基于SVR算法的AUV推進器故障預測診斷技術研究.pdf

1、隨著陸地上不可再生資源的日益減少，開發(fā)海洋資源受到世界海洋國家的重視。開發(fā)海洋需要先進的技術和裝備，水下機器人作為目前能在深海中作業(yè)的唯一裝備，受到人們的重視。無人無纜自主式水下機器人（AUV）自主工作在復雜的水下環(huán)境中，安全性是AUV研制和實用化過程中需要研究的重要問題之一，故障診斷技術是確保AUV安全性的基礎技術。推進器是AUV中使用頻率最高、工作負荷最重的部件，也是水下機器人最常見故障源。結合AUV所工作的環(huán)境及其自身強非線性的特

2、點，研究推進器故障診斷技術，對于提高AUV安全性、加快其實用化進程具有重要研究意義和實用價值。
　　本文針對AUV推進器故障的故障特征預測問題，分別從故障預測診斷方案、狀態(tài)量故障特征提取方法、控制量故障特征提取方法、故障特征量預測模型建立方法四個方面進行研究。
　　研究AUV故障診斷預測方案。由于AUV工作在海洋環(huán)境中，受海流等隨機干擾，且 AUV自身具有強非線性，難以建立 AUV準確的故障預測模型。針對此問題，本文提出一種

3、基于支持向量回歸（SVR）和經驗模態(tài)分解算法相融合故障預測診斷總體方案。該方案針對AUV的在線數(shù)據(jù)集，提取各個時間段的故障特征值，建立 AUV推進器的故障特征預測診斷模型。通過“海貍-II”號 AUV實驗樣機模擬推進器出力故障的診斷結果，驗證本文方案的有效性。
　　研究從AUV狀態(tài)量中推進器故障特征提取方法。傳統(tǒng)的基于分形維數(shù)和修正的貝葉斯方法從狀態(tài)量提取的故障特征中包含有傳感器噪聲引起的隨機干擾，該隨機干擾障特征值可能大于故障特

4、征值導致故障診斷結果錯誤。針對此問題，本文提出基于經驗模態(tài)分解、頻率或幅度差上的突變（SHFC）定位算法、分形維數(shù)相結合的從狀態(tài)量中提取故障特征的方法。基于“海貍-II”號AUV實驗樣機推進器故障模擬水池實驗數(shù)據(jù)，通過對比本文方法與傳統(tǒng)修正貝葉斯和分形維數(shù)方法的故障特征提取效果，驗證本文的有效性。本文在實驗研究中發(fā)現(xiàn)，本文采用的分形維數(shù)方法自帶嵌入維數(shù)這一參數(shù)，而故障特征提取效果依賴于嵌入維數(shù)的選擇。針對嵌入維數(shù)的選取對故障特征提取如何

5、影響的問題，本文采用直接實驗法對嵌入維數(shù)值進行了選擇，通過采用不同參數(shù)對故障特征進行提取，選取了最佳的故障特征提取維數(shù)參數(shù)。
　　研究從AUV控制量中推進器故障特征提取方法。傳統(tǒng)分形維數(shù)方法是一種故障特征提取方法，本身不具有故障辨識能力，并且在本文的故障特征提取過程中，存在故障特征提取計算時間長的缺陷。針對此問題，本文提出建立多個 SVR特征模型的故障特征提取及辨識的改進方法。同時本文基于“海貍-II”號AUV實驗樣機模擬推進器出

6、力故障水池實驗數(shù)據(jù)，通過對比本文改進方法與分形維數(shù)方法故障特征提取結果，驗證本文改進方法的有效性。
　　研究基于預測模型的AUV故障預測診斷方法。針對傳統(tǒng)的模糊定性模型故障診斷方法，數(shù)據(jù)量有限，以及水下環(huán)境復雜，數(shù)據(jù)波動較大，使得模糊定性模型故障診斷方法對推進器故障檢測能力較差的問題。本文以控制量、狀態(tài)量以及控制量和狀態(tài)量的融合故障特征作為學習數(shù)據(jù)，建立 SVR故障特征預測模型，通過對該模型輸出信號和實際輸出信號之間的殘差是否超過