基于深度学习的水下机器人传感器故障诊断方法及装置制造方法及图纸

本发明专利技术涉及水下机器人传感器故障诊断技术领域，具体涉及基于深度学习的水下机器人传感器故障诊断方法及装置，通过采集水下机器人的历史运行数据，将可测量的数据作为网络的输入数据，需要估计的数据作为输出数据；通过建立输入数据与输出数据之间的映射关系，并使网络以最小误差反映输入与输出的非线性关系，从而得出理论输出数据，进而通过计算理论输出数据与测量输出数据的残差进行故障诊断，本发明专利技术提高了水下机器人传感器的故障诊断的精确度。

【技术实现步骤摘要】
基于深度学习的水下机器人传感器故障诊断方法及装置
本专利技术涉及水下机器人传感器故障诊断
，具体涉及基于深度学习的水下机器人传感器故障诊断方法及装置。
技术介绍
水下机器人是由计算机控制的复杂机器，它具有类似人的肢体及感官功能；动作程序灵活；有一定程度的智能；在工作时可以不依赖人的操纵。水下机器人传感器在水下机器人的控制中起了非常重要的作用，正因为有了传感器，水下机器人才具备了类似人类的知觉功能和反应能力。由于海洋深处工作环境的复杂性，不可预测性，水下机器人一旦出现故障，不仅机器人无法完成水下作业任务，而且机器人本身也难以回收，损失巨大。因此其可靠性技术研究与设计十分关键。而直接服务于水下机器人可靠性的故障诊断技术成为值得研究的问题。传统的浅层神经网络存在梯度衰减、过度拟合、局部最小等缺点，使得故障诊断的效果大打折扣。深度学习理论提出后不仅解决了梯度衰减等问题，而且拥有自动提取特征的能力，有效地避免了人工提取特征的繁琐过程，提高了故障诊断效果。因此，如何利用深度学习提高水下机器人传感器的故障诊断的精确度成为关键问题。
技术实现思路
本专利技术提供一种基于深度学习的水下机器人传感器故本文档来自技高网...

【技术保护点】
1.基于深度学习的水下机器人传感器故障诊断方法，其特征在于，包括以下步骤：步骤S1、采集水下机器人的历史运行数据，所述历史运行数据包括输入数据、输出数据以及与所述输入数据、输出数据对应的时刻；所述输入数据包括：水下机器人操纵面偏转量、运行深度、深度变化率、俯仰角、俯仰角速率、水速、空速、动力大小；所述输出数据包括：水下机器人的迎角、俯仰角速率、滚转角速率、偏航角速率；步骤S2、建立深度置信网络观测器；步骤S3、实时采集水下机器人的输入数据和测量输出数据；步骤S4、通过深度置信网络观测器进行估算，得出理论输出数据；步骤S5、计算理论输出数据与测量输出数据的残差；步骤S6、根据所述残差与阈值的大小...

【技术特征摘要】
1.基于深度学习的水下机器人传感器故障诊断方法，其特征在于，包括以下步骤：步骤S1、采集水下机器人的历史运行数据，所述历史运行数据包括输入数据、输出数据以及与所述输入数据、输出数据对应的时刻；所述输入数据包括：水下机器人操纵面偏转量、运行深度、深度变化率、俯仰角、俯仰角速率、水速、空速、动力大小；所述输出数据包括：水下机器人的迎角、俯仰角速率、滚转角速率、偏航角速率；步骤S2、建立深度置信网络观测器；步骤S3、实时采集水下机器人的输入数据和测量输出数据；步骤S4、通过深度置信网络观测器进行估算，得出理论输出数据；步骤S5、计算理论输出数据与测量输出数据的残差；步骤S6、根据所述残差与阈值的大小进行故障诊断，若残差不超过阈限，则诊断为无故障；若残差超过阈限，则诊断为有故障。2.根据权利要求1所述的基于深度学习的水下机器人传感器故障诊断方法，其特征在于，所述步骤S2具体包括：步骤S21、构建受限制玻尔兹曼机网络，所述受限制玻尔兹曼机网络包括神经元n个，隐层神经元m个，节点间的连接只存在层与层之间；步骤S22、建立受限制玻尔兹曼机的能量函数，所述能量函数计算公式为：其中，vi和hj分别是可视层第i个单元和隐含层第j个单元的随机状态；ai和bj是对应的偏置；wij是2个单元间的权值；步骤S23、以v＝h0作为输入，训练第1个受限制玻尔兹曼机，使其达到稳定状态；步骤S24、将第1个受限制玻尔兹曼机学习到外界输入的联合概率分布当作第2个受限制玻尔兹曼机的可视层输入，直至稳定状态；步骤S25、跳转到步骤S23，直到训练完成最后一个受限制玻尔兹曼机；步骤S26、将最大似然函数作为目标函数，对各层参数进行微调...

【专利技术属性】
技术研发人员：张彩霞，王向东，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东,44