国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      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)方法與流程

      文檔序號(hào):11385642閱讀:421來(lái)源:國(guó)知局
      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)方法與流程

      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)。

      當(dāng)前第1頁(yè)1 2 
      網(wǎng)友詢問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1