一种基于自适应小波时频表征与跨工况迁移学习的水下机器人螺旋桨故障诊断方法

摘要: 本发明涉及水下机器人状态监测与旋转机械智能故障诊断,具体是一种基于自适应小波时频表征与跨工况迁移学习的水下机器人螺旋桨故障诊断方法。背景技术:1、水下机器人螺旋...
一种基于自适应小波时频表征与跨工况迁移学习的水下机器人螺旋桨故障诊断方法

本发明涉及水下机器人状态监测与旋转机械智能故障诊断,具体是一种基于自适应小波时频表征与跨工况迁移学习的水下机器人螺旋桨故障诊断方法。

背景技术:

1、水下机器人螺旋桨长期工作于水流扰动、结构振动和背景噪声并存的环境,桨叶轻微破损、中度破损、完全破损及生物缠绕等状态会改变螺旋桨的周期载荷、冲击响应和频带能量分布。故障早期信号通常幅值较弱,且不同pwm工况下的频率位置和能量强度同时变化,直接以时域波形或单一频谱阈值进行判断容易出现漏诊和误诊。

2、现有基于小波变换的方法多固定使用单一小波基和统一阈值。不同故障状态的冲击性、平稳性及主导频带并不相同,固定小波基不能同时匹配全部记录;硬阈值会导致重构信号振荡,软阈值则可能削弱微弱故障成分。此外,现有深度学习方法常将同一原始记录切出的相邻窗口随机分配到训练集和测试集,导致数据泄漏;或者仅在单一pwm指令值下训练和测试,难以反映真实的跨pwm工况泛化能力。现有部分方法以外部轴承数据作为算法示例,或通过人为叠加噪声模拟水下环境,难以直接说明其在水下机器人螺旋桨实测振动信号上的可实施性。

技术实现思路

1、本发明的目的是提供一种基于自适应小波时频表征与跨工况迁移学习的水下机器人螺旋桨故障诊断方法,包括以下步骤:

2、步骤1)采集多个pwm指令值、多个螺旋桨状态下的原始多通道振动加速度信号,从多通道振动加速度信号中提取预设有效通道信号,建立状态标签和pwm工况标签;

3、预设有效通道是指根据振动传感器安装方向和采集配置预先指定,并经信号完整性校验、量程饱和校验和噪声水平校验后确定的振动加速度通道;优选为靠近推进器支架、对螺旋桨周期载荷与冲击响应敏感的加速度通道;

4、步骤2)对有效通道信号进行预处理,得到标准化信号;

5、以每个标准化信号窗口为处理单位,对多个候选小波基分别实施多层离散小波分解和重构,得到重构信号;

6、根据各候选小波基重构信号的峭度、估计信噪比和峰值因子的综合评分,选取该标准化信号窗口的最优小波基;

7、利用sure光滑阈值对最优小波基的细节系数去噪,得到去噪信号;

8、步骤3)对去噪信号进行连续小波变换,将小波系数模平方的对数能量映射为采用跨pwm工况统一色标的二维时频图;

9、采用跨pwm工况统一色标的二维时频图包括已标注pwm工况的二维时频图作为源域样本和待迁移pwm工况的二维时频图;步骤4)构建bdresnettransfer诊断网络;

10、步骤5)将已标注pwm工况的二维时频图作为源域样本,将待迁移pwm工况的二维时频图作为目标域样本,以损失函数最小为目标,训练bdresnettransfer诊断网络,得到训练完成的诊断网络;

11、步骤6)将待诊断螺旋桨振动加速度信号依次按照步骤2)和步骤3)所述过程处理后输入训练完成的诊断网络,输出螺旋桨状态和最大平均状态概率。

12、进一步,步骤1)中,螺旋桨状态包括健康、轻微破损、中度破损、完全破损和生物缠绕;轻微破损、中度破损、完全破损根据单片桨叶投影面积缺损率区分;

13、单片桨叶投影面积缺损率作为分级依据,其中为同型号完整桨叶在规定观察方向下的投影面积。

14、进一步,步骤2)中,预处理包括去均值、分窗和标准化;

15、对第条连续记录的n点信号计算均值、标准差和标准化信号;

16、均值如下所示:

17、(1)

18、标准差如下所示:

19、(2)

20、标准化信号如下所示:

21、(3)

22、式中,为防止除零的正数。

23、标准化信号作为候选小波基多层离散小波分解和重构的输入;对于固定的第r个窗口,采用候选小波基w分解并重构后得到重构信号。

24、进一步,重构信号的峭度如下所示:

25、(4)

26、式中,为重构信号,为重构信号的均值;

27、估计信噪比如下所示:

28、(5)

29、式中,为残差信号;

30、残差信号如下所示:

31、(6)

32、式中,为重构前的标准化信号;

33、峰值因子如下所示:

34、(7)

35、综合评分如下所示:

36、(8)

37、式中,,;分别为峭度、估计信噪比和峰值因子作无量纲归一化后的归一化量;

38、当前连续记录的最优小波基如下所示:

39、(9)

40、式中,为候选小波基,为候选小波基集合。

41、进一步,利用sure光滑阈值对最优小波基的细节系数去噪的步骤如下:

42、s1)采用中位数绝对偏差估计第j层噪声标准差,如下所示:

43、(10)

44、式中,为第j层的第i个最优小波基的细节系数;为标准正态分布绝对值中位数的近似值;

45、s2)确定第j层去噪风险,即:

46、(11)

47、(12)

48、式中,为第j层细节系数的总数,为第j层的标准差;

49、s3)以sure风险最小值确定第j层阈值,如下所示:

50、(13)

51、s4)采用连续光滑增益处理第j层细节系数,即:

52、(14)

53、式中,为连续光滑增益处理后的第j层细节系数;为光滑指数;

54、其中,连续光滑增益处理后的第j层细节系数的满足条件如下所示:

55、(15)

56、式中,为第j层的第i个细节系数。

57、进一步,步骤3)中,将小波系数模平方的对数能量映射为采用跨pwm工况统一色标的二维时频图的步骤如下:

58、步骤3.1)采用cmor3-3复morlet小波对去噪信号实施连续小波变换,得到连续小波系数,如下所示:

59、(16)

60、式中,a、b分别为尺度和平移量;为母小波的复共轭;为时间积分变量;为去噪信号的连续时间表示;

61、步骤3.2)对于满足容许条件的母小波,连续小波系数与原信号能量满足小波能量恒等式,即:

62、(17)

63、式中,为信号的总能量,为母小波容许常数;

64、步骤3.3)以小波系数模平方作为局部时频能量,如下所示:

65、(18)

66、将局部时频能量映射为统一色标图像,得到采用跨pwm工况统一色标的二维时频图,如下所示:

67、(19)

68、式中,分别为局部时频能量的最大值和最小值,为限幅操作。

69、进一步,步骤4)中,bdresnettransfer诊断网络包括二次卷积物理引导单元、残差特征提取单元、联合多核最大均值差异加权多核域对齐单元、梯度反转层、域判别器和状态分类单元;

70、二次卷积物理引导单元对输入特征x计算线性卷积项和两个卷积支路的逐元素乘积项,如下所示:

71、(20)

72、式中,为权重;为偏置;

73、二次卷积物理引导单元输出经批归一化和sigmoid函数生成增强掩码,如下所示:

74、(21)

75、增强掩码与输入特征进行残差融合,得到增强特征,如下所示:

76、(22)

77、其中,增强特征满足:

78、(23)

79、残差特征提取单元包括不同通道数的残差阶段,并对增强特征的空间峭度设置物理约束损失;

80、经残差阶段和全局平均池化后得到的共享深层特征同时输入状态分类单元、加权多核域对齐单元以及经梯度反转层连接的域判别器;

81、域判别器依次包括全连接层、relu激活层、dropout层和二分类输出层。

82、进一步,步骤5)中,训练过程采用至少三个不同带宽的高斯核对源域与目标域深层特征进行映射,各核权重由softmax函数确定,即:

83、(24)

84、(25)

85、式中,为第m个高斯核;为核权重;分别为任意两个共享深层特征向量;为第m个核的带宽;l为高斯核总数;分别为第个及第m个核对应的可学习未归一化参数;

86、训练过程的损失函数是状态分类损失、冲击特征物理约束损失、加权多核统计域对齐损失和对抗域判别损失的不确定性加权和;

87、加权多核统计域对齐损失如下所示:

88、(26)

89、式中,、分别为源域和目标域样本数;分别为源域和目标域深层特征;为特征映射;为第m个再生核希尔伯特空间;

90、对抗域判别损失如下所示:

91、(27)

92、式中,为第i个样本的域标签,为该样本的共享深层特征,为域判别器输出的目标域概率,为梯度反转算子;

93、梯度反转层在前向传播时保持特征不变,如下所示:

94、(28)

95、梯度反转层在反向传播时将来自域判别器的梯度乘以负系数,如下所示:

96、(29)

97、式中,i为域判别器的梯度;

98、状态分类损失如下所示:

99、(30)

100、式中,c为螺旋桨状态类别数,为源域样本i属于类别c的独热标签,为网络对源域样本i输出的类别c的softmax概率;

101、冲击特征物理约束损失如下所示:

102、(31)

103、(32)

104、式中,为冲击特征物理约束损失;为中心化增强特征;为增强特征的空间峭度;为四阶空间中心矩;为二阶空间中心矩的平方;

105、对各损失函数进行不确定性加权和,如下所示:

106、(33)

107、式中,为第q项任务损失对应的可学习对数方差参数;

108、对任一正损失关于求偏导,并令偏导为零,即:

109、(34)

110、(35)

111、式中,为状态分类损失、冲击特征物理约束损失、加权多核统计域对齐损失和对抗域判别损失的不确定性加权和。

112、进一步,步骤6)中,最大平均状态概率如下所示:

113、(36)

114、式中,为平均状态概率;

115、平均状态概率如下所示:

116、(37)

117、式中,为连续待诊断窗口的数目;为第r个待诊断窗口输出的状态概率;

118、当最大平均状态概率大于等于预设置信度阈值且平均状态概率的熵小于等于预设不确定性阈值时,输出螺旋桨状态,否则,输出待复核标志;

119、平均状态概率的熵如下所示:

120、(38)

121、式中,为平均状态概率。

122、基于所述水下机器人螺旋桨故障诊断方法的系统,包括振动采集模块、信号预处理模块、时频表征模块、跨pwm工况诊断模块和结果融合模块;

123、振动采集模块用于获取多通道振动加速度信号并提取预设有效通道;

124、信号预处理模块用于执行记录级自适应小波基筛选和sure光滑阈值去噪;

125、时频表征模块用于生成统一色标的连续小波时频图;

126、跨pwm工况诊断模块用于执行二次卷积物理引导、残差特征提取、加权多核统计域对齐和域判别器对抗对齐;

127、结果融合模块用于计算连续窗口的平均状态概率及该平均概率分布的熵并输出螺旋桨状态或待复核标志。

128、本发明旨在解决水下机器人螺旋桨振动信号噪声强、不同故障状态适配的小波基不一致、pwm指令变化导致训练域与测试域分布偏移以及随机分窗造成评价泄漏的问题,在不依赖外部轴承数据和人为噪声构造的条件下,形成可由实测数据直接实施的螺旋桨故障诊断流程。

129、本发明直接以水下机器人螺旋桨实测振动信号构建方法证据链,避免采用外部轴承数据或人工叠加噪声替代目标对象,保证信号来源、故障对象和应用场景一致。本发明以记录为单位自适应选择小波基,避免固定小波基对五类状态适配不足;逐层sure阈值与连续光滑增益兼顾噪声抑制和冲击保持。本发明采用统一色标的cwt时频表征,使不同状态的能量强弱可直接比较;同时保留状态标签和pwm工况标签,为跨工况训练提供显式监督信息。本发明的二次卷积物理引导单元针对幅值调制和冲击交互增强局部时频响应,加权多核统计对齐与域判别器对抗对齐共同削弱pwm指令变化造成的特征偏移。本发明中的样本按pwm指令值隔离,避免同一记录相邻窗口跨训练集和测试集造成泄漏,所得跨pwm工况评价更接近实际部署条件。