基于时频功率谱重构的水下推进器故障诊断方法及诊断系统技术方案

本发明专利技术公开了一种基于时频功率谱重构的水下推进器故障诊断方法，获取水下机器人动态信号的时间序列；计算时间序列的时频功率谱；针对瞬时频谱构造概率密度函数；计算瞬时香农熵，并构成瞬时香农熵曲线；确定瞬时香农熵曲线中最小值所在位置；然后对时频功率谱进行重构；以重构时频功率谱作为输入，通过故障诊断模型进行故障等级分类，得到推进器故障程度，所述故障诊断模型通过水下推进器故障试验建立。通过重构的推进器动态信号的时频功率谱，减少故障信息在监测信号序列中的位置发生改变的影响，有效减少了迭代次数，提高了推进器故障程度辨识分类准确率。故障程度辨识分类准确率。故障程度辨识分类准确率。

【技术实现步骤摘要】
基于时频功率谱重构的水下推进器故障诊断方法及诊断系统


[0001]本专利技术涉及水下机器人推进器故障检测，具体是涉及一种基于时频功率谱重构的水下推进器故障诊断方法及诊断系统。

技术介绍

[0002]对广阔而深邃的海洋或者湖泊进行探索应用，具有智能化和自动化的水下机器人将是水下环境探测工具的首要选择。而水下机器人的推进器正常工作是AUV能够完成任务的基础，为了水下机器人能够成功安全、稳定的长期执行任务，对推进器进行故障诊断已成为必要的技术手段。
[0003]现有技术中，公开号为CN109977920A的中国专利申请公开了基于时频谱图及卷积神经网络的水轮机组故障诊断方法，该方法以水轮机组振动信号作为CNN输入进行故障类型识别，有效表征了振动信号的时频特征，实现了智能化故障诊断，但该方法对时频特征处理较为繁琐，不易于实现高效的故障诊断，且仅对二维的时频特征进行分析，导致卷积神经网络的收敛速度和辨识精度有限。
[0004]又如，公开号为CN113916535A的中国专利申请公开了一种基于时频和CNN的轴承诊断方法、系统、设备及介质，该方法利用卷积神经网络对以变转速轴承信号进行深度学习，有效实现了不同故障类型的分类，避免了的复杂的信号处理步骤，但该方法故障特征提取较为繁琐，且未考虑超参数对卷积神经网络模型的影响，导致模型训练过程收敛速度和故障辨识分类准确率有限。

技术实现思路

[0005]专利技术目的：针对以上缺点，本专利技术提供一种提高故障辨识效率及准确性的基于时频功率谱重构的水下推进器故障诊断方法。
[0006]本专利技术还提供一种基于时频功率谱重构的水下推进器故障诊断系统。
[0007]技术方案：为解决上述问题，本专利技术采用一种基于时频功率谱重构的水下推进器故障诊断方法，包括以下步骤：
[0008](1)采集水下机器人的动态信号，获取动态信号的时间序列；
[0009](2)基于平滑伪维格纳
‑
威利分布算法，计算出时间序列的时频功率谱；
[0010](3)针对时频功率谱中每一个时间节拍的瞬时频谱，构造概率密度函数；
[0011](4)根据构造的概率密度函数计算每一个时间节拍的瞬时香农熵，将所有时间节拍的瞬时香农熵连接到一起，构成瞬时香农熵曲线；并确定瞬时香农熵曲线中最小值所在位置；
[0012](5)根据瞬时香农熵曲线中最小值所在位置对时频功率谱进行重构：如果瞬时香农熵曲线中最小值所在位置位于时频功率谱的后半部分，则截取时频功率谱前半部分中部分序列，并将截取的部分序列置于截取后的时频功率谱的后端形成重构时频功率谱；如果瞬时香农熵曲线中最小值所在位置位于时频功率谱的前半部分，则截取时频功率谱后半部
分中部分序列，并将截取的部分序列置于截取后的时频功率谱的前端形成重构时频功率谱；
[0013](6)以重构时频功率谱作为输入，通过故障诊断模型进行故障等级分类，得到推进器故障程度，所述故障诊断模型通过水下推进器故障试验建立。
[0014]进一步的，至少采集水下机器人的两种动态信号，对每种动态信号进行时频功率谱进行重构，得到多个重构时频功率谱，并进行融合，得到三维时频功率谱矩阵，以三维时频功率谱矩阵作为输入，通过三位卷积神经网络故障诊断模型进行故障等级分类，得到推进器故障程度，所述三位卷积神经网络故障诊断模型通过水下推进器故障试验建立。
[0015]进一步的，得到多个重构时频功率谱TF
R1
(m,n)、TF
R2
(m,n)、
…
、TF
RQ
(m,n)，以TF
R1
(m,n)为第一层、TF
R2
(m,n)为第二层、
…
、TF
RQ
(m,n)为第Q层融合成三维时频功率谱矩阵TFC(m,n,q)。
[0016]进一步的，其特征在于，所述步骤(2)中时频功率谱TF(m，n)的计算公式为：
[0017][0018]其中，z(n)为时间序列X(k)的解析信号，
[0019]X(k)＝{x(k)，k＝1，2，...，L}，z*(n)为z(n)的复共轭，|
·
|是绝对值函数，n为时间序列序号，m为频率序列序号，h(k)和g(l)分别表示频率方向和时间方向的平滑窗口函数，N1表示为频率序列箱数，j表示虚数，l∈[
‑
(M
‑
1)，(M
‑
1)]，M
max
≤N1/5，M取整数。
[0020]所述步骤(3)中概率密度p(m,n)的构造公式为：
[0021][0022]所述步骤(4)中瞬时香农熵H(n)的计算公式为：
[0023][0024]进一步的，所述步骤(4)中对时频功率谱进行重构具体内容为：确定瞬时香农熵曲线中最小值H
min
所在位置i
min
，根据位置i
min
对时频功率谱TF(m,n)进行重构；
[0025]若位置i
min
满足条件i
min
＞L/2，则截取时频功率谱TF(m,n)中第1列至第i
min
‑
L/2列的时频功率谱再将截取的时频功率谱置于截取后的时频功率谱的后端形成重构时频功率谱：
[0026][0027]若位置i
min
不满足条件i
min
≤L/2，则截取时频功率谱TF(m,n)中第i
min
+L/2列至第L
列的时频功率谱再将截取的时频功率谱置于截取后的时频功率谱的前端形成重构时频功率谱：
[0028][0029]进一步的，所述故障诊断模型建立的具体内容为：对水下推进器进行已知故障程度等级的故障试验，获取对应故障程度等级的水下机器人的动态信号；对获取的动态信号进行时频功率谱重构，以重构时频功率谱作为故障样本，作为二维卷积神经网络的输入，以故障程度等级作为二维卷积神经网络的输出，采用故障样本训练二维卷积神经网络参数，训练结束后，得到二维卷积神经网络的故障诊断模型。
[0030]进一步的，所述三维卷积神经网络故障诊断模型建立的具体内容为：对水下推进器进行已知故障程度等级的故障试验，获取对应故障程度等级的水下机器人的至少两种动态信号；对获取的动态信号进行时频功率谱重构及融合得到三维时频功率谱矩阵，以三维时频功率谱矩阵作为故障样本，作为三维卷积神经网络的输入，以故障程度等级作为三维卷积神经网络的输出，采用故障样本训练三位维卷积神经网络参数，训练结束后，得到三维卷积神经网络的故障诊断模型。
[0031]本专利技术还采用一种基于时频功率谱重构的水下推进器故障诊断系统，包括采集模块，用于采集水下机器人的动态信号，获取动态信号的时域序列；
[0032]信号处理模块：用于基于平滑伪维格纳
‑
威利分布算法，计算出时间序列的时频功率谱；针对时频功率谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频功率谱重构的水下推进器故障诊断方法，其特征在于，包括以下步骤：(1)采集水下机器人的动态信号，获取动态信号的时间序列；(2)基于平滑伪维格纳
‑
威利分布算法，计算出时间序列的时频功率谱；(3)针对时频功率谱中每一个时间节拍的瞬时频谱，构造概率密度函数；(4)根据构造的概率密度函数计算每一个时间节拍的瞬时香农熵，将所有时间节拍的瞬时香农熵连接到一起，构成瞬时香农熵曲线；并确定瞬时香农熵曲线中最小值所在位置；(5)根据瞬时香农熵曲线中最小值所在位置对时频功率谱进行重构：如果瞬时香农熵曲线中最小值所在位置位于时频功率谱的后半部分，则截取时频功率谱前半部分中部分序列，并将截取的部分序列置于截取后的时频功率谱的后端形成重构时频功率谱；如果瞬时香农熵曲线中最小值所在位置位于时频功率谱的前半部分，则截取时频功率谱后半部分中部分序列，并将截取的部分序列置于截取后的时频功率谱的前端形成重构时频功率谱；(6)以重构时频功率谱作为输入，通过故障诊断模型进行故障等级分类，得到推进器故障程度，所述故障诊断模型通过水下推进器故障试验建立。2.根据权利要求1所述的水下推进器故障诊断方法，其特征在于，至少采集水下机器人的两种动态信号，对每种动态信号进行时频功率谱进行重构，得到多个重构时频功率谱，并进行融合，得到三维时频功率谱矩阵，以三维时频功率谱矩阵作为输入，通过三位卷积神经网络故障诊断模型进行故障等级分类，得到推进器故障程度，所述三位卷积神经网络故障诊断模型通过水下推进器故障试验建立。3.根据权利要求2所述的水下推进器故障诊断方法，其特征在于，得到多个重构时频功率谱TF
R1
(m,n)、TF
R2
(m,n)、
…
、TF
RQ
(m,n)，以TF
R1
(m,n)为第一层、TF
R2
(m,n)为第二层、
…
、TF
RQ
(m,n)为第Q层融合成三维时频功率谱矩阵TFC(m,n,q)。4.根据权利要求1或2或3所述的水下推进器故障诊断方法，其特征在于，所述步骤(2)中时频功率谱TF(m，n)的计算公式为：其中，z(n)为时间序列X(k)的解析信号，X(k)＝{x(k)，k＝1，2，...，L}，z*(n)为z(n)的复共轭，|
·
|是绝对值函数，n为时间序列序号，m为频率序列序号，h(k)和g(l)分别表示频率方向和时间方向的平滑窗口函数，N1表示为频率序列箱数，j表示虚数，l∈[
‑
(M
‑
1)，(M
‑
1)]，M
max
≤N1/5，M取整数。5.根据权利要求4所述的水下推进器故障诊断方法，其特征在于，所述步骤(3)中概率密度p(m,n)的构造公式为：6.根据权利要求5所述的水下推进器故障诊断方法，其特征在于，所述步骤(4)中瞬时香农熵H(n)的计算公式为：7.根据权利要求1或2或3所述的水下推进器故障诊断方法，其特征...

【专利技术属性】
技术研发人员：叶福民，颜静，殷宝吉，徐文星，辛伯彧，陆杰，张叶磊，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：