一種基于小波近似熵的自主式水下機器人故障辨識方法
【專利摘要】本發(fā)明涉及自主式水下機器人故障辨識與容錯控制【技術領域】，具體涉及一種基于小波近似熵的自主式水下機器人故障辨識方法。本發(fā)明包括：采用多層小波分解方法對自主式水下機器人傳感器和控制器數(shù)據(jù)進行分解；采用近似熵提取方法對步驟(1.2)獲得的小波細節(jié)系數(shù)和小波逼近系數(shù)提取故障特征；采用相關系數(shù)方法對自主式水下機器人待測故障信號進行故障辨識。本發(fā)明方法既有效解決了AUV傳感器、控制器信號受外部干擾影響，故障辨識精度較低的問題，又利用多層小波分解的多頻段特性，獲得關于AUV推進器故障的冗余描述，并通過對多頻段故障信息同時提取故障特征并組建故障特征矩陣，提高AUV故障辨識精度，為容錯控制器提供準確的故障信息。
【專利說明】一種基于小波近似熵的自主式水下機器人故障辨識方法

【技術領域】
[0001] 本發(fā)明涉及自主式水下機器人故障辨識與容錯控制【技術領域】，具體涉及一種基于 小波近似熵的自主式水下機器人故障辨識方法。

【背景技術】
[0002] 隨著陸地資源日漸減少，人類開發(fā)海洋的步伐越來越快。自主式水下機器人（AUV : Autonomous Underwater Vehicle)是目前唯一能夠在無人情況下在深海進行探測、開發(fā)的 載體，一直受到國內(nèi)外研宄人員的高度重視。推進器是AUV最重要的執(zhí)行部件且負荷最重， 一旦其出現(xiàn)故障直接影響AUV的安全性，基于推力二次分配的容錯控制方法大多需要準確 的推進器故障程度。外部干擾下的AUV推進器故障程度辨識對于保障AUV自身安全性，提 高AUV自主作業(yè)成功率具有重要意義。
[0003] 均值濾波是最簡單的外擾抑制方法，其算法簡單，在很多領域去噪效果良好，但一 般只用于靜態(tài)或低動態(tài)情況；FIR數(shù)字濾波器繼承了模擬濾波器的優(yōu)點，并且可以用快速 傅里葉變換來實現(xiàn)，大大提高了運算速度。FIR濾波器對信號進行濾波去噪是在頻域中完成 的，依靠信號和噪聲的不同頻譜特征來實現(xiàn)噪聲濾除，適應于靜、動態(tài)信號去噪，但去噪效 果一般，不如均值濾波好。以上兩種方法均不適合復雜多變的海洋環(huán)境外部隨機干擾抑制
[0004] 小波變換是近年來迅速發(fā)展起來的時頻分析工具，克服了傅里葉變換只能表示信 號的頻率特征但不能反映時間域上局部信息的缺陷，小波變換同時具有時間和頻率的局部 分析特征與多分辨率分析特性，并已在圖像處理、信號濾波與特征提取等方面獲得了廣泛 的應用。小波降噪方法以小波變換為基礎，根據(jù)信號和噪聲經(jīng)過小波分解后對應的小波系 數(shù)所具有的不同特性，可很好地實現(xiàn)外部干擾抑制，以提高故障辨識結(jié)果的準確性，并且由 于小波分解的多頻段特性，通過多層小波分解獲得了關于AUV推進器故障的多頻段冗余描 述。
[0005] 傳統(tǒng)基于AUV時域信號進行故障辨識的方法，由于外部隨機干擾的影響，以及AUV 不同程度推力損失對應的故障特征并非呈單一變化趨勢，導致故障辨識精度較低。為解決 這一辨識精度較低的問題，采用近似熵方法提取AUV傳感器、控制器信號時域信號以及多 層小波分解后小波系數(shù)的近似熵值，以之作為故障特征，并組建故障特征矩陣，通過待測故 障信號故障特征矩陣與故障模式庫中已知故障程度故障特征矩陣的相關系數(shù)值，達到辨識 AUV故障程度并提高故障辨識精度的目的。
[0006] 因此，將小波分解與近似熵相結(jié)合，構成一種新型的自主式水下機器人故障辨識 方法，可有效解決自主式水下機器人受外部干擾和量測噪聲影響，僅通過提取時域信號非 線性故障特征辨識精度較低的問題。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于：克服現(xiàn)有技術的不足，提供一種基于小波分解和近似熵的自 主式水下機器人故障辨識方法，解決自主式水下機器人受外部干擾和量測噪聲影響，僅提 取時域信號非線性故障特征辨識精度較低的問題。
[0008] 本發(fā)明的目的是這樣實現(xiàn)的：
[0009] (1)采用多層小波分解方法對自主式水下機器人傳感器和控制器數(shù)據(jù)進行分解； [0010] (I. 1)數(shù)據(jù)截?。寒敳杉綌?shù)據(jù)長度為L的多普勒數(shù)據(jù)后啟動檢測算法，當再次采 集到新的數(shù)據(jù)后，舍棄原數(shù)組第一個數(shù)據(jù)并將新采集回來的數(shù)據(jù)放在原數(shù)組的末尾，始終 保持數(shù)據(jù)長度為L ;
[0011] (1. 2)小波分解：對步驟（I. 1)截取的自主式水下機器人傳感器和控制器信號進 行W層小波分解，小波基函數(shù)為X ;
[0012] (2)采用近似熵提取方法對步驟（1. 2)獲得的小波細節(jié)系數(shù)和小波逼近系數(shù)提取 故障特征：
[0013] (2. 1)將步驟（I. 1)截取的自主式水下機器人傳感器和控制器數(shù)據(jù)，以及步驟 (1. 2)獲得的小波細節(jié)系數(shù)和小波逼近系數(shù)N點序列u (i)，給定一個m，分別按順序組成m 維矢量 X(i)，即 X(i) = [u(i)，u(i+l)…u(i+m-l) ]，i = 1 ?N-m+1，其中 X(i)為矢量，i 為數(shù)據(jù)點位置，u(i)為點序列，m為模式維數(shù)，N為對應的小波系數(shù)數(shù)據(jù)長度；
[0014] (2. 2)對每一個i值計算矢量X (i)與其余矢量X (j)之間的距離：
[0015] 4義(/_)，義(./)] = |w(/_ + 幻-w( / + 幻|，其中 d [X ⑴，X (j)]代表距離，j 為除 i 之 外的數(shù)據(jù)點位置，k為取值范圍為0?m-Ι的變量；
[0016] (2. 3)給定一個閾值r(r>0)，對于每一個i值計算d[X(i), X(j)]〈r的數(shù)目及此數(shù) 目與總的矢量個數(shù)（N-m+1)的比值，記作C,w(r)，即
[0017] C/" (r) = 義⑴]< r的數(shù)目} /(W - w +1);
[0018] (2. 4)先將C,?取對數(shù)，再求其對所有i的平均值，記作Φ-(r)，即

【權利要求】
1. 一種基于小波近似熵的自主式水下機器人故障辨識方法，其特征在于，實現(xiàn)步驟如 下： (1) 采用多層小波分解方法對自主式水下機器人傳感器和控制器數(shù)據(jù)進行分解； (I. 1)數(shù)據(jù)截?。寒敳杉綌?shù)據(jù)長度為L的多普勒數(shù)據(jù)后啟動檢測算法，當再次采集到 新的數(shù)據(jù)后，舍棄原數(shù)組第一個數(shù)據(jù)并將新采集回來的數(shù)據(jù)放在原數(shù)組的末尾，始終保持 數(shù)據(jù)長度為L; (1. 2)小波分解：對步驟（I. 1)截取的自主式水下機器人傳感器和控制器信號進行W層小波分解，小波基函數(shù)為X; (2) 采用近似熵提取方法對步驟（1. 2)獲得的小波細節(jié)系數(shù)和小波逼近系數(shù)提取故障 特征： (2. 1)將步驟（I. 1)截取的自主式水下機器人傳感器和控制器數(shù)據(jù)，以及步驟（1. 2) 獲得的小波細節(jié)系數(shù)和小波逼近系數(shù)N點序列u(i)，給定一個m，分別按順序組成m維矢量 X(i)，即X(i) = [u⑴，u(i+l) "-11(1+111-1)]，i= 1 ?N-m+1，其中X(i)為矢量，i為數(shù)據(jù) 點位置，u(i)為點序列，m為模式維數(shù)，N為對應的小波系數(shù)數(shù)據(jù)長度； (2. 2)對每一個i值計算矢量X(i)與其余矢量X(j)之間的距離： 4義(αΑχ/)] = ,!^^/ +幻-"(./ +々)|，其中d[X⑴，X(j)]代表距離，j為除i之外的 數(shù)據(jù)點位置，k為取值范圍為O?m-Ι的變量； (2. 3)給定一個閾值r(r>0)，對于每一個i值計算d[X(i),X(j)]〈r的數(shù)目及此數(shù)目與 總的矢量個數(shù)（N-m+1)的比值，記作C7〇)，即
(2.4) 先將(了㈧取對數(shù)，再求其對所有i的平均值，記作Φ-ω，即
(2.5) 對m+1，重復步驟（2. 1)?（2.4)，得到?m+1(r)，自主式水下機器人傳感器和控 制器待測信號以及對應的小波系數(shù)的近似熵故障特征值即為 ApEn(m,r) =Φ111 (r) -Φ111+1 (r)，其中ApEn(m,r)為近似j：商故障特征； (3) 采用相關系數(shù)方法對自主式水下機器人待測故障信號進行故障辨識： (3. 1)構建故障特征矩陣：根據(jù)步驟（1)所述多層小波分解方法和步驟（2)所述近似 熵故障特征提取方法，分別獲得了自主式水下機器人傳感器和控制器信號時域信號與多層 小波分解后小波系數(shù)的近似熵特征，采用這些近似熵特征構建故障特征矩陣
Aauv為所構建的AUV故障特征矩陣，為，,、4；s、A#PA0分別代表左主推電壓、右主推 電壓、縱向速度和艏向角度時域信號近似熵特征，、為和分別代 表上述時域信號分別對應的小波分解后逼近系數(shù)的近似熵特征，為/()、為d,(il和 2?,t,分別代表上述時域信號分別對應的小波分解后細節(jié)系數(shù)的近似熵特征； (3.2)計算相關系數(shù)R:根據(jù)步驟（3. 1)獲得的待測信號故障特征矩陣，計算其與故障 樣本特征矩陣之間的相關系數(shù)R，
式中：x為待測信號，g為同樣采用上述步驟所建立的故障模式庫中的第g種故障樣本，R(X，g)為待測信號X與第g種故障樣本的相關系數(shù)，h為故障特征矩陣的行數(shù)，1為故障特 征矩陣的列數(shù)，Ax為待測信號故障特征矩陣中對應h、1值位置的近似熵特征，AgS故障模 式庫中第g種故障樣本所屬故障特征矩陣對應h、1值位置的近似熵特征； (3. 3)根據(jù)相關系數(shù)R辨識故障程度：步驟（3. 2)計算得出的R(x，g)越大，表征待測 信號X與對應的第g種故障樣本的相關程度越大，即推力損失程度越接近；反之則表征待測 信號與對應的第g種故障樣本的推力損失程度越不接近。
2. 根據(jù)權利要求1所述的一種基于小波近似熵的自主式水下機器人故障辨識方法，其 特征在于：步驟（I. 1)所述的數(shù)據(jù)長度L= 200。
3. 根據(jù)權利要求1所述的一種基于小波近似熵的自主式水下機器人故障辨識方法，其 特征在于：步驟（1. 2)所述的小波分解層數(shù)W= 3,小波基函數(shù)"X"為"dbl"。
4. 根據(jù)權利要求1所述的一種基于小波近似熵的自主式水下機器人故障辨識方法，其 特征在于：步驟（2. 1)所述的模式維數(shù)m= 2。
5. 根據(jù)權利要求1所述的一種基于小波近似熵的自主式水下機器人故障辨識方法，其 特征在于：步驟（2. 3)所述的閾值r= 0. 2*SD(u(i))，SD()表示對u(i)求標準差。
6. 根據(jù)權利要求1所述的一種基于小波近似熵的自主式水下機器人故障辨識方法，其 特征在于：步驟（3. 2)所述的故障樣本數(shù)g= 6,對應的故障程度分別為0 %、10 %、20 %、 30%、40%和 50%。
【文檔編號】G06F19/00GK104462803SQ201410705684
【公開日】2015年3月25日 申請日期:2014年11月27日 優(yōu)先權日:2014年11月27日
【發(fā)明者】張銘鈞, 劉維新, 劉星, 殷寶吉, 王玉甲, 趙文德, 姚峰 申請人:哈爾濱工程大學