一种水面无人艇执行器故障诊断方法及系统技术方案

本发明专利技术属于无人艇故障信息诊断技术领域，公开了一种水面无人艇执行器故障诊断方法及系统。采集并存储水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据；按照频段判断和信号灰度匹配的数据预处理方法对数据进行预处理；通过训练好的改进深度残差收缩网络对数据进行分析，判断水面无人艇执行器是否发生故障，发送相关控制指令至执行器故障保护模块，执行器故障保护模块在接收到控制指令后，断开水面无人艇主控器与水面无人艇执行器间的联系。本发明专利技术可有效减缓系统带宽压力，改进的深度残差收缩网络可有效提高系统的故障诊断准确率。本发明专利技术可有效提升水面无人艇系统的安全性与可靠性。统的安全性与可靠性。统的安全性与可靠性。

【技术实现步骤摘要】
一种水面无人艇执行器故障诊断方法及系统


[0001]本专利技术属于无人艇故障信息诊断
，尤其涉及一种水面无人艇执行器故障诊断方法及系统。

技术介绍

[0002]水面无人艇作为海洋科研、海上工程、海洋战略开发的一个重要无人平台在海上科研任务及活动中得到广泛的应用。然而，随着水面无人艇在海上运行时间的增加和设备性能的退化，以及水面无人艇海上工作环境越来越复杂，复杂环境下水面无人艇的维修、维护压力与日俱增。在此背景下，水面无人艇的安全性与可靠性需得到进一步的提升。执行器作为水面无人艇系统的重要组成部分，在水面无人艇执行海上科研任务及活动时发挥着重要的作用；若执行器发生故障则可能导致水面无人艇系统失稳甚至系统失效，因此执行器与水面无人艇的安全性与可靠性紧密相关。现今针对水面无人艇执行器的故障诊断系统较少，同时针对水面无人艇执行器的故障诊断算法所处理数据中包含的执行器状态参量较少，无法更加全面的进行水面无人艇执行器故障诊断分析，无法满足水面无人艇的安全性和可靠性需求。
[0003]通过上述分析，现有技术存在的问题及缺陷为：（1）现有技术数据传输中，需消耗系统大量的通信和计算资源；（2）现有技术不能避免水面无人艇执行器故障的进一步恶化，水面无人艇的安全性不高；（3）现有技术在无人艇执行器故障检测准确率上比较低。

技术实现思路

[0004]为克服相关技术中存在的问题，本专利技术公开实施例提供了一种水面无人艇执行器故障诊断方法及系统。
[0005]所述技术方案如下：水面无人艇执行器故障诊断方法，包括以下步骤：S1，采集并存储水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据；S2，按照频段判断和信号灰度匹配的数据预处理方法对步骤S1采集的数据进行预处理；S3，通过改进深度残差收缩网络对预处理后的数据进行分析，判断水面无人艇执行器是否发生故障，若发生故障则发送故障保护指令，若未发生故障则进行下一轮判断；S4，数据采集模块接收到智能故障诊断模块发送的故障保护指令后，发送控制指令至执行器故障保护模块，执行器故障保护模块接收到故障保护指令后，断开水面无人艇主控器与水面无人艇执行器间的联系。
[0006]在步骤S2中，所述数据预处理方法包括以下步骤：步骤1：获取水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据；步骤2：通过快速傅里叶变换算法分析水面无人艇执行器多个状态参量数据，获取
数据频段分布情况并与预设频段进行对比，若数据频段处于预设频段范围内则返回步骤1，反之则进行步骤3；其中，快速傅里叶变换公式表达如下所示：；式中，为数据的频率信号序列，N为数据序列长度，为数据时间信号序列，n代表数据时间信号序列的第n个元素，为自然常数，j代表复数虚部，k为频率变量；步骤3：将水面无人艇执行器多个状态参量数据以及水面无人艇多个姿态参量数据按照如下所示公式转化为灰度图，表达式为：；；；；式中，表示水面无人艇执行器偏移数据，num表示Dev的第num行，v表示第v个数据，表示第个无对应左右对称分布执行器的单个执行器状态参量数据，fst表示第fst个无对应左右对称分布执行器的单个执行器，seo表示第seo组呈左右对称分布关系的水面无人艇执行器，表示无对应左右对称分布执行器的单个执行器总数，表示呈左右对称分布关系的水面无人艇执行器总组数，表示第组呈左右对称分布关系的水面无人艇右执行器状态参量数据，表示第组呈左右对称分布关系的水面无人艇左执行器状态参量数据，分别表示第和第个执行器状态参量，表示水面无人艇姿态偏移数据，表示水面无人艇第个姿态参量的初始状态数据，表示水面无人艇第个姿态参量的第个数据，表示水面无人艇执行器状态参量个数；；；
；；式中，表示水面无人艇状态参量数据，表示第个数据，表示各个水面无人艇执行器状态参量和水面无人艇姿态参量个数的和，表示灰度图的宽，表示灰度图的高度系数，表示灰度图的高，表示第个水面无人艇状态参量数据中Sta绝对值的最大值，表示灰度图第行第列的像素值，其中，；表示水面无人艇姿态参量个数；步骤4：将转化后的灰度图通过绝对误差和算法与预设的模板灰度图进行相关性分析，算法公式表达如下所示：；式中，为信号灰度图像素值，为模板灰度图像素值，为相关性系数，和为图像的像素坐标，和为图像的高和宽，其中；若转化后的灰度图符合预设的相关性系数要求则返回步骤1，反之则进行步骤5；步骤5：通过卷积核尺度大小为的卷积层对灰度图进行卷积操作使灰度图数据融合为一维特征数据，完成数据预处理操作。
[0007]在步骤S3中，所述改进深度残差收缩网络包含1个卷积层、多个改进残差收缩块、1个BN层、1个ReLU激活函数、1个GAP层以及1个全连接层；其中，改进深度残差收缩网络通过预先采集的正常状态数据和故障状态数据作为训练集，对改进深度残差收缩网络进行训练，然后将待测数据作为测试集输入训练好的改进深度残差收缩网络中进行故障识别。
[0008]在一个实施例中，对改进深度残差收缩网络进行训练包括以下步骤：步骤（Ⅰ）：将正常状态下和多个故障状态下的数据作为训练集，输入改进残差收缩网络中；步骤（Ⅱ）：训练集数据通过卷积层及改进残差收缩块中的2个BN
‑
ReLU
‑
Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理；步骤（Ⅲ）：软阈值化后的特征经BN层、ReLU激活函数、GAP层以及全连接层输出最终的故障模型。
[0009]在一个实施例中，所述步骤（Ⅱ）训练集数据通过卷积层及改进残差收缩块中的2个BN
‑
ReLU
‑
Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理包括：
步骤（1），输入数据经1个恒等映射路径、2个BN
‑
ReLU
‑
Conv结构以及一个融合特征提取模块处理后获取数据初步特征；步骤（2），将融合特征提取模块输出的数据初步特征的绝对值进行GAP运算，得到一维向量然后通过两个全连接层获取缩放参数，然后通过softmax将缩放参数缩放到（0，1）范围内，表达式为：；式中，为缩放参数，为两个全连接层的输出，为自然常数；步骤（3），结合获取的缩放参数计算出阈值参数，然后对特征进行软阈值化得到最终的特征，软阈值化的公式表达为：；；式中，为融合特征提取模块输出的数据特征，为阈值参数，为软阈值化输出特征，分别代表融合特征提取模块输出的数据特征的宽度、高度和通道参数，分别代表的最大值。
[0010]在步骤（1）中，融合特征提取模块处理后获取数据初步特征包括：步骤（a）：通过将各个特征分支中的元素进行逐一求和来融合特征分支，该过程函数表达为：；式中，分别表示三个不同尺度卷积核的特征分支，表示融合后的特征；步骤（b）：通过特征通道信息平均化来获取通道特征；；式中，表示的第的第个元素，表示的特征宽度，表示融合特征的第个通道的第个数据；步骤（c）：通过全连接层FC获得特征向量，该过程函数表达如下所示：；；
...

【技术保护点】

【技术特征摘要】
1.一种水面无人艇执行器故障诊断方法，其特征在于，该方法包括以下步骤：S1，采集并存储水面无人艇执行器（8）多个状态参量数据以及水面无人艇多个姿态参量数据；S2，按照频段判断和信号灰度匹配的数据预处理方法对步骤S1采集的数据进行预处理；S3，通过改进深度残差收缩网络对预处理后的数据进行分析，判断水面无人艇执行器（8）是否发生故障，若发生故障则发送故障保护指令，若未发生故障则进行下一轮判断；S4，数据采集模块（3）接收到智能故障诊断模块（5）发送的故障保护指令后，发送控制指令至执行器故障保护模块（6），执行器故障保护模块（6）接收到故障保护指令后，断开水面无人艇主控器（7）与水面无人艇执行器（8）间的联系。2.根据权利要求1所述的水面无人艇执行器故障诊断方法，其特征在于，在步骤S2中，所述数据预处理方法包括以下步骤：步骤1：获取水面无人艇执行器（8）多个状态参量数据以及水面无人艇多个姿态参量数据；步骤2：通过快速傅里叶变换算法分析水面无人艇执行器（8）多个状态参量数据，获取数据频段分布情况并与预设频段进行对比，若数据频段处于预设频段范围内则返回步骤1，反之则进行步骤3；其中，快速傅里叶变换公式表达如下所示：；式中，为数据的频率信号序列，N为数据序列长度，为数据时间信号序列，n代表数据时间信号序列的第n个元素，为自然常数，j代表复数虚部，k为频率变量；步骤3：将水面无人艇执行器（8）多个状态参量数据以及水面无人艇多个姿态参量数据按照如下所示公式转化为灰度图，表达式为：；；；；式中，表示水面无人艇执行器（8）偏移数据，num表示Dev的第num行，v表示第v个数据，表示第个无对应左右对称分布执行器的单个执行器状态参量数据，fst表示第fst个无对应左右对称分布执行器的单个执行器，seo表示第seo组呈左右对称分布关系的水面无人艇执行器（8），表示无对应左右对称分布执行器的单个执行器总数，表示呈左右对称分布关系的水面无人艇执行器（8）总组数，表示第组
呈左右对称分布关系的水面无人艇右执行器状态参量数据，表示第组呈左右对称分布关系的水面无人艇左执行器状态参量数据，分别表示第和第个执行器状态参量，表示水面无人艇姿态偏移数据，表示水面无人艇第个姿态参量的初始状态数据，表示水面无人艇第个姿态参量的第个数据，表示水面无人艇执行器（8）状态参量个数；；；；；式中，表示水面无人艇状态参量数据，表示第个数据，表示各个水面无人艇执行器（8）状态参量和水面无人艇姿态参量个数的和，表示灰度图的宽，表示灰度图的高度系数，表示灰度图的高，表示第个水面无人艇状态参量数据中Sta绝对值的最大值，表示灰度图第行第列的像素值，其中，；表示水面无人艇姿态参量个数；步骤4：将转化后的灰度图通过绝对误差和算法与预设的模板灰度图进行相关性分析，算法公式表达如下所示：；式中，为信号灰度图像素值，为模板灰度图像素值，为相关性系数，和为图像的像素坐标，和为图像的高和宽，其中；若转化后的灰度图符合预设的相关性系数要求则返回步骤1，反之则进行步骤5；步骤5：通过卷积核尺度大小为的卷积层对灰度图进行卷积操作使灰度图数据融合为一维特征数据，完成数据预处理操作。3.根据权利要求1所述的水面无人艇执行器故障诊断方法，其特征在于，在步骤S3中，所述改进深度残差收缩网络包含1个卷积层、多个改进残差收缩块、1个BN层、1个ReLU激活函数、1个GAP层以及1个全连接层。4.根据权利要求3所述的水面无人艇执行器故障诊断方法，其特征在于，所述改进深度
残差收缩网络通过预先采集的正常状态数据和故障状态数据作为训练集，对改进深度残差收缩网络进行训练，然后将待测数据作为测试集输入训练好的改进深度残差收缩网络中进行故障识别。5.根据权利要求4所述的水面无人艇执行器故障诊断方法，其特征在于，对改进深度残差收缩网络进行训练包括以下步骤：步骤（Ⅰ）：将正常状态下和多个故障状态下的数据作为训练集，输入改进残差收缩网络中；步骤（Ⅱ）：训练集数据通过卷积层及改进残差收缩块中的2个BN
‑
ReLU
‑
Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理；步骤（Ⅲ）：软阈值化后的特征经BN层、ReLU激活函数、GAP层以及全连接层输出最终的故障模型。6.根据权利要求5所述的水面无人艇执行器故障诊断方法，其特征在于，所述步骤（Ⅱ）中，训练集数据通过卷积层及改进残差收缩块中的2个BN
‑
ReLU
‑
Conv结构和融合特征提取模块提取数据特征，并将提取的特征在改进残差收缩块中进行软阈值化处理包括：步骤（1），输入数据经1个恒等映射路径、2个BN
‑
ReLU
‑...

【专利技术属性】
技术研发人员：牟宗磊，曹青浩，李丽，韩笑，李保平，李清孟，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：