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

背景技術(shù)：

自主式水下機(jī)器人(auv)無(wú)人無(wú)纜工作在復(fù)雜的海洋環(huán)境中，安全性是auv研究和實(shí)用化過(guò)程中的重要研究?jī)?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(cè)技術(shù)，對(duì)提高auv的安全性具有重要研究意義和實(shí)用價(jià)值。但在auv推進(jìn)器的實(shí)際狀態(tài)監(jiān)測(cè)過(guò)程中，常常存在推進(jìn)器正常運(yùn)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(wèn)題。針對(duì)此問(wèn)題，以單值分類(lèi)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(lèi)方法的不同之處在于：二值分類(lèi)方法需要正常樣本和故障樣本等兩種數(shù)據(jù)樣本來(lái)建立推進(jìn)器正常類(lèi)別和故障類(lèi)別，在狀態(tài)監(jiān)測(cè)時(shí)，將新的數(shù)據(jù)樣本識(shí)別為推進(jìn)器正常類(lèi)別或故障類(lèi)別；svdd只需要正常樣本這一類(lèi)數(shù)據(jù)樣本來(lái)建立正常類(lèi)別，在狀態(tài)監(jiān)測(cè)時(shí)，只需要判斷新的數(shù)據(jù)樣本是否屬于該類(lèi)別，如果屬于正常類(lèi)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(yùn)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(lèi)器，從而對(duì)auv推進(jìn)器的運(yùn)行狀態(tài)進(jìn)行識(shí)別。但svdd沒(méi)有考慮auv數(shù)據(jù)樣本在測(cè)量過(guò)程中的重要性，將auv推進(jìn)器正常運(yùn)行時(shí)的數(shù)據(jù)樣本與auv推進(jìn)器故障不同嚴(yán)重程度時(shí)的數(shù)據(jù)樣本同等看待，從而只能判斷auv推進(jìn)器有無(wú)故障，而不能判斷auv推進(jìn)器故障嚴(yán)重程度。

技術(shù)實(shí)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(jī)器人狀態(tài)監(jiān)測(cè)方法，既能有效判斷auv推進(jìn)器故障的有無(wú)，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(shí)現(xiàn)的：

(1)構(gòu)造目標(biāo)樣本

基于修正貝葉斯分類(lèi)算法分別從推進(jìn)器正常工作時(shí)的auv縱向速度信號(hào)小波近似分量和推進(jìn)器控制信號(hào)中提取特征信息，得到速度信號(hào)故障特征xs＝{xsi}和控制信號(hào)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(gè)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(gè)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(jì)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(kuò)展為sx＝{(xi,sxi)}的形式；

(2)建立fsvdd監(jiān)測(cè)模型

對(duì)公式進(jìn)行優(yōu)化計(jì)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(duì)應(yīng)的目標(biāo)樣本為支持向量，用xsvi表示；

計(jì)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(cè)模型；

(3)構(gòu)造待測(cè)樣本

基于修正貝葉斯分類(lèi)算法分別從推進(jìn)器運(yùn)行狀態(tài)待測(cè)時(shí)的auv縱向速度信號(hào)小波近似分量和推進(jìn)器控制信號(hào)中提取特征信息，得到速度信號(hào)故障特征zs＝{zsi}和控制信號(hào)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(gè)數(shù)；

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

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

(4)計(jì)算監(jiān)測(cè)系數(shù)

待測(cè)樣本(zi,szi)到超球球心的廣義距離為：

監(jiān)測(cè)系數(shù)為：

(5)判別auv推進(jìn)器運(yùn)行狀態(tài)

通過(guò)監(jiān)測(cè)系數(shù)判斷auv推進(jìn)器運(yùn)行狀態(tài)，當(dāng)時(shí)，表示推進(jìn)器工作狀態(tài)正常；當(dāng)時(shí)，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(hào)小波近似分量時(shí)，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(hào)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(lèi)器實(shí)現(xiàn)對(duì)auv推進(jìn)器運(yùn)行狀態(tài)的識(shí)別。但svdd沒(méi)有考慮auv數(shù)據(jù)樣本在測(cè)量過(guò)程中的重要性，將auv推進(jìn)器正常運(yùn)行時(shí)的數(shù)據(jù)樣本與auv推進(jìn)器故障不同嚴(yán)重程度時(shí)的數(shù)據(jù)樣本同等看待，從而只能判斷auv推進(jìn)器有無(wú)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(lèi)的優(yōu)點(diǎn)，能夠有效判斷auv推進(jìn)器故障的有無(wú)，而且利用模糊隸屬度函數(shù)計(jì)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(cè)量過(guò)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(shuō)明

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

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

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

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

具體實(shí)施方式

下面結(jié)合附圖與具體實(shí)施方式對(duì)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(cè)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(jī)器人推進(jìn)器狀態(tài)監(jiān)測(cè)方法的具體實(shí)現(xiàn)步驟如下：

(1)對(duì)推進(jìn)器正常運(yùn)行時(shí)的auv縱向速度信號(hào)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(yùn)行時(shí)的auv縱向速度信號(hào)小波近似分量和推進(jìn)器控制信號(hào)中提取特征信息，得到速度信號(hào)故障特征xs＝{xsi}和控制信號(hào)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(gè)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(gè)目標(biāo)樣本，且目標(biāo)樣本xi＝[xsixci]^t?；谀：`屬度函數(shù)公式

計(jì)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(kuò)展為sx＝{(xi,sxi)}的形式，式中，b1＝13.5，b2＝500。

(3)建立fsvdd監(jiān)測(cè)模型：

對(duì)公式進(jìn)行優(yōu)化計(jì)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(duì)應(yīng)的目標(biāo)樣本為支持向量，用xsvi表示?；诠?/p>

計(jì)算得到fsvdd超球的半徑

(4)構(gòu)造待測(cè)樣本：

基于修正貝葉斯分類(lèi)算法分別從推進(jìn)器運(yùn)行狀態(tài)待測(cè)時(shí)的auv縱向速度信號(hào)小波近似分量和推進(jìn)器控制信號(hào)中提取特征信息，得到速度信號(hào)故障特征zs＝{zsi}和控制信號(hào)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(gè)數(shù)?；谏鲜鰞山M特征信息建立待測(cè)樣本集z＝{zi}，其中zi＝[zsizci]^t。基于模糊隸屬度函數(shù)

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

(5)計(jì)算監(jiān)測(cè)系數(shù)：

通過(guò)計(jì)算待測(cè)樣本(zi,szi)到超球球心的廣義距離通過(guò)公式計(jì)算監(jiān)測(cè)系數(shù)

(6)判別auv推進(jìn)器運(yùn)行狀態(tài)：

通過(guò)監(jiān)測(cè)系數(shù)監(jiān)測(cè)auv推進(jìn)器運(yùn)行狀態(tài)，當(dāng)時(shí)，表示推進(jìn)器工作狀態(tài)正常；當(dāng)時(shí)，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(cè)結(jié)構(gòu)框圖。對(duì)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(cè)樣本時(shí)，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(cè)樣本，而本發(fā)明專利在構(gòu)造目標(biāo)樣本以及待測(cè)樣本時(shí)，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(cè)樣本，還通過(guò)模糊隸屬度函數(shù)計(jì)算模糊隸屬度系數(shù)，并用模糊隸屬度系數(shù)對(duì)目標(biāo)樣本和待測(cè)樣本的屬性進(jìn)行了擴(kuò)展。

圖3為auv推進(jìn)器故障程度不同時(shí)的auv縱向速度信號(hào)和推進(jìn)器控制信號(hào)。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(yùn)行。在本發(fā)明專利的實(shí)驗(yàn)驗(yàn)證過(guò)程中，選取推進(jìn)器故障程度為0％狀態(tài)下的第301～400拍實(shí)驗(yàn)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(shí)驗(yàn)數(shù)據(jù)構(gòu)造待測(cè)樣本。

圖4為本發(fā)明專利的auv推進(jìn)器狀態(tài)監(jiān)測(cè)結(jié)果。分析圖4，在推進(jìn)器故障程度為0％時(shí)，監(jiān)測(cè)系數(shù)ε為-0.48～0，即在推進(jìn)器故障程度為10％～40％時(shí)，監(jiān)測(cè)系數(shù)為1.07～3.40，即說(shuō)明本發(fā)明專利能夠有效判斷推進(jìn)器故障的有無(wú)。此外，推進(jìn)器故障程度分別為10％、20％、30％、40％時(shí)，監(jiān)測(cè)系數(shù)平均值分別為1.45、1.74、2.07、3.32，由此可見(jiàn)，隨著故障程度的增加，監(jiān)測(cè)系數(shù)平均值依次增大，監(jiān)測(cè)系數(shù)與故障程度之間呈單調(diào)遞增關(guān)系，說(shuō)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(cè)結(jié)果。分析圖5，在推進(jìn)器故障程度為0％時(shí)，監(jiān)測(cè)系數(shù)ε為-0.48～0，即在推進(jìn)器故障程度為10％～40％時(shí)，監(jiān)測(cè)系數(shù)為1.07～1.67，即說(shuō)明傳統(tǒng)svdd方法能夠有效判斷推進(jìn)器故障的有無(wú)。進(jìn)一步分析推進(jìn)器故障程度為20％～40％時(shí)的監(jiān)測(cè)系數(shù)，當(dāng)故障程度為20％、30％、40％時(shí)，監(jiān)測(cè)系數(shù)均為1.67。說(shuō)明不同故障程度對(duì)應(yīng)監(jiān)測(cè)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(jī)器人推進(jìn)器狀態(tài)監(jiān)測(cè)方法。屬于水下機(jī)器人故障診斷技術(shù)領(lǐng)域。該方法基于修正貝葉斯分類(lèi)算法分別從推進(jìn)器運(yùn)行狀態(tài)待測(cè)時(shí)的auv縱向速度信號(hào)小波近似分量和推進(jìn)器控制信號(hào)中提取特征信息，基于提取的特征信息構(gòu)造待測(cè)樣本、計(jì)算模糊隸屬度系數(shù)，并帶入模糊支持向量域描述監(jiān)測(cè)模型，得到監(jiān)測(cè)系數(shù)，基于監(jiān)測(cè)系數(shù)判斷auv推進(jìn)器運(yùn)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(wú)，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(jī)器人推進(jìn)器的狀態(tài)監(jiān)測(cè)。