一种基于物理信息增强与时序稳定机制相融合的水下机器人在线联合故障诊断方法、程序、设备及存储介质

摘要: 本发明属于水下机器人故障诊断,具体涉及一种基于物理信息增强与时序稳定机制相融合的水下机器人在线联合故障诊断方法、程序、设备及存储介质。背景技术:1、水下机器人无...
一种基于物理信息增强与时序稳定机制相融合的水下机器人在线联合故障诊断方法、程序、设备及存储介质

本发明属于水下机器人故障诊断,具体涉及一种基于物理信息增强与时序稳定机制相融合的水下机器人在线联合故障诊断方法、程序、设备及存储介质。

背景技术:

1、水下机器人无人无缆工作在复杂海洋环境中,保障自身安全是研究和应用中的首要问题。故障诊断技术是保障自身安全最重要的技术手段。

2、现有水下机器人故障诊断方法主要包括解析模型法和数据驱动法。解析模型法通过比较水下机器人动力学模型的预测值与实际值来判断故障,但水下机器人具有强非线性且易受海流等环境干扰,难以建立精确模型,从而影响故障诊断的准确性。数据驱动法通过分析水下机器人的运行数据,学习正常状态和不同故障状态下的数据特征,进而实现故障诊断,无需建立动力学模型。其中,深度学习技术通过多层神经网络分析水下机器人运行数据,能够充分挖掘数据中的复杂关系,具有强大的特征提取能力,是当前数据驱动领域的重要方向。

3、完整的水下机器人故障诊断不仅需要确定故障类型及发生位置,还需要判断故障的严重程度。其中,故障模式识别用于确定故障类型和位置,故障程度辨识用于判断故障的程度大小。只有将二者有效结合,才能为水下机器人安全运行提供全面、可靠的诊断依据。

4、然而,现有基于深度学习的水下机器人故障诊断方法通常依赖大量标注数据,并且多聚焦于单个诊断环节,例如仅识别故障模式而不判断故障程度,或者在故障模式已知的条件下单独估计故障程度,难以自动完成从故障模式识别到程度辨识的完整诊断过程。因此,在水下机器人在线故障诊断中,现有深度学习方法仍存在以下关键问题:

5、第一,物理规律约束不足。未充分利用位置、姿态与速度之间的运动学关系,以及推进力与运动响应之间的动力学关系,导致故障特征缺少物理内涵,影响诊断准确性。

6、第二,模式识别与程度辨识协同不足。未充分考虑两项任务的差异及依赖关系,通常仅识别故障模式,或只在模式已知时估计故障程度,难以全面反映故障状态。

7、第三,在线诊断稳定性不足。未充分考虑相邻时刻诊断结果的关联性和故障状态的持续性,容易受到瞬时波动影响,造成连续诊断结果不一致。

8、上述问题表明,现有基于深度学习的方法尚难同时满足水下机器人在线故障诊断对物理一致性、诊断完整性和结果稳定性的要求。因此,亟需研究一种能够融合水下机器人运动学与动力学规律、协同完成故障模式识别与程度辨识,并对连续诊断结果进行时序稳定约束的深度学习方法,从而实现准确、全面且稳定的水下机器人在线故障诊断。

技术实现思路

1、本发明的目的在于提供一种基于物理信息增强与时序稳定机制相融合的水下机器人在线联合故障诊断方法、程序、设备及存储介质。

2、一种基于物理信息增强与时序稳定机制相融合的水下机器人在线联合故障诊断方法,包括以下步骤:

3、水下机器人运行过程中,采集传感器信号数据和控制信号数据;根据水下机器人位置、姿态与速度之间的运动学关系以及控制输入与运动响应之间的动力学关系,计算理论响应与实际响应之间的物理残差;

4、将物理残差执行标准化和限幅,构建物理残差序列;对采集的传感器信号数据和控制信号数据执行预处理,通过时间窗将预处理后的传感器信号数据和控制信号数据划分为多元时间序列矩阵;将物理残差序列与多元时间序列矩阵融合,得到物理残差增强的多元时间序列矩阵;

5、将物理残差增强的多元时间序列矩阵先输入故障模式识别模型,根据故障模式识别结果,将物理残差增强的多元时间序列矩阵输入该故障模式对应的故障程度辨识模型,得到故障程度辨识结果,作为初步故障诊断结果;

6、根据初步故障诊断结果,通过程度门控排除微小波动,利用连续时间窗口确认故障模式是否持续,并对故障程度进行平滑处理,得到在线故障诊断结果。

7、进一步地,所述传感器信号数据包括深度计输出的深度时间序列与深度变化率时间序列、导航系统输出的三维速度时间序列、三维方向角时间序列以及三维方向角速度时间序列;

8、所述控制信号数据包括期望水平方向速度时间序列、期望深度时间序列、期望深度跟踪误差时间序列、总推力指令时间序列以及各推进器的电压时间序列,,为推进器总数。

9、进一步地,所述计算理论响应与实际响应之间的物理残差,包括深度差分一致性残差、垂向速度一致性残差、水平速度异常残差以及深度误差一致性残差;

10、所述深度差分一致性残差:

11、

12、其中,为水下机器人的深度传感器输出的深度时间序列平滑滤波后通过一阶差分近似导数获取的时刻深度变化率;

13、所述垂向速度一致性残差:

14、

15、所述水平速度异常残差:

16、

17、所述深度误差一致性残差:

18、。

19、进一步地,所述计算理论响应与实际响应之间的物理残差,还包括深度跟踪动态残差、控制分配一致性残差、垂向动力学残差、横滚动力学残差、俯仰动力学残差以及艏向稳定残差;

20、在水下机器人无故障时采集数据,确定拟合系数,包括:

21、拟合系数,用于将误差一阶变化量与期望深度跟踪误差拟合为误差二阶变化量;,;

22、拟合系数,用于将各推进器的电压拟合为总推力指令;

23、拟合系数,用于将总推力指令、总推力指令变化率、深度变化率以及深度变化率二次阻力项拟合为深度二阶变化率;

24、拟合系数,用于将横滚方向等效力矩、横滚角速度以及横滚角拟合为横滚角加速度;

25、拟合系数,用于将俯仰方向等效力矩、俯仰角速度以及俯仰角拟合为俯仰角加速度;

26、拟合系数,用于将艏向角速度以及艏向角拟合为艏向角加速度;

27、所述深度跟踪动态残差:

28、

29、所述控制分配一致性残差:

30、

31、所述垂向动力学残差:

32、

33、所述横滚动力学残差:

34、

35、所述俯仰动力学残差:

36、

37、所述艏向稳定残差:

38、。

39、进一步地,所述物理残差序列:

40、

41、其中,为对物理残差执行标准化和限幅后的结果,;

42、所述多元时间序列矩阵:

43、

44、其中,为第时间窗对应的多元时间序列矩阵;为时间窗的长度;为第时间窗对应的时间区间;为预处理后时刻的多元数据向量,包括预处理后时刻的传感器信号数据和控制信号数据;

45、所述将物理残差序列与多元时间序列矩阵融合,得到物理残差增强的多元时间序列矩阵;

46、。

47、进一步地,所述故障模式识别模型,训练阶段,采用分类交叉熵损失函数与物理残差重构损失函数的加权求和作为总损失函数;

48、

49、其中,为分类交叉熵损失函数;为物理残差重构损失函数,为权重;

50、

51、其中,为故障模式识别模型对于第物理残差的预测值;

52、所述故障模式对应的故障程度辨识模型,训练阶段,采用故障程度回归损失函数、物理残差重构损失函数以及根据故障模式的物理关系单独构建的物理约束损失函数的加权求和,作为总损失函数;

53、

54、其中,为权重;为故障程度回归损失函数;为根据故障模式的物理关系单独构建的物理约束损失函数;

55、

56、其中,为故障程度的预测值;为故障程度的真实值;为平滑系数;

57、

58、其中,为故障模式对应的第物理残差的权重;为根据故障模式和故障程度的预测值重构的第物理残差。

59、进一步地,所述通过程度门控排除微小波动,具体为:

60、对于每一故障模式,设置故障程度阈值;

61、对于第时间窗对应的初步故障诊断结果为,若,则判定第时间窗中水下机器人未发生故障,令,表示无故障模式;

62、所述利用连续时间窗口确认故障模式是否持续,具体为:

63、对于第时间窗,取第时间窗的历史

w个时间窗,利用示性函数确定候选故障模式,并计算该候选故障模式的支持率;

64、

65、

66、其中,表示第时间窗对应的初步故障诊断结果中故障模式为;

67、设置支持率阈值与时间窗连续阈值;

68、若候选故障模式的支持率不低于阈值且该候选模式连续不少于

k个时间窗口,则更新稳定故障模式;否则保持上一时间窗口的稳定故障模式。

69、一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现上述基于物理信息增强与时序稳定机制相融合的水下机器人在线联合故障诊断方法的步骤。

70、一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述基于物理信息增强与时序稳定机制相融合的水下机器人在线联合故障诊断方法的步骤。

71、一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现上述基于物理信息增强与时序稳定机制相融合的水下机器人在线联合故障诊断方法的步骤。

72、本发明的有益效果在于:

73、(1)物理一致性残差增强。本发明基于水下机器人运动学与动力学约束计算理论运动响应,并根据理论运动响应与实际运动响应之间的偏差构造物理一致性残差;将该残差与原始多元时间序列数据融合,无需建立包含全部水动力参数的高精度动力学模型,即可获得具有物理内涵的故障特征,提高故障异常的表征能力。

74、(2)故障模式与程度辨识预诊断。本发明将故障模式识别与故障程度辨识进行分层联合,先识别故障模式,再自动调用相应的故障程度辨识模块;并分别构建带有物理约束的故障模式识别损失函数和故障程度辨识损失函数,利用物理一致性残差约束模型训练,减少不同辨识任务之间的相互干扰,实现对故障类型、位置和严重程度的综合诊断。

75、(3)在线稳定诊断。本发明通过程度门控滤除微小波动,利用窗口投票和连续切换判断确认故障是否持续,并采用指数移动平均平滑故障程度,从而减少瞬时波动引起的误报和诊断抖动,获得连续、稳定的在线故障诊断结果。