[发明专利]基于小波分形的自主式水下机器人故障辨识方法

权利要求书

1.一种基于小波分形的自主式水下机器人故障辨识方法，其特征是：

(1)采用多层小波分解方法对自主式水下机器人传感器和控制器数据进行分解，具体包括：

(1.1)数据截取过程：当采集到数据长度为L的传感器和控制器数据后启动检测，当再次采集到新的数据后，舍弃原数组第一个数据并将新采集回来的数据放在原数组的末尾，始终保持数据长度为L；

(1.2)小波分解过程：对步骤(1.1)截取的自主式水下机器人传感器和控制器数据进行W层小波分解，小波基函数为“X”；

(2)采用分形特征提取方法对原始传感器和控制器数据以及步骤(1.2)获得的小波细节系数和小波逼近系数提取分形故障特征F，具体步骤如下：

(2.1)设置宽度为R的矩形覆盖到待提取分形特征的曲线上，逐步移动矩形遍及所有曲线点，将所有矩形的高度和宽度相乘并且相加，得到总面积S(R)；

(2.2)按式R_p＝2^p*R，其中p＝1,2,3…L/2，系列地改变R的大小后重复步骤(2.1)，得到一系列面积S(R_p)；

(2.3)将S(R_p)除以R_p²得到N(R_p)，采用最小二乘拟合方法对系列值Ln(N(R_p))/Ln(1/R_p)拟合直线，直线的斜率即为分形故障特征F的大小；

(3)采用相关系数方法对自主式水下机器人待测故障信号进行故障辨识，所述故障辨识方法的步骤如下：

(3.1)构建故障特征矩阵过程：根据步骤(1)所述多层小波分解方法和步骤(2)所述分形故障特征提取方法，分别获得了自主式水下机器人传感器和控制器数据时域信号与多层小波分解后小波系数的分形特征，采用这些分形特征构建故障特征矩阵式中：F_AUV为所构建的自主式水下机器人故障特征矩阵，F_V和F_θ分别代表左主推电压、右主推电压、纵向速度和艏向角度时域信号分形特征，和分别代表上述时域信号分别对应的小波分解后逼近系数的分形特征，和分别代表上述时域信号分别对应的小波分解后细节系数的分形特征；

(3.2)计算相关系数C过程：根据步骤(3.1)获得的待测故障信号故障特征矩阵，计算其与故障样本特征矩阵之间的相关系数C，式中：x为第x个待测故障信号，j为故障模式库中第j种故障样本，C(x，j)为待测故障信号x与第j种故障样本的相关系数，m为故障特征矩阵的行数，n为故障特征矩阵的列数，F^x为待测故障信号故障特征矩阵中对应m、n值位置的分形特征，F^j为故障模式库中第j种故障样本所属故障特征矩阵对应m、n值位置的分形特征；

(3.3)根据相关系数C辨识故障程度过程：步骤(3.2)计算得出的C(x，j)越大，表征待测故障信号x与对应的第j种故障样本的相关程度越大，即推力损失程度越接近；反之则表征待测故障信号与对应的第j种故障样本的推力损失程度越不接近。

2.根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征是：数据长度L＝200。

3.根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征是：小波分解层数W＝3，小波基函数“X”为“db1”。

4.根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征是：矩形宽度R＝2。

5.根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征是：故障特征矩阵行数m＝3，列数n＝4。

6.根据权利要求1所述的基于小波分形的自主式水下机器人故障辨识方法，其特征是：故障样本数j＝6，对应的故障程度分别为0％、10％、20％、30％、40％和50％。