基于矢量水听器信号和深度学习的无人潜航器推进器异常检测方法及系统
本发明属于水下航行器状态监测与智能感知,尤其涉及一种基于矢量水听器信号和深度学习的无人潜航器推进器异常检测方法及系统。
背景技术:
1、自主式水下航行器(无人潜航器)具备自主航行、隐蔽性强和适应复杂海洋环境等特点,已被广泛应用于海洋地形测绘、水下目标探测、环境监测和海底资源调查等任务场景。在无人潜航器执行任务过程中,推进系统负责提供持续推进力和机动能力,是整个平台完成航迹跟踪和任务操作的关键执行单元。其运行状态直接影响无人潜航器的速度控制精度、航迹保持能力、续航能力和任务安全性。
2、在实际任务执行过程中,无人潜航器通常需要在长航程和复杂水动力环境条件下连续运行,推进器长期处于高负载或频繁调速状态。受水流扰动、推进器叶片磨损、局部附着、结构松动以及工作介质变化等因素影响,推进器运行状态可能逐渐偏离正常工况。该类异常在早期通常不易通过外观直接发现,但会逐步导致推进效率下降、能耗升高、姿态扰动增大和控制负担加重。对于长航程任务而言,若不能在早期识别推进器异常,可能会导致任务失败。
3、现有推进器状态检测主要依赖人工观察,通常通过查看推进器转速是否正常以及检查电机电流等方式判断运行状态。该类方法对操作人员经验依赖较强,难以实现连续、客观和定量的状态评估。此外,现有技术还可采用电机电流、转速反馈、轴系振动或舱内安装加速度传感器等内部测量手段。然而,对于结构紧凑、耐压封装要求较高的无人潜航器平台而言,内部传感器的布设受到空间、功耗和密封条件的严格限制,且内部测量信号更多反映驱动系统局部状态,对于推进器与周围流体相互作用所产生的外部辐射特征表征不足,导致状态感知不全面。
4、推进器在水中运行时会产生显著的辐射噪声和局部流体扰动。与传统标量水听器仅测量声压不同,矢量水听器能够同时获取声压和质点振速信息,从而提供更丰富的特征数据。但是,无人潜航器航行过程中的矢量水听器信号同时受到流噪、姿态变化、转速波动和环境背景噪声影响。若不进行工况补偿和时序建模,不同时间窗口之间难以直接比较。同时,推进器异常往往体现在连续时间段内多变量(如转速、叶频能量、振速响应、姿态扰动等)的时序联合偏离。若仅采用单时刻阈值比较或静态特征分类方法,难以充分利用时间关联信息,在复杂工况下检测结果的稳定性和鲁棒性较差。因此,如何引入能够有效描述多变量时间序列演化规律的建模方法(如长短时记忆网络lstm),以实现精准、在线的推进器异常监测,是当前该领域亟待解决的问题。
技术实现思路
1、针对现有技术中对无人潜航器推进器状态监测存在的人工依赖性强、内部传感器安装受限、外部辐射特征感知不全,以及在复杂航行工况下多变量关联特征难以有效提取和时序建模导致的检测稳定性差等问题,本发明提供了一种基于矢量水听器信号和深度学习的无人潜航器推进器异常检测方法及系统。
2、本发明是这样实现的,一种基于矢量水听器信号和深度学习的无人潜航器推进器异常检测方法,其特征在于,包括以下步骤:
3、步骤s1:信号采集,通过安装在无人潜航器艏部的矢量水听器同步采集声压信号、三轴振速信号,并同步获取无人潜航器的推进转速、航速及姿态角信号;
4、步骤s2:姿态修正,利用所述姿态角信号构建旋转矩阵,将三轴振速信号从传感器坐标系转换至艇体坐标系,得到一致参考系下的矢量声学信号;
5、步骤s3:稳态筛选,对信号进行预处理后,根据所述推进转速、航速及姿态角信号的波动情况进行稳态工况分段,保留稳态工况片段;
6、步骤s4:特征变换,以所述推进转速为参考,对稳态工况片段进行同步重采样,将时间域信号转换为阶次域序列,并从中提取叶频能量序列;
7、步骤s5:样本构造,将声压序列、转换后的三轴振速序列、叶频能量序列以及推进转速、航速、姿态角对应的时序序列按固定时间窗口拼接,构造多变量时序样本;
8、步骤s6:概率判定,将多变量时序样本输入预先训练的双层长短时记忆网络lstm模型,输出推进器异常概率;
9、步骤s7:融合决策,计算所述多变量时序样本相对于预设健康基线的偏离度,对所述偏离度进行归一化处理,得到归一化偏离度,并将所述异常概率与归一化偏离度进行加权融合,计算得到最终异常得分;
10、步骤s8:结果输出,当最终异常得分超过预设阈值时,输出推进器异常结果。
11、在上述技术方案中,优选的,步骤s3中,预处理包括对声压和三轴振速信号进行带通滤波以及高通流噪抑制。
12、在上述技术方案中,优选的,步骤s3中,稳态工况分段的判据为:在连续固定时间窗内,推进转速波动率不超过5%,航速波动率不超过8%,且俯仰角变化率不超过3度每秒。
13、在上述技术方案中,优选的,步骤s4中,所述叶频满足以下公式:
14、
15、其中,为推进器叶片数,为推进转速。
16、在上述技术方案中,优选的,步骤s5中,所述多变量时序样本的拼接时间窗口长度固定为5秒。
17、在上述技术方案中,优选的,步骤s6中,所述双层长短时记忆网络lstm模型包括两层串联的lstm隐藏层和一层全连接输出层,输出层采用sigmoid函数输出异常概率。
18、在上述技术方案中,优选的,所述双层长短时记忆网络lstm模型的训练过程采用二元交叉熵作为损失函数,并采用adam优化器。
19、在上述技术方案中,优选的,步骤s7中,所述健康基线由无人潜航器推进器在正常状态下的样本提取特征向量并计算均值和协方差矩阵得到;所述偏离度采用马氏距离进行计算。
20、在上述技术方案中,优选的,步骤s7中,所述加权融合的权重分配为:异常概率权重为0.6,健康基线偏离度权重为0.4;步骤s8中,所述预设阈值为0.65。
21、本发明所提出的基于矢量水听器信号和深度学习的无人潜航器推进器异常检测方法,具有以下优点和效果:
22、本发明针对无人潜航器推进器异常检测的需求,结合矢量信号处理与深度学习技术,具有显著的技术优势和良好的应用效果。首先,本发明在信息感知维度上具有更强的观测性,通过采用矢量水听器同步获取声压与三轴振速信息,相比传统仅依赖标量声压的探测方式,能够从多维声学特征角度显著增强对推进器辐射噪声及其空间方向特征的感知能力,为后续的精准识别提供了更丰富、更具判别性的原始数据基础。
23、本发明通过标准化的处理流程确保了检测结果的稳定性。通过采用固定的工况筛选规则、固定的时间窗长度和固定的同步重采样策略,有效统一了不同航行阶段和动态环境下的数据规格,极大地提高了样本的一致性。这种规范化的处理手段使得不同航行状态下的推进器特征具备了科学的可比性,从而提升了系统在长周期任务中的运行可靠性。
24、在核心判定机制方面,本发明充分利用了深度学习对复杂时序特征的建模优势。通过采用双层长短时记忆网络lstm对推进器多变量时序样本进行判定,能够深度挖掘推进器辐射噪声、运动工况参数之间的时间相关性,有效捕捉从正常状态向微弱异常演化的动态特征。同时,系统采用固定权重融合的方式,将lstm的概率输出与基于马氏距离的健康基线偏离度相结合,既发挥了数据驱动模型的高效判定能力,又引入了物理意义明确的偏离度评估,兼顾了检测的灵敏度与工程的可解释性。
25、本发明具有极强的抗干扰能力和环境适应性。通过姿态修正消除传感器坐标系变化带来的偏差,利用稳态工况筛选排除非稳态航行过程中的瞬态干扰,并结合基于推进转速的阶次分析手段消除了因转速波动引起的频率漂移问题。这些针对性的技术措施确保了推进器异常特征在复杂多变的水下环境下仍能保持高度的可分辨性,显著降低了系统的误报率和漏报率。
26、本发明提出一种基于矢量水听器信号和深度学习的无人潜航器推进器异常检测系统,所述系统用于实现上述的无人潜航器推进器异常检测方法,所述系统包括信号采集模块、预处理模块、样本构建模块、异常判定模块、基线偏离度计算模块、融合决策模块和结果输出模块;信号采集模块用于同步采集声压信号、三轴振速信号、推进转速、航速和姿态角;预处理模块用于对采集信号执行姿态修正、流噪抑制、稳态工况分段和同步重采样;样本构建模块用于构造固定长度的多变量时序样本;异常判定模块用于执行双层lstm模型推理并输出异常概率;基线偏离度计算模块用于计算待测样本相对于健康基线的偏离度;融合决策模块用于将所述异常概率与偏离度按固定权重融合得到最终异常得分;结果输出模块用于根据最终异常得分输出推进器异常检测结果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com