本發(fā)明涉及一種基于模糊支持向量域描述的水下機器人狀態(tài)監(jiān)測方法，屬于水下機器人故障診斷技術(shù)領(lǐng)域。

背景技術(shù)：

自主式水下機器人(auv)無人無纜工作在復(fù)雜的海洋環(huán)境中，安全性是auv研究和實用化過程中的重要研究內(nèi)容之一。推進(jìn)器是auv主要故障源之一，研究auv推進(jìn)器的狀態(tài)監(jiān)測技術(shù)，對提高auv的安全性具有重要研究意義和實用價值。但在auv推進(jìn)器的實際狀態(tài)監(jiān)測過程中，常常存在推進(jìn)器正常運行狀態(tài)的數(shù)據(jù)樣本多，而推進(jìn)器故障狀態(tài)的數(shù)據(jù)樣本少的問題。針對此問題，以單值分類理論為基礎(chǔ)的支持向量域描述算法(svdd)是一種有效的解決方法。svdd與二值分類方法的不同之處在于：二值分類方法需要正常樣本和故障樣本等兩種數(shù)據(jù)樣本來建立推進(jìn)器正常類別和故障類別，在狀態(tài)監(jiān)測時，將新的數(shù)據(jù)樣本識別為推進(jìn)器正常類別或故障類別；svdd只需要正常樣本這一類數(shù)據(jù)樣本來建立正常類別，在狀態(tài)監(jiān)測時，只需要判斷新的數(shù)據(jù)樣本是否屬于該類別，如果屬于正常類別，則推進(jìn)器正常，否則，推進(jìn)器發(fā)生故障。所以svdd僅僅依靠推進(jìn)器正常運行狀態(tài)下的auv數(shù)據(jù)樣本，就可以建立起單值故障分類器，從而對auv推進(jìn)器的運行狀態(tài)進(jìn)行識別。但svdd沒有考慮auv數(shù)據(jù)樣本在測量過程中的重要性，將auv推進(jìn)器正常運行時的數(shù)據(jù)樣本與auv推進(jìn)器故障不同嚴(yán)重程度時的數(shù)據(jù)樣本同等看待，從而只能判斷auv推進(jìn)器有無故障，而不能判斷auv推進(jìn)器故障嚴(yán)重程度。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了提供一種基于模糊支持向量域描述的水下機器人狀態(tài)監(jiān)測方法，既能有效判斷auv推進(jìn)器故障的有無，又能判斷auv推進(jìn)器故障嚴(yán)重程度。

本發(fā)明的目的是這樣實現(xiàn)的：

(1)構(gòu)造目標(biāo)樣本

基于修正貝葉斯分類算法分別從推進(jìn)器正常工作時的auv縱向速度信號小波近似分量和推進(jìn)器控制信號中提取特征信息，得到速度信號故障特征xs＝{xsi}和控制信號故障特征xc＝{xci}，其中，i＝1,2,…,n1，n1為這一組特征值中的節(jié)拍個數(shù)；

基于上述兩組故障特征建立目標(biāo)樣本集x＝{xi}，目標(biāo)樣本集x中共有n1個目標(biāo)樣本，且目標(biāo)樣本xi＝[xsixci]^t；

基于模糊隸屬度函數(shù)sxi＝s(xci)計算目標(biāo)樣本xi的模糊隸屬度系數(shù)sxi，然后將目標(biāo)樣本集擴展為sx＝{(xi,sxi)}的形式；

(2)建立fsvdd監(jiān)測模型

對公式進(jìn)行優(yōu)化計算，其中：約束條件為0≤αi≤c，k(xi,xj)為核函數(shù)，c為懲罰系數(shù)，得到全局最優(yōu)解α＝{αi}，i＝1,2,…,n1，其中：多數(shù)αi＝0，少數(shù)αi>0，這部分不為零的αi對應(yīng)的目標(biāo)樣本為支持向量，用xsvi表示；

計算得到fsvdd超球的半徑為：

全局最優(yōu)解α＝{αi}、支持向量xsvi、超球半徑共同構(gòu)成了fsvdd監(jiān)測模型；

(3)構(gòu)造待測樣本

基于修正貝葉斯分類算法分別從推進(jìn)器運行狀態(tài)待測時的auv縱向速度信號小波近似分量和推進(jìn)器控制信號中提取特征信息，得到速度信號故障特征zs＝{zsi}和控制信號故障特征zc＝{zci}，其中，i＝1,2,…,n2，n2為這一組特征值中的節(jié)拍個數(shù)；

基于上述兩組特征信息建立待測樣本集z＝{zi}，其中zi＝[zsizci]^t；

基于模糊隸屬度函數(shù)szi＝s(zci)計算待測樣本zi的模糊隸屬度系數(shù)szi，然后將待測樣本集擴展為sz＝{(zi,szi)}的形式，其中，i＝1,2,…,n2；

(4)計算監(jiān)測系數(shù)

待測樣本(zi,szi)到超球球心的廣義距離為：

監(jiān)測系數(shù)為：

(5)判別auv推進(jìn)器運行狀態(tài)

通過監(jiān)測系數(shù)判斷auv推進(jìn)器運行狀態(tài)，當(dāng)時，表示推進(jìn)器工作狀態(tài)正常；當(dāng)時，表示推進(jìn)器發(fā)生故障，且越大，推進(jìn)器故障程度越嚴(yán)重。

本發(fā)明還包括這樣一些結(jié)構(gòu)特征：

1.在提取auv縱向速度信號小波近似分量時，小波分解層數(shù)為3，小波基函數(shù)為db4小波。

2.模糊隸屬度函數(shù)為：

式中：xci為控制信號特征值，b1＝13.5，b2＝500。

3.核函數(shù)其中σ＝10。

4.n1＝100；n2＝100；c＝0.6。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：傳統(tǒng)svdd方法基于單值分類器實現(xiàn)對auv推進(jìn)器運行狀態(tài)的識別。但svdd沒有考慮auv數(shù)據(jù)樣本在測量過程中的重要性，將auv推進(jìn)器正常運行時的數(shù)據(jù)樣本與auv推進(jìn)器故障不同嚴(yán)重程度時的數(shù)據(jù)樣本同等看待，從而只能判斷auv推進(jìn)器有無故障，而不能判斷auv推進(jìn)器故障嚴(yán)重程度。本發(fā)明專利在svdd方法的基礎(chǔ)上提出了fsvdd方法。本文發(fā)明專利不僅繼承了svdd單值分類的優(yōu)點，能夠有效判斷auv推進(jìn)器故障的有無，而且利用模糊隸屬度函數(shù)計算auv數(shù)據(jù)樣本的模糊隸屬度系數(shù)，用以描述auv數(shù)據(jù)樣本在測量過程中的重要性，從而能夠判斷auv推進(jìn)器故障嚴(yán)重程度。

附圖說明

圖1為本發(fā)明專利的auv推進(jìn)器狀態(tài)監(jiān)測結(jié)構(gòu)框圖；

圖2為傳統(tǒng)svdd方法的auv推進(jìn)器狀態(tài)監(jiān)測結(jié)構(gòu)框圖；

圖3為auv推進(jìn)器故障不同嚴(yán)重程度時的auv縱向速度信號和推進(jìn)器控制信號；

圖4為本發(fā)明專利的auv推進(jìn)器狀態(tài)監(jiān)測結(jié)果；

圖5為傳統(tǒng)svdd方法的狀態(tài)監(jiān)測結(jié)果。

具體實施方式

下面結(jié)合附圖與具體實施方式對本發(fā)明作進(jìn)一步詳細(xì)描述。

圖1為本發(fā)明專利的auv推進(jìn)器狀態(tài)監(jiān)測結(jié)構(gòu)框圖。結(jié)合圖1，基于模糊支持向量描述的水下機器人推進(jìn)器狀態(tài)監(jiān)測方法的具體實現(xiàn)步驟如下：

(1)對推進(jìn)器正常運行時的auv縱向速度信號進(jìn)行小波分解，分解層數(shù)為3，小波基函數(shù)為db4小波。在分解結(jié)果中提取小波近似分量，舍去小波細(xì)節(jié)分量。

(2)構(gòu)造目標(biāo)樣本：

基于修正貝葉斯算法分別從推進(jìn)器正常運行時的auv縱向速度信號小波近似分量和推進(jìn)器控制信號中提取特征信息，得到速度信號故障特征xs＝{xsi}和控制信號故障特征xc＝{xci}，其中，i＝1,2,…,n1，n1＝100為這一組特征值中的節(jié)拍個數(shù)?；谏鲜鰞山M故障特征建立目標(biāo)樣本集x＝{xi}，目標(biāo)樣本集x中共有100個目標(biāo)樣本，且目標(biāo)樣本xi＝[xsixci]^t。基于模糊隸屬度函數(shù)公式

計算目標(biāo)樣本xi的模糊隸屬度系數(shù)sxi，然后將目標(biāo)樣本集擴展為sx＝{(xi,sxi)}的形式，式中，b1＝13.5，b2＝500。

(3)建立fsvdd監(jiān)測模型：

對公式進(jìn)行優(yōu)化計算，其中，約束條件為0≤αi≤c，核函數(shù)σ＝10，c＝0.6。得到全局最優(yōu)解α＝{αi}，i＝1,2,…,n1，其中，多數(shù)αi＝0，少數(shù)αi>0，這部分不為零的αi對應(yīng)的目標(biāo)樣本為支持向量，用xsvi表示。基于公式

計算得到fsvdd超球的半徑

(4)構(gòu)造待測樣本：

基于修正貝葉斯分類算法分別從推進(jìn)器運行狀態(tài)待測時的auv縱向速度信號小波近似分量和推進(jìn)器控制信號中提取特征信息，得到速度信號故障特征zs＝{zsi}和控制信號故障特征zc＝{zci}，其中，i＝1,2,…,n2，n2＝100為這一組特征值中的節(jié)拍個數(shù)?；谏鲜鰞山M特征信息建立待測樣本集z＝{zi}，其中zi＝[zsizci]^t?；谀：`屬度函數(shù)

計算待測樣本zi的模糊隸屬度系數(shù)szi，然后將待測樣本集擴展為sz＝{(zi,szi)}的形式，式中，b1＝13.5，b2＝500。

(5)計算監(jiān)測系數(shù)：

通過計算待測樣本(zi,szi)到超球球心的廣義距離通過公式計算監(jiān)測系數(shù)

(6)判別auv推進(jìn)器運行狀態(tài)：

通過監(jiān)測系數(shù)監(jiān)測auv推進(jìn)器運行狀態(tài)，當(dāng)時，表示推進(jìn)器工作狀態(tài)正常；當(dāng)時，表示推進(jìn)器發(fā)生故障，且越大，推進(jìn)器故障程度越嚴(yán)重。

圖2為傳統(tǒng)svdd方法的auv推進(jìn)器狀態(tài)監(jiān)測結(jié)構(gòu)框圖。對比分析圖2和圖1可知，傳統(tǒng)svdd方法在構(gòu)造目標(biāo)樣本以及待測樣本時，用速度信息故障特征和控制信息故障特征構(gòu)造目標(biāo)樣本以及待測樣本，而本發(fā)明專利在構(gòu)造目標(biāo)樣本以及待測樣本時，不僅用速度信息故障特征和控制信息故障特征構(gòu)造目標(biāo)樣本以及待測樣本，還通過模糊隸屬度函數(shù)計算模糊隸屬度系數(shù)，并用模糊隸屬度系數(shù)對目標(biāo)樣本和待測樣本的屬性進(jìn)行了擴展。

圖3為auv推進(jìn)器故障程度不同時的auv縱向速度信號和推進(jìn)器控制信號。圖3中λ為推進(jìn)器出力損失程度，λ＝0％表示推進(jìn)器正常運行。在本發(fā)明專利的實驗驗證過程中，選取推進(jìn)器故障程度為0％狀態(tài)下的第301～400拍實驗數(shù)據(jù)構(gòu)造目標(biāo)樣本，訓(xùn)練超球體，選取推進(jìn)器故障程度分別為0％、10％、20％、30％、40％狀態(tài)下的第401～500拍的實驗數(shù)據(jù)構(gòu)造待測樣本。

圖4為本發(fā)明專利的auv推進(jìn)器狀態(tài)監(jiān)測結(jié)果。分析圖4，在推進(jìn)器故障程度為0％時，監(jiān)測系數(shù)ε為-0.48～0，即在推進(jìn)器故障程度為10％～40％時，監(jiān)測系數(shù)為1.07～3.40，即說明本發(fā)明專利能夠有效判斷推進(jìn)器故障的有無。此外，推進(jìn)器故障程度分別為10％、20％、30％、40％時，監(jiān)測系數(shù)平均值分別為1.45、1.74、2.07、3.32，由此可見，隨著故障程度的增加，監(jiān)測系數(shù)平均值依次增大，監(jiān)測系數(shù)與故障程度之間呈單調(diào)遞增關(guān)系，說明本發(fā)明專利能夠判斷推進(jìn)器故障嚴(yán)重程度。

圖5為傳統(tǒng)svdd方法的狀態(tài)監(jiān)測結(jié)果。分析圖5，在推進(jìn)器故障程度為0％時，監(jiān)測系數(shù)ε為-0.48～0，即在推進(jìn)器故障程度為10％～40％時，監(jiān)測系數(shù)為1.07～1.67，即說明傳統(tǒng)svdd方法能夠有效判斷推進(jìn)器故障的有無。進(jìn)一步分析推進(jìn)器故障程度為20％～40％時的監(jiān)測系數(shù)，當(dāng)故障程度為20％、30％、40％時，監(jiān)測系數(shù)均為1.67。說明不同故障程度對應(yīng)監(jiān)測系數(shù)相同，傳統(tǒng)svdd方法難以區(qū)分推進(jìn)器故障的嚴(yán)重程度。

綜上，本發(fā)明專利涉及一種基于模糊支持向量域描述的水下機器人推進(jìn)器狀態(tài)監(jiān)測方法。屬于水下機器人故障診斷技術(shù)領(lǐng)域。該方法基于修正貝葉斯分類算法分別從推進(jìn)器運行狀態(tài)待測時的auv縱向速度信號小波近似分量和推進(jìn)器控制信號中提取特征信息，基于提取的特征信息構(gòu)造待測樣本、計算模糊隸屬度系數(shù)，并帶入模糊支持向量域描述監(jiān)測模型，得到監(jiān)測系數(shù)，基于監(jiān)測系數(shù)判斷auv推進(jìn)器運行狀態(tài)。本發(fā)明專利不僅能判斷auv推進(jìn)器故障的有無，而且能夠判斷auv推進(jìn)器故障嚴(yán)重程度，特別適合應(yīng)用于自主式水下機器人推進(jìn)器的狀態(tài)監(jiān)測。