[发明专利]一种基于判别性特征学习方法的AUV自适应故障诊断方法

说明书

本发明涉及AUV故障诊断技术领域，具体涉及一种基于判别性特征学习方法的AUV自适应故障诊断方法。步骤一：采集AUV状态信号；步骤二：将AUV状态信号数据进行信号处理得到判别性卷积特征学习方法CDFL网络模型的输入向量；步骤三：初始化CDFL网络模型权值；步骤四：判断是否有新增故障数据样本加入，若没有新增故障数据样本则直接进入步骤五，若有新增故障数据样本，对新增故障数据样本使用已有模型提取新增特征模式；步骤五：AUV故障分类诊断。本发明能够自主生成AUV故障信号中有效故障特征，不需再对特征学习模型进行有监督微调，简化模型与训练用时，并且采用动态补偿增量式学习策略，依据相似性实时的减少或加重故障特征的影响从而进行准确的故障诊断。

技术领域

本发明涉及AUV故障诊断技术领域，具体涉及一种基于判别性特征学习方法的AUV自适应故障诊断方法。

背景技术

自主式水下机器人(AUV)通常工作在复杂的海况环境下，其自身的安全性与可靠性是其是否能够成功完成任务的重要参考。

由于AUV在水下作业时具有运动自由度高、外部环境干扰大、动态性能变化多样的特性，传统的辨识方法具有很大的局限性。对于这种强非线性系统，由于浅层神经网络的拟合能力在面对复杂多样的故障特征时过于依赖设计人员的专家经验而被诟病，深度学习技术的提出与发展解决了这个问题。目前，深度学习技术已经在图像、音频以及自然语言处理等领域取得了杰出的成就。然而深度学习技术在AUV故障诊断领域的应用目前还未出现。

另一方面，AUV在水下长时间运行时，其自身运动性能本身也会发生变化且设计人员无法完全掌握其可能的故障情况，若一直按照机器人设计之初的故障分类机制继续工作的话，容易造成AUV系统无法识别运行过程中发生的新故障以及对于未发生的故障仍然耗费较多的计算资源。这样的处理方法显然不合理，新增数据的潜在信息对诊断故障更有价值。因此，考虑新增数据学习的AUV故障诊断知识挖掘方法成为新的问题焦点。上述问题可以通过增量学习来解决，即学习系统在保存大部分已经学习到知识的同时，可以不断地从新数据中学习新的知识。

目前，常用的增量学习方法模型优增量式极限学习机、在线增量学习支持向量机、增量学习神经网络模型等，这些模型都起到了减轻模型计算量、提高模型准确率、有效节约时间成本的作用。但是，由于AUV系统的高可靠性，其故障数据较少上述传统方法在处理这类数据时具有一定的局限性，因此如何处理非平衡情况下的海量、多远的增量状态信息，并形成动态、准确的特征知识是装备维护的问题难点。

发明内容

本发明的目的在于提供一种基于判别性特征学习方法的AUV自适应故障诊断方法，以实现自主提取AUV运行时的推进器与传感器故障模式，自适应判定与识别新增故障模式，提高AUV的自主性、可靠性与安全性并节省系统计算资源。

本发明实施例提供一种基于判别性特征学习方法的AUV自适应故障诊断方法，包括：

步骤一：采集AUV状态信号：根据AUV故障仿真软件中所模拟的AUV正常状态、推进器推力不足、卡死故障以及传感器故障的情况，分别采集AUV在各状态下的信号数据5000组；

步骤二：将AUV状态信号数据进行信号处理得到判别性卷积特征学习方法CDFL网络模型的输入向量：所述故障检测器的输入向量为AUV模型输出理论状态值与传感器实测值的残差向量，即：

x(k)＝[u_r(k)，v_r(k)，w_r(k)，P_r(k)，q_r(k)，r_r(k)，roll_r(k)，pitch_r(k)，yaw_r(k)]