水下机器人推进器故障诊断与容错控制方法技术

本发明专利技术公开了一种水下机器人推进器故障诊断与容错控制方法，包括步骤：(1)提出改进的Elman网络对水下机器人建立运动模型，具有更快的学习收敛速度和泛化能力；基于RBF神经网络，设计了推进器电压电流预测器。(2)将改进的Elman网络输出的数值减去位姿传感器测得的实际值，获得残差e1；将RBF神经网络输出的数值减去霍尔传感器测得的实际值，获得残差e2；通过残差分析获得故障类型。(3)提出指数趋近律改进滑模控制器的方法，不但消除了稳态误差，而且减小了系统抖振。(4)针对故障类型，设计权重矩阵进行推力分配，以实现容错控制。本发明专利技术的控制方法解决了系统在推进器发生故障时，无法继续完成指定任务的问题，提高了水下机器人系统的可靠性。统的可靠性。统的可靠性。

【技术实现步骤摘要】
水下机器人推进器故障诊断与容错控制方法


[0001]本专利技术涉及一种水下机器人推进器故障诊断与容错控制方法，属于故障诊断与容错控制 领域。

技术介绍

[0002]地球表面的总面积约有5.1亿平方千米，而其中3.6亿平方千米的面积为海洋的面积， 约为地球面积的四分之三，人类从未停止过对于海洋探索的脚步。随着水下机器人的发展， 机器代替人工可以大大减少成本，提高安全性，通过远程遥控技术和特定的功能模块来控制 水下机器人完成指定的任务将是未来海洋科学技术发展的必然趋势。
[0003]水下机器人一般分为三种：载人水下机器人(Human Occupied Vehicle,简称HOV)，带 缆遥控水下机器人(Remotely Operated Vehicle，简称ROV)和自主式无人水下机器人 (Autonomous Underwater Vehicle，简称AUV)。自主式无人水下机器人(AUV)是一种综 合了先进计算技术和人工智能的任务控制器。集成有深浅器、环境效应、传感器、计算机软 件、能量存储、新材料与新工艺、转换与推进、以及水下智能武器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水下机器人推进器故障诊断与容错控制方法，其特征在于，该方法包含下列步骤：(1)通过霍尔传感器实时获取推进器的工作电压与电流值，通过位姿传感器实时获取水下机器人的纵向速度，横向速度,垂向速度,横倾角速度,纵倾角速度和艏向角速度；(2)提出改进的Elman网络对水下机器人建立运动模型，将该模型与位姿传感器结合，构成水下机器人运动状态检测子系统；(3)基于RBF神经网络，设计了推进器电压电流预测器，将该推进器电压电流预测器与霍尔传感器结合，构成推进器电压电流状态检测子系统；(4)将改进的Elman网络输出的数值减去位姿传感器测得的实际值，得到残差e1；将RBF神经网络输出的数值减去霍尔传感器测得的实际值，得到残差e2；通过对残差e1的分析，可以判断哪个推进器发生了故障；通过对残差e2的分析，可以得到推进器的故障类型；(5)利用指数趋近律方法设计改进的滑模控制器，同时将积分增益引入指数趋近律中，不但可以消除外部干扰带来的稳态误差，还能够减小系统的抖振；向控制器输入期望姿态，得到期望控制输出τ；(6)结合权重矩阵对得到的改进的滑模控制器的输出τ进行推力分配，从而实现水下机器人的容错控制。2.如权利要求1所述的水下机器人推进器故障诊断与容错控制方法，其特征在于，所述步骤(2)中，水下机器人运动状态检测子系统的建立包括以下步骤：(2.1)提出改进的Elman网络，改进方法为在Elman网络输入层的结构单元增加一个增益系数为的自反馈连接，则结构单元在k时刻的输出，将等于隐层在k
‑
1时刻的输出加上结构单元在k
‑
1时刻输出值的倍，即：因此可以得到：其中x
c,l
(k)和x
j
分别表示第l个结构单元的输出和第j个隐层单元的输出；0≤α＜1，的值越接近于1，则网络的学习收敛速度和泛化能力越强，同时，对高阶的非线性系统也可以有更好的辨识能力；(2.2)采用改进的Elman网络对水下机器人推进系统所控制的纵向速度，横向速度,垂向速度,横倾角速度,纵倾角速度和艏向角速度进行建模，规定网络的输入输出如下：
上述方程中，u为纵向速度，v为横向速度,w为垂向速度,p为横倾角速度,q为纵倾角速度,r为艏向角速度，这里我们称这些数据为水下机器人的状态量，g(k
‑
1)为k
‑
1时刻水下机器人的状态量矩阵，y(k)为k时刻水下机器人的状态量矩阵；对改进的Elman网络输入k
‑
1时刻水下机器人的状态量矩阵g(k
‑
1)，便能通过神经网络预测出k时刻水下机器人的状态量矩阵y(k)；(2.3)将改进的Elman网络输出的数值减去位姿传感器测得的实际值，便能够得到残差e1；由此，我们便建立了一个可以很好地反映了水下机器人运动状态的水下机器人运动状态检测子系统；这也为水下机器人的推进器故障诊断提供了可信的分析依据。3.如权利要求1所述的水下机器人推进器故障诊断与容错控制方法，其特征在于，所述步骤(3)中，推进器电压电流状态检测子系统的构建具体有以下步骤：(3.1)将RBF神经网络结构设计为多输入多输出形式，构成推进器电压电流预测器，其网络结构设计为：Input为k时刻水下机器人的状态量，Output为k时刻4个推进器的预测工作电压与预测工作电流；(3.2)对推进器电压电流预测器输入机器人状态量，我们便可以得到推进器在当前状态下的预测工作电压与预测工作电流；(3.3)将得到的Output中的数值减去霍尔传感器测得的实际值，我们可以获得残差e2，这便构成了推进器电压电流状态检测子系统。4.如权利要求1所述的水下机器人推进器故障诊断与容错控制方法，其特征在于，所述步骤(4)中，故障诊断系统的建立具体有以下步骤：(4.1)残差e1中，包含有6个残差分量，它们分别是纵向速度残差e
u
，横向速度残差e
v
,垂向速度残差e
w
,横倾角速度残差e
p
,纵倾角速度残差e
q
和艏向角速度残差e
r
；为减小环境噪声对残差的干扰，将采用如下的方法进行残差处理：记录一组残差，去掉最大值和最小值，然后对余下的残差求平均值，此时得到的残差将被用来进行故障诊断，故障分类如下：当e
v
>0，e
r
<0时，判定为左主推故障；当e
v
<0,e
r
>0时，判定为右主推故障；因此，通过水下机器人运动状态观测子系统我们可以判断哪个推进器发生了故障；(4.2)残差e2中，包含有8个残差分量，它们分别是前垂推的电压残差e
v1
，后垂推的电压残差e
v2
，左主推的电压残差e
v3
，右主推的电压残差e
v4
，前垂推的电流残差e
I1
，后垂推的电流残差e
I2
，左主推的电流残差e
I3
，右主推的电流残差e
I4
；对电压残差设定阈值b1，对电流残差设定阈值b2，因此推进器的故障诊断分类如下：当|e
vi
|＜b
1 |e
Ii
|＜b
2 i＝1,2,3,4时
推进器正常运转；...

【专利技术属性】
技术研发人员：曾庆军，孙啸天，尚乐，吴云凯，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：