[发明专利]一种无需对水下机器人本身进行数学建模的故障诊断方法

权利要求书

1.一种无需对水下机器人本身进行数学建模的故障诊断方法，其特征在于，包括以下步骤：

（1）以水下机器人执行指定的任务程序，在航行期间根据预设的不同故障类型产生对应的行为响应；将试验过程中的状态数据保存为数据样本，并以对应的故障类型作为标签；反复进行多次试验采集足够多的数据样本，经预处理后得到二维矩阵并用于生成原始的训练集；

所述状态数据是时间序列数据，是水下机器人在一段连续时间内记录的能够反映水下机器人行为的传感器数据和控制信号，至少包括：控制信号、电压值、深度值、姿态角、三轴加速度值以及绕三轴旋转的角速度值；所述故障类型是指对水下机器人特定运行状态的描述，至少包括：是否发生故障、故障的严重程度以及故障源的位置；

所述预处理包括序列长度处理、数据归一化和特征处理，采集得到的状态数据经过预处理后转换为n×k的二维矩阵，以此作为诊断模型的输入；其中，n为矩阵的行数代表时间长度，k代表矩阵的列数代表特征数量；其中，

序列长度处理：将序列数据设置为固定长度，如果原始序列长度不足，则通过重复最后时刻的状态数据进行填充；如果原始序列长度过长，则截断尾部数据；

数据归一化：使用0-1归一化方法将每一个维度的特征映射到区间[0,1]以提高模型训练效率，且归一化后的数值无量纲属性，各特征直接进行比较和加权；

特征处理：利用载体坐标系下每一时刻的加速度和姿态角信息并结合旋转矩阵计算得到世界坐标系下的加速度值；计算得到的数据将作为新的特征扩充在原状态数据中；

（2）利用步骤（1）所得训练集，以离线方式训练诊断模型；诊断模型包括输入模块、全局特征提取模块、局部特征提取模块、特征拼接模块以及输出模块五个部分；各模块的工作内容具体包括：

输入模块，接收原始训练集以获取二维矩阵；

全局特征提取模块，从二维矩阵中提取每一列特征的最大值、最小值、极差、均值、方差、标准差以及水下机器人的位移值，这些数值共同组成一个一维向量，称之为全局特征；

局部特征提取模块，先后利用卷积层与池化层从二维矩阵中提取局部特征；其中，通过设置多个不同尺寸的卷积核在输入矩阵中沿时间维度滑动的方式，计算每一个可能的滑动位置的信息；每一个卷积核在二维矩阵中从头至尾完整滑动一次，计算得到一个一维向量；多个卷积核即能得到多个一维向量，向量的长度与输入矩阵长度及卷积核尺寸有关；然后利用池化层将每一个一维向量压缩为一个标量，这些标量共同组成一个一维向量，称为局部特征；

在卷积层中，通过设计卷积核的数量和权重矩阵数据的行数大小，能从输入矩阵中提取出不同的特征向量，且每一个卷积核在计算过程中相互独立、并行计算；多个具有相同行数大小的卷积核能从同一个输入矩阵中提取出不同的特征向量，这些特征向量起到信息互补的作用；类似地，不同行数大小的卷积核在计算特征值时，由于计算数据的行数不同，提取的特征向量自然不相同，从而能方便地提取长距离信息和短距离信息；

在池化层中，将从每个特征向量中提取出一个标量并将其拼接成一个新的向量，称为局部特征；每一个卷积核经过卷积操作后得到一个特征向量，该特征向量的维度与卷积核中权重矩阵数据的行数大小有关；采用全局最大池化和全局平均池化这两种策略来适应不同维度大小的池化需求，处理不同维度大小的特征向量；其中，全局最大池化仅关注特征向量中最重要的特征，而全局平均池化对特征向量整体进行考虑；

特征拼接模块，将全局特征与局部特征进行拼接，形成新的一维向量；

输出模块，由全连接的softmax层输出新的一维向量，产生故障类型的概率分布；

（3）将训练后的诊断模型加载于水下机器人，将水下机器人在执行任务程序期间的实时状态数据作为诊断模型的输入，进行前向计算后实现故障预测和诊断。

2.根据权利要求1所述的方法，其特征在于，在步骤（1）的数据采集过程中，每一次下水试验时预设水下机器人有且仅有一种故障类型；同时，所述任务程序应确保水下机器人有足够的水下航行时间，以确保能够记录足够时间长度的状态数据。