[发明专利]一种自主式水下机器人推进器故障特征提取方法

说明书

本发明提供一种自主式水下机器人推进器故障特征提取方法，具体是基于经验模态分解、分形维数和SHFC定位算法的，属于水下机器人故障诊断技术领域。该方法采用经验模态分解进行数据预处理替代分形维数中普通的滤波方法；在模态分解后的高频部分，把滚动时间窗引入，通过每个时间窗内小样本的分形维数故障特征的提取，捕捉到故障到分形维数中发生时刻分形维数特征值的突变，提取出分形维数突变的极大值，进而增强故障特征的提取效果。本发明专利能增强故障特征，便于检测水下机器人推进器是否出现故障，特别适合应用于自主式水下机器人推进器的状态监测。

技术领域

本发明涉及一种适用于自主式水下机器人推进器的状态监测方法，属于水下机器人故障诊断技术领域。

背景技术

自主式水下机器人(AUV：Autonomous Underwater Vehicle)无人无缆工作在复杂海洋环境，安全性是保证其顺利完成任务的前提，故障诊断技术是保障水下机器人安全性的关键技术之一。

故障特征提取是AUV推进器故障诊断研究的重要内容之一，其典型方法有修正的贝叶斯和分形维数方法。为了探讨从AUV的状态量中提取故障特征，本专利采用修正的贝叶斯方法和分形维数方法对AUV推进器故障诊断的实验研究中发现：该方法在故障程度较大时，故障特征提取效果较好，故障程度较小时(推进器出力损失小于20％的故障)，容易受传感器等噪声影响，易导致故障特征提取失败。为了降低传感器噪声干扰，采用小波阈值降噪方法对信号进行预处理，本专利采用该方法实验研究中发现：小波降噪方法在小波系数小于阈值情况下降低随机干扰效果显著，但在小波系数大于阈值情况下，会将小波系数所对应的信号视为有用信号而予以保留，保留的这部分信号将影响故障特征值与噪声特征值的差值，进而影响故障特征值得提取的效果。

发明内容

本发明的目的是为了一种基于经验模态分解、分形维数和SHFC定位算法的自主式水下机器人推进器故障特征提取方法。本发明专利能增强故障特征，便于检测水下机器人推进器是否出现故障。

本发明的目的是这样实现的：步骤如下：

步骤一：特征量和状态量的数据融合，对AUV的速度状态量数据进行经验模态分解，把原始数据分解成不同模态；

步骤二：采用SHFC定位算法和分形维数这两种算法对高模态和低模态分别提取和筛选，完成特征提取。

本发明还包括这样一些结构特征：

1.步骤二中的分形维数故障特征提取具体是：

采用时间窗分形维数算法对模态四以及更高的模态进行故障特征的提取及筛选，在当前时刻计算前50拍的分形维数故障特征，而在下一个时刻，删掉时间窗内的最早时刻的数据，把此时刻的样本数据填入到时间窗内，并计算此时刻的分形维数故障特征值，

重构相空间吸引子的分形维数D_c为：

式中：C(r)为超球的筛选结果，r为分形维数中超球半径。

2.步骤二中的SHFC定位算法故障特征提取是采用SHFC定位算法对模态五以及更低的模态进行故障特征的提取及筛选；

以模态待检信号x(t)，且x(t)在t_i，i＝1,2,…时刻取得极值点为处理对象，对故障特征提取过程为：

首先得到信号幅度变化的度量α(t_i)为：

其次得到算信号时间变化的度量φ(t_i)为：

最后得到信号突变变化的度量w(t_i)为：