基于改进灰色预测GM（1,1）模型自主水下航行器传感器故障诊断方法技术

基于改进灰色预测GM(1,1)模型自主水下航行器传感器故障诊断方法，涉及自主水下航行器(AUV)故障诊断领域。本发明专利技术是为了增强自主水下航行器在水下工作的安全性。本发明专利技术主要包括以下步骤：1、建立自主水下航行器传感器故障模型；2、对自主水下航行器的传感器数据进行预处理；3、设计改进的灰色预测GM(1,1)模型；4、将改进的灰色预测GM(1,1)模型运用到自主水下航行器传感器中并进行故障诊断；5、利用改进GM(1,1)模型实现自主水下航行器传感器的实时故障诊断。本发明专利技术适用于自主水下航行器传感器故障诊断。

【技术实现步骤摘要】


本专利技术涉及自主水下航行器(AUV)故障诊断领域，涉及一种基于改进的灰色预测GM(1,1)模型传感器故障诊断方法。

技术介绍

自主水下航行器作为人类探索和海洋开发的工具，在海洋领域发挥着重要的作用，特别是在海洋开发、科学考察、和水下作战等领域内尤其活跃。马航MH370的失踪更是将自主水下航行器推到了一个更高的平台。自主水下航行器具有水下活动范围大、机动性好、安全、结构简单等优点，成为当前世界各国海洋开发、国防工业部门和海洋装备的最重要研究方向之一。
由于自主水下航行器在恶劣的条件下工作，周围的环境复杂多变，因此极易出现故障，如果故障没有及时的被检测出来，那么自主水下航行器将在一种不可预测的方式下进行工作，不仅会缩短自主水下航行器的使用寿命，更会影响在水下的工作任务，甚至会带来灾难性的后果。对于自主水下航行器的故障诊断，诊断信息大多数来自于自主水下航行器携带的各类传感器，所以如果传感器不能工作在正常状态(即发生故障)，那么自主水下航行器将无法正确的反映此时在水下的种种状况，甚至将会使自主水下航行器整个系统瘫痪，无法正常工作。因此，对于自主水下航行器的传感器故障诊断以及其诊断的正确性是至关重要的。
目前，国内有运用传统的灰色预测GM(1,1)模型对自主水下航行器的传感器进行故障诊断。如费浚纯在专利《水下无人航行器传感器状态诊断与信号恢复方法》中，利用传统的灰色预测GM(1,1)模型，对自主水下航行器的深度传感器进行故障诊断。该方法是假设背景值是由一次累加后生成序列的紧邻权而获得，即权重μ＝0.5。但是经过一系列的试验验证后得出，当μ＝0.5时，并不能说明此时的模型预测精度最高，并且若把X(0)(1)作为被求解微分方程的初始值也是不准确的。本专利技术便是对μ值的选取做了一定的改进并且对预测模型初始值的选取也做了一定的改进，从而在很大程度上提高了模型的预测精度。
因此，研究自主水下航行器传感器的故障诊断，对于提高自主水下航行器的安全性和可靠性，已经成为迫切的研究任务。

技术实现思路

本专利技术是为了增强自主水下航行器在水下工作的安全性，从而提供一种基于改进灰色预测GM(1,1)模型自主水下航行器传感器故障诊断方法。
基于改进灰色预测GM(1,1)模型自主水下航行器传感器故障诊断方法，其特征是：
步骤一、建立自主水下航行器的传感器故障模型，包括：
传感器失效模型：
yout＝0(1)
yout是传感器模型故障时的实际输出；
传感器突跳模型：
yout＝V(2)
其中V为常数；
传感器恒增益模型：
yout(K+1)＝βyout(K)(3)
其中β为恒增益系数，K为故障时刻；
传感器恒偏差变化模型：
yout＝yin+△(4)
其中△为恒偏差值；yin是传感器模型正常时输出的信息；
步骤二、对自主水下航行器传感器数据进行预处理，所述预处理包括剔除野值处理和平滑滤波处理；
步骤三、建立改进的灰色预测GM(1,1)模型，具体为：
步骤三一、设原始数列为：
X(0)＝(X(0)(1),X(0)(2),X(0)(3)......,X(0)(n))(5)
一阶累加后生成新的序列：
X(1)＝(X(1)(1),X(1)(2),X(1)(3)......,X(1)(n))(6)
其中：
n为大于1的整数；
得到一阶线性微分方程：
其中：a为发展灰度，反映X(1)以及X(0)是如何变化的；u为内生控制灰度(灰作用量)，反映数据之间的变化关系；
步骤三二、求解a和u，令为待估向量，将上式中离散化，则有：
令：
Z(1)(k)＝μX(1)(k)+(1-μ)X(1)(k-1),k＝2,3,......,n(10)
对整个式子离散化得：
X(1)(k)-X(1)(k-1)+aZ(1)(k)＝u,k＝2,3,......,n(11)；
步骤三三、令μ＝0，代入上式得：
X(1)(k)-X(1)(k-1)+aX(1)(k-1)＝u,k＝2,3,......,n(12)
解得：
其中：
c是一个常数；
步骤三四、将：
累减，得到原始序列的估计方程：
令C＝c·(1-ea)，将C分别带入(15)和(16)式得：
设：
将式(18)代入上式，得：
步骤三五、令时，此时S取得最小值，模型具有最高的预测精度，得：
将(21)分别代入式(17)和(18)中，得：
然后在此基础上加一个很小的量△μ>0，即增大μ的值，直到μ＝1；获得不同的测量值与实际值的离差平方和，取其中测量值与实际值的离差平方和最小时的权重作为背景值，利用该权重值作为改进灰色预测GM(1,1)模型对传感器进行预测；
步骤四、利用步骤三所述改进的灰色预测GM(1,1)模型实现自主水下航行器传感器的实时故障诊断。
步骤四所述利用步骤三所述改进的灰色预测GM(1,1)模型实现自主水下航行器传感器的实时故障诊断的具体方法为：
步骤四一、对所有的原始数据序列X(0)做一次累加得到X(1)；
步骤四二、运用步骤四一的方法确定此时测量值与实际值的离差平方和最小的权重，同时确定此时的k值并代入到X(0)(k)中，从而建立最佳改进的GM(1,1)模型；
步骤四三、求得原始数据N+1时刻的预测值X(0)(N+1)，此时，将序列中的X(0)(1)去掉，加入X(0)(N+1)，构成新的原始序列：
步骤四四、利用实际传感器在n+1时刻反馈的数据与改进的灰色预测GM(1,1)模型在N+1时刻的预测值做差与残差值作比较，即：e＝|x(n+1)-X(0)(N+1)|，与设定的阈值作比较；
若小于所设定的阈值，作为传感器n+1时刻的实际数据，返回执行步骤四三；
若大于所设定的阈值，那么进行故障报警，并将预测的数据作为N+1时刻的数据，返回执行步骤四三，实现实时动态故障诊断。
本专利技术利用改进的灰色预测GM(1,1)模型对自主水下航行器传感器故障进行及时的诊断，从而增强自主水下航行器在水下工作的安全性。
附图说明
图1是剔除野值仿真示意图；
图2是平滑滤波仿真示意图；
图3是改进的GM(1,1)模型流程示意图；
图4是改进的灰色预测GM(1,1)模型对传感器实时动态预测流程示意图；
图5是以自主水下航行器光纤罗经为例，假设其艏向角输出数据出现异常，对光纤罗经失效故障的仿真验证图；
图6是以自主水下航行器光纤罗经为例，假设其艏向角输出数据出现异常，对光纤罗经突跳的仿真验证图；
图7是以自主水下航行器光纤罗经为例，假设其艏向角输出数据出现异常，对光纤罗经恒增益变化的仿真验证图；
图8是以自主水下航行器光纤罗经为例，假设其艏向角输出数据出现异常，对光纤罗经恒偏差变化的仿真验证图；
具体实施方式
具体实施方式一、本专利技术以自主水下航行器传感器作为研究对象，提出了一种基于改进的灰色预测GM(1,1)模型传感器故障诊断方法。传统的灰色动态预测方法还是有一定的缺陷的，如果不对其改正将会引入到理论误差，从而得到不准确的预测结果。改进的灰色动态预测GM(1,1)模型不需要诊断信息的太多信息，也不需要建立诊断对象的模型，通过诊断对象的原始数据实现故障传感器的数据预测。
下面结合附图对本发本文档来自技高网...

【技术保护点】
基于改进灰色预测GM(1,1)模型自主水下航行器传感器故障诊断方法，其特征是：步骤一、建立自主水下航行器的传感器故障模型，包括：传感器失效模型：yout＝0     (1)yout是传感器模型故障时的实际输出；传感器突跳模型：yout＝V     (2)其中V为常数；传感器恒增益模型：yout(K+1)＝βyout(K)    (3)其中β为恒增益系数，K为故障时刻；传感器恒偏差变化模型：yout＝yin+△     (4)其中△为恒偏差值；yin是传感器模型正常时输出的信息；步骤二、对自主水下航行器传感器数据进行预处理，所述预处理包括剔除野值处理和平滑滤波处理；步骤三、建立改进的灰色预测GM(1,1)模型，具体为：步骤三一、设原始数列为：X(0)＝(X(0)(1),X(0)(2),X(0)(3)......,X(0)(n))      (5)一阶累加后生成新的序列：X(1)＝(X(1)(1),X(1)(2),X(1)(3)......,X(1)(n))      (6)其中：X(1)(j)=Σk=1iX(0)(k),i=1,2,...,n---(7)]]>n为大于1的整数；得到一阶线性微分方程：dX(1)dt+aX(1)=u---(8);]]>其中：a为发展灰度；u为内生控制灰度；步骤三二、求解a和u，令为待估向量，将上式中离散化，则有：dX(1)(k)dt=X(1)(k)-X(1)(k-1),k=2,3,......,n---(9)]]>令：Z(1)(k)＝μX(1)(k)+(1‑μ)X(1)(k‑1),k＝2,3,......,n  (10)对整个式子离散化得：X(1)(k)‑X(1)(k‑1)+aZ(1)(k)＝u,k＝2,3,......,n     (11)；步骤三三、令μ＝0，代入上式得：X(1)(k)‑X(1)(k‑1)+aX(1)(k‑1)＝u,k＝2,3,......,n        (12)解得：α^=(Bμ=0TBμ=0)-1Bμ=0TYn---(13)]]>其中：Bμ=0=-Z(1)(2)1-Z(1)(3)1......-Z(1)(n)1=-X(1)(1)1-X(1)(2)1......-X(1)(n-1)1---(14);]]>c是一个常数；步骤三四、将：X‾(1)(k+1)=ce-ak+ua,k=0,1,...,n-1---(15)]]>累减，得到原始序列的估计方程：X‾(0)(k+1)=X‾(1)(k+1)-X‾(1)(k)=c·(1-ea)·e-ak,k=0,1,...,n-1---(16)]]>令C＝c·(1‑ea)，将C分别带入(15)和(16)式得：X‾(1)(k+1)=C·(1-ea)-1·e-ak+ua,k=0,1,...,n-1---(17)]]>X‾(0)(k+1)=X‾(1)(k+1)-X‾(1)(k)=C·e-ak,k=0,1,...,n-1---(18)]]>设：S=Σk=1n(X‾(0)(k)-X(0)(k))2---(19)]]>将式(18)代入上式，得：S=Σk=1n(X‾(0)(k)-X(0)(k))2=[C·(1-ea)-1+ua-X(0)(1)]2+Σk=2n[C·e-a(k-1)-X(0)(k)]2---(20);]]>步骤三五、令时，此时S取得最小值，模型具有最高的预测精度，得：C=[X(0)(1)-ua][1-ea]-1+Σk=2nX(0)(k)e-a(k-1)(1-ea)-2+Σk=2ne-2a(k-1)---(21)]]>将(21)分别代入式(17)和(18)中，得：X‾(1)(k+1)=[X(0)(1)-ua][1-ea]-1+Σk=2nX(0)(k)e-a(k-1)(1-ea)-2+Σk=2ne-2a(k-1)·(1-ea)-1·e-ak+uak=0,1,...,n-1---(22)]]>X‾(0)(k+1)=[X(0)(1)-ua][1-ea]-1+Σk=2nX(0)(k)e-a(...

【技术特征摘要】
1.基于改进灰色预测GM(1,1)模型自主水下航行器传感器故障诊断方法，其特征是：
步骤一、建立自主水下航行器的传感器故障模型，包括：
传感器失效模型：
yout＝0(1)
yout是传感器模型故障时的实际输出；
传感器突跳模型：
yout＝V(2)
其中V为常数；
传感器恒增益模型：
yout(K+1)＝βyout(K)(3)
其中β为恒增益系数，K为故障时刻；
传感器恒偏差变化模型：
yout＝yin+△(4)
其中△为恒偏差值；yin是传感器模型正常时输出的信息；
步骤二、对自主水下航行器传感器数据进行预处理，所述预处理包括剔除野值处理和
平滑滤波处理；
步骤三、建立改进的灰色预测GM(1,1)模型，具体为：
步骤三一、设原始数列为：
X(0)＝(X(0)(1),X(0)(2),X(0)(3)......,X(0)(n))(5)
一阶累加后生成新的序列：
X(1)＝(X(1)(1),X(1)(2),X(1)(3)......,X(1)(n))(6)
其中：
X ( 1 ) ( j ) = Σ k = 1 i X ( 0 ) ( k ) , i = 1 , 2 , ... , n - - - ( 7 ) ]]>n为大于1的整数；
得到一阶线性微分方程：
dX ( 1 ) d t + aX ( 1 ) = u - - - ( 8 ) ; ]]>其中：a为发展灰度；u为内生控制灰度；
步骤三二、求解a和u，令为待估向量，将上式中离散化，则有：
dX ( 1 ) ( k ) d t = X ( 1 ) ( k ) - X ( 1 ) ( k - 1 ) , k = 2 , 3 , ... ... , n - - - ( 9 ) ]]>令：
Z(1)(k)＝μX(1)(k)+(1-μ)X(1)(k-1),k＝2,3,......,n(10)
对整个式子离散化得：
X(1)(k)-X(1)(k-1)+aZ(1)(k)＝u,k＝2,3,......,n(11)；
步骤三三、令μ＝0，代入上式得：
X(1)(k)-X(1)(k-1)+aX(1)(k-1)＝u,k＝2,3,......,n(12)
解得：
α ^ = ( B μ = 0 T B μ = 0 ) - 1 B μ = 0 T Y n - - - ( 13 ) ]]>其中：
B μ = 0 = - Z ( 1 ) ( 2 ) 1 - Z ( 1 ) ( 3 ) 1 . . . . . . - Z ( 1 ) ( n ) 1 = - X ( 1 ) ( 1 ) 1 - X ( 1 ) ( 2 ) 1 . . . . . . - X ( 1 ) ( n - 1 ) 1 - - - ( 14 ) ; ]]>c是一个常数；
步骤三四、将：
X ‾ ( 1 ) ( k + 1 ) = ce - a k + u a , k = 0 , 1 , ... , n - 1 - - - ( 15 ) ]]>累减，得到原始序列的估计方程：
X ‾ ( 0 ) ( k + 1 ) = X ‾ ( 1 ) ( k + 1 ) - X ‾ ( 1 ) ( k ) = c · ( 1 - e a ) · e - a k , k = 0 , 1 , ... , n - 1 - - - ( 16 ) ]]>令C＝c·(1-ea)，将C分别带入(15)和(16)式得：
X ‾ ( 1 ) ( k + 1 ) = C · ( 1 - e a ) - 1 · e - a k + u a , k = 0 , 1 , ... , n - 1 - - - ( 17 ) ]]> X ‾ ( 0 ) ( k + 1 ) = X ‾ ( 1 ) ( k + 1 ) - X ‾ ( 1 ) ( k ) = C · e - a k , k = 0 , 1 , ... , n - 1 - - - ( 18 ) ]]>设：
S = Σ k = 1 n ( X ‾ ( 0 ) ( k ) - X ( 0 ) ( k ) ) 2 - - - ( 19 ) ]]>将式(18)代入上式，得：
S = Σ k = 1 n ( X ‾ ( 0 ) ( k ) - X ( 0 ) ( k ) ) 2 = [ C · ( 1 - e a ) - 1 + u a - X ( 0 ) ( 1 ) ] 2 + Σ k = 2 n [ C · e - a ( k - 1 ) ...

【专利技术属性】
技术研发人员：李娟，张晓悠，徐健，张娟，张伟，陈兴华，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23