[发明专利]一种水下微型推进器故障诊断的方法及装置

说明书

本发明提供一种水下微型推进器故障诊断的方法及装置，方法包括模型训练阶段，采集推进器在不同故障类型下的多组电机电流历史信号，作为模型的训练样本数据集，并对其采用改进的希尔伯特‑黄变换进行特征向量提取，然后基于提取到的特征向量并结合水下微型推进器故障类型进行训练，得到推进器故障诊断模型；故障诊断阶段，采集推进器的电机电流实时信号来提取其特征向量，并将特征向量输入到训练好的故障诊断模型中，判断出推进器故障状态；模型优化阶段，将采集到的数据信息添加至预先建立的模型训练样本数据集中，并结合更新后的推进器故障类型进行训练，得到优化的推进器故障诊断模型；装置包括水下推进系统、数据采集模块、数据处理与判断模块。

技术领域

本发明涉及水下机器人领域，尤其涉及一种水下微型推进器故障诊断的方法及装置。

背景技术

水下机器人作为海洋探索的新型高新技术装备，受到越来越多国家的重视。其中，水下微型推进器作为水下机器人的动力部件，承载了水下机器人最主要的工作负荷，其构造复杂且工作环境恶劣，是水下机器人主要故障源之一。水下机器人的推进系统由直流电源、推进器电机和螺旋桨组成，由直流电源输出的电流值来控制推进器电机的转数，并由电机带动螺旋桨产生推力。通常水下微型推进器的故障类型包括推进器叶片缠绕杂物故障、推进器动静摩擦故障、推进器叶片断裂故障、推进器叶片变形故障、推进器叶片空化故障等5种故障类型。

故障诊断技术为提高水下机器人推进系统的可靠性提供了新的解决思路。目前，对于水下微型推进器故障类型的智能诊断，主要基于硬件的故障诊断，例如专利号为CN111275164A的专利文献公开了一种水下机器人推进系统故障的诊断方法，用专门的监测电压、电流、输出转速和拉压等信号的传感器实时检测水下机器人推进系统的工作状态，然后将所得数据进行归一化预处理，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，最后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。这种方法虽然非常直接可靠，但增加了水下机器人硬件系统的复杂度，使水下机器人的重量和建造成本急剧增加；同时该方法采用阈值判别法来分析残差，由于监测的参数信号和模型误差的存在，阈值判别法通常会引起故障判断的不连续，进而导致诊断模型的误判。

另外，当水下微型推进器发生故障时，其故障信号为多分量的调幅—调频信号，在进行解调之前，需要将其分解为若干个单分量的调幅—调频信号。利用希尔伯特-黄变换对故障信号的分析，一般先采用经验模态分解对故障信号进行分解，然后对分解所得的固有模态函数(IMF)进行希尔伯特变换得到时频谱图。然而，这种传统的希尔伯特-黄变换方法对于实际的故障信号不具有自适应性，不利于抑制经验模态分解的模态混叠问题，也不能确保希尔伯特-黄变换是否解调完全。

发明内容

有鉴于此，本发明旨在提出一种简便易行的水下微型推进器故障诊断的方法及装置，能够对水下微型推进器故障类型进行及时、准确地诊断。

为达到上述目的，本发明的技术方案是这样实现的：

一种水下微型推进器故障诊断方法，所述方法包括：

A)模型训练阶段

S101)预先采集目标水下微型推进器在不同故障类型下的多组电机电流历史信号，作为模型的训练样本数据集；

S102)对步骤S101)得到的训练样本数据集采用改进的希尔伯特-黄变换进行特征向量提取；

S103)基于步骤S102)提取到的特征向量并结合水下微型推进器故障类型进行训练，得到水下微型推进器故障诊断模型。

B)故障诊断阶段

S201)对待诊断水下微型推进器的电机电流实时信号进行测量与数据采集；

S202)对步骤S201)得到的电机电流实时信号采用改进的希尔伯特-黄变换进行特征向量提取；