[发明专利]一种基于改进神经网络的智能水下机器人推进器故障诊断方法

权利要求书

1.一种基于改进神经网络的智能水下机器人推进器故障诊断方法，其特征在于：将水下机器人的推进器的控制指令分别传送给基于神经网络的水下机器人模型和水下机器人实际推进器，将基于神经网络的水下机器人模型的输出值和水下机器人实际传感器的测量值进行作差，根据残差判断推进器是否故障；所述的根据残差判断推进器是否故障的具体方法为：

水平面主推出现故障时纵向速度、艏向角和横向速度各自的残差均会超过其阈值，左主推故障时艏向角的残差会偏向负，横向速度的残差偏向负；右主推故障时艏向角的残差和横向速度的残差偏向正；

垂直面主推故障时垂向速度、纵摇角和纵向速度各自的残差均会超过其阈值，并且上主推故障时纵摇角会的残差偏向正，下主推故障时纵摇角的残差偏向负；

侧向推进器故障时，横向速度和艏向角的残差同时超过其阈值，执行主动检测诊断，将艏侧推与尾侧推同时施加同样大小的正向推力，若艏向角残差为负则艏侧推故障；若艏向角残差为正则尾侧推故障；

垂向推进器故障时，深度、垂向速度和纵摇角的残差均超过其阈值，执行主动检测诊断，将艏垂推与尾垂推同时施加同样大小的正向推力，若纵摇角艏向角残差为负则艏侧推故障，若艏向角残差为正则尾侧推故障；

所述的基于神经网络的水下机器人模型为：

x(k)＝f(W¹x_C(k)+W²u(k-1)+W⁴y_C(k))

x_C(k)＝x(k-1)+ax_C(k-1)

y_C(k)＝y(k-1)+γy_C(k-1)

y(k)＝g(W³x(k))

u(k)为k时刻输入层输入，x(k)为k时刻隐含层的输出，x_C(k)为k时刻联接层1的输出，y_C(k)为k时刻联接层2的输出，y(k)为k时刻输出，γ为联接层2的自联结反馈增益因子，α为联接层1的自联结反馈增益，W¹为联接层1到隐层的联接权值，W²是输入层到隐层的联接权值，W³为联接层1到输出层的联接权值，W⁴为联接层2到隐层的联接权值，g(·)为线性函数f(·)为sigmoid函数，

2.根据权利要求1所述的一种基于改进神经网络的水下机器人推进器故障诊断方法，其特征在于：采用动态反向传播学习算法对基于神经网络的水下机器人模型进行学习和训练，对神经网络层间权值进行调整；神经网络层间修正权值为：

其中，η₁为W¹的学习步长，η₂为W²的学习步长，η₃为W³的学习步长，η₄为W⁴的学习步长，f(·)为sigmoid函数，

为修正权值；l＝1,2,…,n；y_d,i k为i单元k时刻实际输出；g′(·)为g(·)的偏导；x_j(k)为k时刻j联接单元，y_j(k)为k时刻i输出单元；f′(·)为f(·)的偏导，u_q(k-1)为k-1时刻q输入单元，y_s(k-1)为输出层k-1时刻输出，下标s代表第s单元；为偏导；i＝1，２，…，m；j＝1，2，…，n；q＝1,2,…,r；f′_j(·)为j联接单元的sigmoid函数的偏导；g′_i(·)为i输出单元的线性函数的偏导。

3.根据权利要求1所述的一种基于改进神经网络的水下机器人推进器故障诊断方法，其特征在于：所述的水下机器人配有8个推进器，包括：垂直面主推进器、水平面主推进器、垂向推进器及侧向推进器4组，每组推进器均由两个推进器组成；

基于神经网络的水下机器人模型的输入为：

u(k)＝[Thr1(k) Thr2(k) Thr3(k) Thr4(k) Thr5(k) Thr6(k) Thr7(k) Thr8(k)]^T

基于神经网络的水下机器人模型的输出为：

y(k)＝[u(k) v(k) w(k) roll(k) pitch(k) yaw(k)]^T

u,v,w,roll,pitch,yaw分别为水下机器人的纵向速度、横向速度、垂向速度、横摇角、纵摇角、艏摇角，Thr1(k),Thr2(k),Thr3(k),Thr4(k),Thr5(k),Thr6(k),Thr7(k),Thr8(k)为水下机器人的8个推力器的电压指令。