[发明专利]一种水下机器人推进系统故障的诊断方法

说明书

本发明专利涉及水下机器人领域，尤其涉及一种水下机器人推进系统故障的诊断方法。步骤一：对水下机器人推进系统的电压、电流、输出转速和拉压进行数据采集，接着将所得数据进行归一化预处理；步骤二：采用卷积神经网络CNN进行训练得到深度学习故障诊断模型；步骤三：用深度学习故障诊断模型对水下机器人推进系统进行故障诊断；步骤四：对深度学习故障诊断模型进行完善。本发明稳定可靠，结果准确。安装简单，使用寿命长，应用范围广。

技术领域

本发明专利涉及水下机器人领域，尤其涉及一种水下机器人推进系统故障的诊断方法。

背景技术

水下机器人技术是一种新兴的海洋智能制造技术，在国内外受到广泛应用。水下机器人是一种能够在水面以下几米甚至上千米、上万米深度进行航行的机器人。与无人机、无人车和无人船相比，它所处的任务环境更为复杂，所使用的传感器和推进系统也不同。具体表现在：1)高频无线电波在水下十几米以下深度无法使用，将会导致操作人员与水下机器人难以保持良好的通信联系；而采用水声通信机，不仅成本高，且通信速率与容量都无法与无线电波相比；2)电子元部件等任何非水密电子部件、机械部件、推进部件均须做水密、耐压保护，否则将发生渗水、漏水导致不能正常水下航行；3)水下机器人推进系统是最容易发生故障的部件，然而，推进系统的故障发生的机理很复杂，传统方法难以及时有效检测。

故障诊断是机电系统中的重要研究课题，近年来人们对故障诊断的模型复杂度、计算效率、早期诊断、多故障联合诊断等的要求越来越高，传统方法慢慢难以满足大数据计算的要求。近年来根据摩尔定律，计算机性能保持着较快的速度增长，而随着计算能力的提高，计算成本的减小，使得深度学习这个需要大计算量的方法在工业应用领域具有可行性，深度学习逐渐在机电系统故障诊断中有着一定的应用。

发明专利内容

本发明专利要解决的技术问题是，克服现有技术中的不足，提供一种水下机器人推进系统故障的诊断方法。

为解决技术问题，本发明专利所采用的技术方案是：

提供一种水下机器人推进系统故障诊断装置方法，包括以下步骤：

步骤一：对水下机器人推进系统的电压、电流、输出转速和拉压进行数据采集，接着将所得数据进行归一化预处理；

步骤二：采用卷积神经网络CNN进行训练得到深度学习故障诊断模型；

步骤三：用深度学习故障诊断模型对水下机器人推进系统进行故障诊断；

步骤四：对深度学习故障诊断模型进行完善。

作为一种改进，步骤二具体包括以下子步骤：

1)、选定超参数：在开始训练后，首先需要选定网络超参数，包括网络类型、隐含层层数、每层节点数、学习率、学习率下降速率、小批量尺寸、迭代次数；超参数的选择在每次训练中手动调整或使用网格搜索法或启发式算法搜索获得；

2)、数据集随机划分：在选定超参数之后，程序导入带标签的数据，这些数据在每次的训练中都将被随机划分到训练集、调试集、测试集；采用10折交叉验证的方法训练网络，将数据集划分为训练集、调试集和测试集，即在利用MATLAB对数据进行预处理之后，同时在MATLAB中将数据集随机按比例划分成“训练集+调试集”和“测试集”两个部分；在训练过程中，导入“训练集+调试集”数据集合，并在10折交叉验证循环中，每次循环均重新按照上述比例生成新的训练集、调试集，以避免训练调试过程中的随机性干扰的影响；

3)、神经网络正向计算：在对网络权值参数、偏置参数随机初始化后，将训练集输入到正向计算网络得到阶段性预测值，并判断本次迭代计算是否大于或等于设定的训练迭代次数；

4)、计算损失函数值：当损失函数值大于设定阈值的时候，认为网络性能还没达到预期值，需要继续训练，即通过反向梯度下降法，根据链式规则逐一更新每个参数的值，并进入下一轮正向计算循环。