基于融合信号时域能量与时频熵的水下推进器故障程度辨识
方法
技术领域
背景技术
[0002] 推进器是水下机器人动
力系统的重要组成部分。推进器故障将引起水下机器人速度信号和推进器控制
电压信号等动态信号的改变，进而在动态信号中产生奇异行为。根据这一现象，本
专利从动态信号奇异行为中提取故障特征，构造故障样本，并基于故障样本建立故障分类模型，诊断水下机器人故障程度。公知小波能量辨识方法，
申请号为201410705681.1的中国专利，分别从水下机器人速度信号和推进器控制电压信号两个单一方面提取小波能量特征，用于推进器故障程度辨识，并未将两种故障信息进行有机融合。此外，该种方法从信号时域和频域提取故障特征，所得故障特征与故障程度的映射关系不唯一。
发明内容
[0003] 发明目的：本发明的目的在于解决
现有技术中存在的不足，提供一种基于融合信号时域能量与时频熵的水下推进器故障程度辨识方法，将水下机器人速度信号故障信息、推进器
控制信号故障信息等两个单一方面的故障信息进行融合，并从融合特征中提取时域能量特征和时频熵特征，用于构造故障样本，最后基于支持向量域描述
算法对故障样本进行分类，得到水下推进器故障程度。
[0004] 技术方案：本发明的一种基于融合信号时域能量与时频熵的水下推进器故障程度辨识方法，包括以下步骤：
[0005] 第一步，采用长度为L1(例如可以取值300)的
时间窗分别对水下机器人速度信号和推进器控制电压变化率信号进行截取；
[0006] 第二步，对第一步所得数据进行常规小波分解，提取小波近似分量，对小波近似分量进行常规修正贝叶斯运算，得到运算结果dSA(n)，n为信号数据序号，n＝1，2，…，L1；
[0007] 第三步，以推进器在第n个时间
节拍发生故障为焦元Bn，建立故障证据识别
框架Θ＝{B1,B2,…,Bn}，通过公式(1)计算故障证据的可信度分配函数m(Bn)，再将m(Bn)实例化为速度信号故障证据的可信度分配函数mU(Bn)、控制信号故障证据可信度分配函数mC(Bn)，将mU(Bn)、mC(Bn)带入公式(2)～(3)进行融合，得到融合信号故障证据可信度分配函数mF(Bn)；
[0008]
[0009]
[0010]
[0011] 式中，dSA(n)为水下机器人动态信号小波修正贝叶斯计算结果，i1为临时变量，i1＝1，2，…，N5，N5为时间窗长度，即N5＝L1＝300，i2和j2为焦元序号，即取值为1～L1的正整数，K5为中间过程变量；
[0012] 第四步，提取融合信号时域能量故障特征FTP：
[0013] 对融合信号故障证据可信度分配函数mF(Bn)进行卷积计算，即mconv(n)＝mF(Bn)*mF(Bn)，确定卷积计算结果mconv(n)中的所有极小值点，将相邻两个极小值点之间的数据进行求和，所得结果作为两个极小值点之间区域的时域能量，将mconv(n)中的时域能量最大值作为融合信号时域能量故障特征值FTP；
[0014] 第五步，提取融合信号平滑伪维格纳-威利分布时频熵故障特征：
[0015] 采用平滑伪维格纳-威利分布算法，如公式(4)所示，计算融合信号可信度分配函数mF(Bn)的平滑伪维格纳-威利谱SPWVD(n,m)，计算平滑伪维格纳-威利谱SPWVD(n,m)的香农熵FTFH，如公式(5)～公式(6)所示，所得结果作为融合信号时频熵故障特征值FTFH；
[0016]
[0017] p(n,m)＝|SPWVD(n,m)|/∑∑|SPWVD(n,m)| (5)
[0018] FTFH＝-∑∑p(n,m)log2 p(n,m) (6)
[0019] 式中，SPWVD(n,m)为平滑伪维格纳-威利谱，n为时间节拍，n为1～L1之间的整数，m为频带序号，m为1～N4之间的整数，N4常取256和512等数值，例如取N4＝512；
[0020] h(k1)、g(l2)均为高斯函数；
[0021] 其中，k1∈[-(K1-1),(K1-1)]，l2∈[-(L2-1),(L2-1)]，K1、L2分别为不大于(N4)/4、(N4)/5的最大整数，z(n)为速度信号的解析值，z*(n)与z(n)共轭，此公式中，i为虚数，即i2＝-1，FTFH为融合信号时频熵故障特征值；
[0022] 第六步，将融合信号时域能量故障特征FTP、融合信号时频熵故障特征FTFH，组成故障样本x＝[FTP FTFH]T，将步骤一中长度为L1的时间窗函数向右滑动，每滑动一个时间节拍，获得一组水下机器人动态信号数据，重复第一步至第六步，获得一个故障样本，移动N6个时间节拍，获得N6个故障样本，N6为任意正整数，它为故障样本数量，原则上，越大越好，例如取N6＝100；
[0023] 第七步，采用常规支持向量域描述方法建立超球模型S，得到该超球模型S的超球球心为C、超球模型半径为R；
[0024] 第八步，推进器故障程度分类：获取推进器故障程度为λq时的水下机器人动态信号数据，q为推进器故障程度等级，q＝1,2,3，…,Q，Q为推进器故障程度等级数量；
[0025] 根据第一步至第七步内容，建立多个超球模型qS，q＝1,2,3，…,Q，且每一个超球模型qS，用超球球心qC和超球半径qR来描述；
[0026] 计算测试样本到超球模型qS球心qC的广义距离qD，通过公式qε＝qD/qR计算测试样本到超球模型qS的相对距离qε；相对距离qε最小值对应的超球模型qS所代表的故障程度λq，即为推进器故障程度λq。
[0027] 有益效果：本发明将不同方面的故障信息有机融合，进而得到更全面的融合故障信息，并从融合故障信息中提取时域能量、时频熵等多域故障特征，故障特征与故障程度的映射关系唯一，且本发明能够实现推进器故障程度的分类，分类
精度达到95％以上。
附图说明
[0029] 图2为
实施例中水下机器人动态信号时域
波形图；
[0030] 图3为实施例中融合信号故障特征分布图；
[0031] 图4为实施例中推进器故障样本分布图；
[0032] 图5为实施例中故障程度0％的故障样本到各个单类超球模型的相对距离；
[0033] 图6为实施例中故障程度10％的故障样本到各个单类超球模型的相对距离；
[0034] 图7为实施例中故障程度20％的故障样本到各个单类超球模型的相对距离；
[0035] 图8为实施例中故障程度30％的故障样本到各个单类超球模型的相对距离；
[0036] 图9为实施例中故障程度40％的故障样本到各个单类超球模型的相对距离。
具体实施方式
[0037] 下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
[0038] 如图1所示，
[0039] 本发明的一种基于融合信号时域能量与时频熵的水下推进器故障程度辨识方法，包括以下步骤：
[0040] 第一步，采用长度为L1＝300的时间窗分别对水下机器人速度信号和推进器控制电压变化率信号进行截取；
[0041] 第二步，对第一步所得数据进行常规小波分解，提取小波近似分量，对小波近似分量进行常规修正贝叶斯运算，得到的运算结果dsA(n)；n为信号数据序号，n＝1，2，…，L1；
[0042] 第三步，以推进器在第n个时间节拍发生故障为焦元Bn，建立故障证据识别框架Θ＝{B1,B2,…,Bn}，通过公式(1)计算故障证据的可信度分配函数m(Bn)，再将m(Bn)实例化为速度信号故障证据的可信度分配函数mU(Bn)、控制信号故障证据可信度分配函数mC(Bn)，将mU(Bn)、mC(Bn)带入公式(1)～(3)进行融合，得到融合信号故障证据可信度分配函数mF(Bn)；
[0043]
[0044]
[0045]
[0046] 式中，dSA(n)为水下机器人动态信号小波修正贝叶斯计算结果，N5为时间窗长度，即N5＝300；
[0047] 第四步，提取融合信号时域能量故障特征FTP：
[0048] 对融合信号故障证据可信度分配函数mF(Bn)进行卷积计算，即mconv(n)＝mF(Bn)*mF(Bn)，确定卷积计算结果mconv(n)中的所有极小值点，将相邻两个极小值点之间的数据进行求和，所得结果作为两个极小值点之间区域的时域能量，将mconv(n)中的时域能量最大值作为融合信号时域能量故障特征值FTE；
[0049] 第五步，提取融合信号平滑伪维格纳-威利分布时频熵故障特征：
[0050] 采用平滑伪维格纳-威利分布算法，如公式(4)所示，计算融合信号可信度分配函数mF(Bn)的平滑伪维格纳-威利谱SPWVD(n,m)，计算平滑伪维格纳-威利谱SPWVD(n,m)的香农熵FTFH，如公式(5)～公式(6)所示，所得结果作为融合信号时频熵故障特征值FTFH；
[0051]
[0052] p(n,m)＝|SPWVD(n,m)|/∑∑|SPWVD(n,m)| (5)
[0053] FTFH＝-∑∑p(n,m)log2 p(n,m) (6)
[0054] 式中，SPWVD(n,m)为平滑伪维格纳-威利谱，n为时间节拍，n为1～L1之间的整数，m为频带序号，m为1～N4之间的整数，N4常取256和512等数值，本实施例中，N4＝512，h(k1)、g(l2)均为高斯函数；
[0055] 其中，k1∈[-(K1-1),(K1-1)]，l2∈[-(L2-1),(L2-1)]，K1、L2分别为不大于(N4)/4、(N4)/5的最大整数，z(n)为速度信号的解析值，z*(n)与z(n)共轭，FTFH为融合信号时频熵故障特征值；
[0056] 第六步，将融合信号时域能量故障特征FTE、融合信号时频熵故障特征FTFH，组成故障样本x＝[FTE FTFH]T，将时间窗函数向右滑动，每滑动一个时间节拍，获得一组水下机器人动态信号数据，重复第一步至第六步，获得一个故障样本，移动N6个时间节拍，直至获得N6个故障样本；
[0057] 第七步，采用常规支持向量域描述方法建立超球模型S，得到该超球模型S的超球球心为C、超球模型半径为R；
[0058] 第八步，推进器故障程度分类：获取推进器故障程度为λq时的水下机器人动态信号数据，q为推进器故障程度等级，q＝1,2,3，…,Q，Q为推进器故障程度等级数量；
[0059] 根据第一步至第七步内容，建立多个超球模型qS，q＝1,2,3，…,Q，且每一个超球模型qS，用超球球心qC和超球半径qR来描述；
[0060] 计算测试样本到超球模型qS球心qC的广义距离qD，通过公式qε＝qD/qR计算测试样本到超球模型qS的相对距离qε；相对距离qε最小值对应的超球模型qS所代表的故障程度λq，即为推进器故障程度λq。
[0061] 实施例1：
[0062] 如图2(a)所示，水下机器人从静止开始启动，水下机器人速度和推进器控制电压逐渐增加，从第101个时间节拍开始，水下机器人开始以0.3m/s的稳态速度运行，在第250个时间节拍处，推进器发生出力损失故障，故障程度分别为0％、10％、20％、30％、40％，直到实验结束。如图2(b)和图2(c)中椭圆框所示，水下机器人速度信号、推进器控制电压变化率信号，在第250～350个时间节拍内，形成奇异信号。
[0063] 采用长度为L1＝300的时间窗截取图2(b)、图2(c)中中第101拍至第400拍的速度信号和控制电压变化率信号数据，从截取的数据中提取融合信号时域能量故障特征、时频熵故障特征，构造故障样本，将时间窗向右移动100个时间节拍，每移动一个时间节拍，获得一组故障样本，共计获得500个故障样本，故障特征分布如图3所示，故障样本分布如4所示。
[0064] 图3(a)中，较大故障程度对应的时频熵特征始终小于较小故障程度对应的时频熵特征，图3(b)中，较大故障程度对应的时域能量特征始终大于故障程度对应的时域能量特征，图3中数据表明，故障程度与故障特征呈单调对应关系，一种故障特征只对应一种故障程度，故障特征与故障程度的映射关系唯一。
[0065] 从图4所示故障样本中，随机选取50％的故障样本作为训练样本，剩余50％的故障样本作为测试样本，故障样本划分结果表1所示。
[0066] 表1故障样本划分结果
[0067]
[0068] 采用表1中的训练样本建立每一种故障程度的单类超球模型，将某一种故障程度对应的测试样本作为该种故障程度的目标样本，而将其他故障程度对应的测试样本作为该种故障程度的非目标样本，计算该种故障程度对应的单类超球模型的分类性能，用指标AUC进行描述，结果如表2所示。表2中，AUC为ROC曲线下与坐标轴围成的面积，ROC为接受者操作特征曲线，AUC越大分类器效果越好，AUC的极值为1。
[0069] 表2融合信号单类超球模型的AUC
[0070]
[0071]
[0072] 从表2中可以看出，故障程度10％对应的单类超球模型AUC为0.98，其余单类超球模型AUC均为1，说明，本发明所有单类超球模型的AUC均高于0.95，本发明建立的单类超球模型的分类效果较好。
[0073] 计算故障程度0％对应的测试样本到每一种故障程度对应的单类超球模型的相对距离，结果如图5所示。按照同样的方式，计算故障程度10％、20％、30％、40％对应的测试样本到每一种故障程度对应的单类超球模型的相对距离，结果如图6～9所示。在图5～图9中，将相对距离最小的单类超球模型作为该测试样本的所属类型。用正确分类样本数除以测试样本总数，结果为推进器故障程度分类模型的分类精度。根据图5～图9所示结果，计算得到本发明的推进器故障程度分类精度为95.2％，大于95％，分类效果较好。
[0074] 此外，根据上述故障特征提取与故障程度分类过程，从速度信号中提取时域能量与时频熵特征，构造故障样本，建立故障分类模型，进行故障程度分类，得到单类超球模型AUC，如表3所示，得到故障程度分类精度为90.0％。采用同样的过程，从控制电压变化率信号中提取时域能量与时频熵特征，构造故障样本，建立故障分类模型，进行故障程度分类，得到单类超球模型AUC，如表3所示，得到故障程度分类精度为72.4％。
[0075] 表3速度信号和控制信号单类超球模型的AUC
[0076]
[0077] 对比表2和表3数据可知，融合信号单类超球模型AUC与速度信号单类超球模型AUC相比，故障程度10％、20％对应的AUC较大，其余相等，融合信号单类超球模型AUC与控制信号单类超球模型AUC相比，故障程度40％对应的AUC相等，其余都较大，说明融合信号单类超球模型的分类性能优于速度信号单类超球模型以及控制信号单类超球模型。
[0078] 此外，在分类精度方面，融合信号故障程度分类模型的分类精度95.2％，大于速度信号故障程度分类模型的分类精度90.0％，大于控制信号故障程度分类模型的分类精度72.4％。
