征， 和巧_分別代表上述時域信號分別對應的小波分解后逼近系數(shù) 的分形特征，，分別代表上述時域信號分別對應的小波分解 后細節(jié)系數(shù)的分形特征； (3. 2)計算相關系數(shù)R過程：根據(jù)步驟（3. 1)獲得的待測信號故障特征矩陣，計算其與 故障樣本特征矩陣之間的相關系數(shù)C，
式中：x為第x個 待測信號，j為故障模式庫中第j種故障樣本，C(x，j)為待測信號x與第j種故障樣本的 相關系數(shù)，m為故障特征矩陣的行數(shù)，n為故障特征矩陣的列數(shù)，F(xiàn)x為待測信號故障特征矩 陣中對應m、n值位置的分形特征，戶為故障模式庫中第j種故障樣本所屬故障特征矩陣對 應m、n值位置的分形特征； (3.3)根據(jù)相關系數(shù)C辨識故障程度過程：步驟（3.2)計算得出的C(x，j)越大，表征 待測信號x與對應的第j種故障樣本的相關程度越大，即推力損失程度越接近；反之則表征 待測信號與對應的第j種故障樣本的推力損失程度越不接近。
2. 根據(jù)權(quán)利要求1所述的基于小波分形的自主式水下機器人故障辨識方法，其特征 是：數(shù)據(jù)長度L= 200。
3. 根據(jù)權(quán)利要求1所述的基于小波分形的自主式水下機器人故障辨識方法，其特征 是：小波分解層數(shù)W= 3,小波基函數(shù)"X"為"dbl"。
4. 根據(jù)權(quán)利要求1所述的基于小波分形的自主式水下機器人故障辨識方法，其特征 是：矩形覽度R= 2。
5. 根據(jù)權(quán)利要求1所述的基于小波分形的自主式水下機器人故障辨識方法，其特征 是：故障特征矩陣行數(shù)m= 3,列數(shù)n= 4。
6. 根據(jù)權(quán)利要求1所述的基于小波分形的自主式水下機器人故障辨識方法，其特征 是：故障樣本數(shù)」=6，對應的故障程度分別為0%、10%、20%、30%、40%和50%。
【專利摘要】本發(fā)明提供的是一種基于小波分形的自主式水下機器人故障辨識方法。通過對自主式水下機器人狀態(tài)信號進行多層小波分解，以抑制外部隨機干擾對辨識準確性的影響，并獲得自主式水下機器人推進器故障多個頻段上的故障描述，提高故障辨識精度；對多層小波分解獲得的小波逼近系數(shù)和小波細節(jié)系數(shù)提取分形特征，組成分形特征矩陣，通過與前期通過水池實驗建立的樣本特征矩陣中的分形特征計算相關系數(shù)，得到推進器故障辨識結(jié)果。本發(fā)明適用于解決自主式水下機器人由于受外部隨機干擾影響，推進器故障程度準確度不高的問題，提高了故障辨識精度，可用于自主式水下機器人推進器故障辨識、容錯控制等領域。
【IPC分類】G05B23-02
【公開號】CN104699073
【申請?zhí)枴緾N201510059018
【發(fā)明人】張銘鈞, 劉維新, 劉星, 殷寶吉, 王玉甲, 趙文德, 姚峰
【申請人】哈爾濱工程大學
【公開日】2015年6月10日
【申請日】2015年2月5日