AUV推进器弱故障的特征提取与融合方法研究.pdf

AUV推进器弱故障的特征提取与融合方法研究

摘要

无人无缆自主式水下机器人(AutonomousUnderwaterVehicle，AUV)以其良好的

操纵性、大范围的自主航行能力，成为深海资源调查、海洋科学研究以及海洋工程

等领域的得力装备。保障其安全性是AUV完成一切作业任务的前提，而故障诊断

是保障安全性的重要技术手段。推进器作为AUV负荷最重且使用最频繁的部件，

是最易发生故障的部件，也是对AUV安全性影响最重的部件。推进器的前期故障

多为弱故障，研究AUV推进器的弱故障诊断，能够做到防微杜渐，对保障AUV的

安全性具有重要研究意义和实用价值。

本文针对AUV推进器弱故障诊断问题，主要研究推进器弱故障信号降噪处理

方法、故障信号增强与故障特征提取方法、敏感特征选择方法以及敏感特征融合与

故障程度辨识方法，主要研究工作如下：

研究AUV推进器弱故障信号降噪处理方法。AUV推进器弱故障信号中包含了

大量的外部海流干扰和测量噪声，基于典型的小波方法对故障信号进行降噪时发现，

降噪后的纵向速度信号和控制电压信号的信噪比远低于艏向角信号的信噪比，即故

障信息挖掘不充分。针对此问题，本文研究基于变分模态分解（VariationalMode

Decomposition，VMD）的AUV推进器弱故障信号降噪处理方法，采用PSO算法对

VMD的参数进行优化，基于优化后的VMD算法对故障信号进行分解得到各BIMF

（Band-LimitedIntrinsicModeFunction,BIMF）分量。由于AUV推进器故障诊断没

有确定的、解析的故障机理，导致传统基于故障频率选择有用BIMF分量进行VMD

重构的方法无法使用，为此本文提出基于各BIMF分量自相关系数、各BIMF分量

与原信号互相关系数相结合的VMD重构方法。通过实验对比，验证本文方法相较

于小波方法具有更好的降噪效果。

研究AUV推进器弱故障信号增强与特征提取方法。针对VMD降噪后信号的

故障特征值小于干扰特征值，即故障特征无法从干扰特征中分离出来的问题，本文

研究基于MB算法的AUV故障信号增强方法，并与增强前信号进行对比分析，验

证本文方法的有效性。为充分提取AUV推进器弱故障特征，本文研究多域（时域、

频域、时频域）特征提取方法，并基于故障特征单调性原则确定能够用于故障程度

哈尔滨工程大学硕士学位论文

辨识的单调性特征，并与作者所在实验室以前方法提取的单调性特征进行对比分析，

验证本文方法的有效性。

研究AUV推进器弱故障敏感特征选取方法。针对本文提取的多域故障特征存

在单调性变化趋势不一致的问题，作者所在实验室以前方法采用相对特征值代替原

特征值的方法，但该方法在转换故障特征单调性的同时，也会改变故障特征指标对

故障程度辨识的重要性。因此在保证不改变故障特征指标对程度辨识的重要性的前

提下，本文提出一种不改变变化区间长度、变化程度与特征值数量级的单调性趋势

转换方法。针对不同单调性特征值随着真实故障程度增加的变化程度不同，本文提

出一种基于距离度量的敏感特征选择方法，根据敏感因子确定对故障程度辨识敏感

的单调性特征。

研究AUV推进器弱故障敏感特征融合与程度辨识方法。针对敏感特征指标的

数量级不同，导致数值大的特征指标淹没数值小的特征指标对程度辨识影响的问题，

本文提出一种基于敏感因子百分比和皮尔逊相关系数百分比构建D-S证据理论信任

函数的方法，基于D-S证据理论对敏感特征进行融合，并与融合前故障特征的敏感

因子进行对比，验证本文所提方法的有效性。针对AUV推进器弱故障程度辨识问

题，本文基于灰色关联分析法对待辨识信号和已知故障程度信号的关联度进行计算，

得到待辨识信号的故障程度。采用交叉验证法，分别对“海狸-Ⅱ”的实验模拟故障

中的8%、5%、2%的弱故障进行辨识，并与作者所在实验室以前方法的程度辨识结

果进行对比，进一步验证本文AUV推进器弱故障特征提取与融合方法的有效性。

关键词：自主式水下机器人；推进器弱故障；变分模态分解；特征提取；特征融合

AUV推进器弱故障的特征提取与融合方法研究