[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

说明书

技术领域

本发明涉及的是一种自主式水下机器人故障辨识与容错控制方法，具体地说是一种基于小波分解和分形对自主式水下机器人推进器故障程度进行故障辨识的方法。

背景技术

随着陆地资源日渐减少，人类开发海洋的步伐越来越快。自主式水下机器人(AUV：Autonomous Underwater Vehicle)是目前唯一能够在无人情况下在深海进行探测、开发的载体，一直受到国内外研究人员的高度重视。推进器是AUV最重要的执行部件且负荷最重，一旦其出现故障直接影响AUV的安全性，基于推力二次分配的容错控制方法大多需要准确的推进器故障程度。外部干扰下的AUV推进器故障程度辨识对于保障AUV自身安全性，提高AUV自主作业成功率具有重要意义。

均值滤波是最简单的外扰抑制方法，其算法简单，在很多领域去噪效果良好，但一般只用于静态或低动态情况；FIR数字滤波器继承了模拟滤波器的优点，并且可以用快速傅里叶变换来实现，大大提高了运算速度。FIR滤波器对信号进行滤波去噪是在频域中完成的，依靠信号和噪声的不同频谱特征来实现噪声滤除，适应于静、动态信号去噪，但去噪效果一般，不如均值滤波好。以上两种方法均不适合复杂多变的海洋环境外部随机干扰抑制。

小波变换是近年来迅速发展起来的时频分析工具，克服了傅里叶变换只能表示信号的频率特征但不能反映时间域上局部信息的缺陷，小波变换同时具有时间和频率的局部分析特征与多分辨率分析特性，并已在图像处理、信号滤波与特征提取等方面获得了广泛的应用。小波降噪方法以小波变换为基础，根据信号和噪声经过小波分解后对应的小波系数所具有的不同特性，可很好地实现外部干扰抑制，以提高故障辨识结果的准确性，并且由于小波分解的多频段特性，通过多层小波分解获得了关于AUV推进器故障的多频段冗余描述。

传统基于AUV时域信号进行故障辨识的方法，由于外部随机干扰的影响，以及AUV不同程度推力损失对应的故障特征并非呈单一变化趋势，导致故障辨识精度较低。为解决这一辨识精度较低的问题，采用分形特征提取方法提取AUV传感器、控制器信号时域信号以及多层小波分解后小波系数的分形特征值，以之作为故障特征，并组建故障特征矩阵，通过待测故障信号故障特征矩阵与故障模式库中已知故障程度故障特征矩阵的相关系数值，达到辨识AUV故障程度并提高故障辨识精度的目的。

发明内容

本发明的目的在于提供一种将小波分解与分形特征相结合，可有效解决自主式水下机器人受外部干扰和量测噪声影响，仅通过提取时域信号非线性故障特征辨识精度较低等问题的基于小波分形的自主式水下机器人故障辨识方法。

本发明的目的是这样实现的：

(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的多普勒数据后启动检测，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信号进行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信号以及步骤(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，所述分形特征提取方法的步骤如下：

(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)，得到一些列面积S(R)；

(2.3)将S(R)除以R²得到N(R)，采用最小二乘拟合方法对所得系列值Ln(N(R))/Ln(1/R)拟合直线，直线的斜率即为分形维数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：