基于改進(jìn)SVDD方法的AUV推進(jìn)器故障診斷技術(shù)研究.pdf

1、隨著人類海洋開發(fā)戰(zhàn)略的空前拓展，水下機(jī)器人技術(shù)作為人類進(jìn)行海洋領(lǐng)域探索進(jìn)程中最重要的手段，已然受到人們的重視并得到快速發(fā)展。自主式水下機(jī)器人(Autonomous Underwater Vehicle，AUV)無(wú)人無(wú)纜工作在復(fù)雜海洋環(huán)境中，安全性與可靠性是其邁向?qū)嵱没^(guò)程中的重要前提。作為AUV工作負(fù)荷最重的功能部件，推進(jìn)器成為了AUV最常見也是最重要的故障源。結(jié)合AUV所工作的環(huán)境及AUV本身強(qiáng)非線性系統(tǒng)的特點(diǎn)，研究AUV推進(jìn)器故障診

2、斷技術(shù)，對(duì)于提高AUV安全性和智能化水平具有重要研究意義和實(shí)用價(jià)值。
　　本文在AUV實(shí)驗(yàn)平臺(tái)系統(tǒng)設(shè)計(jì)及推進(jìn)器系統(tǒng)研究的基礎(chǔ)上，針對(duì)AUV推進(jìn)器故障診斷技術(shù)中存在的樣本不均衡性、不完備性及故障辨識(shí)問(wèn)題，建立推進(jìn)器故障分類模型，并研究分類模型參數(shù)優(yōu)化以及故障辨識(shí)技術(shù)。
　　研究AUV載體技術(shù)及推進(jìn)系統(tǒng)。為了能夠?qū)崿F(xiàn)對(duì)AUV推進(jìn)器的狀態(tài)監(jiān)測(cè)與智能診斷，并驗(yàn)證所提出方法的可行性，本文設(shè)計(jì)AUV主控制系統(tǒng)及推進(jìn)系統(tǒng)，研制水下機(jī)器人實(shí)

3、驗(yàn)平臺(tái)，并基于水池實(shí)驗(yàn)數(shù)據(jù)建立AUV推進(jìn)器動(dòng)力學(xué)模型。
　　研究AUV推進(jìn)器故障分類方法。由于海洋環(huán)境中存在海流等隨機(jī)干擾，且 AUV自身具有強(qiáng)非線性與大時(shí)延的特點(diǎn)，難以對(duì)AUV建立精確的數(shù)學(xué)模型，使得傳統(tǒng)的基于解析模型的方法在AUV推進(jìn)器故障診斷領(lǐng)域受到了很大的限制。針對(duì)該問(wèn)題，本文提出一種基于支持向量域描述算法（Support Vector Domain Description,SVDD）的AUV推進(jìn)器故障模式分類方法。該方法

4、針對(duì)AUV各故障模式下的歷史數(shù)據(jù)集，構(gòu)建最小封閉超球，建立 AUV推進(jìn)器故障分類模型。通過(guò)水池實(shí)驗(yàn)所得 AUV推進(jìn)器正常及不同程度出力故障數(shù)據(jù)的分類結(jié)果，驗(yàn)證SVDD故障分類方法的有效性。
　　研究 SVDD分類模型核參數(shù)優(yōu)化方法。由于核參數(shù)的介入，SVDD對(duì)數(shù)據(jù)描述的方式更加靈活，但從另一方面也使得 SVDD的分類性能依賴于其核參數(shù)的選擇。針對(duì)SVDD分類模型核參數(shù)優(yōu)化問(wèn)題，本文根據(jù)實(shí)驗(yàn)數(shù)據(jù)分析核參數(shù)對(duì)其分類性能的影響，提出一種

5、描述映射數(shù)據(jù)在高維空間分布形式及規(guī)律的方法，并根據(jù)最大熵原則進(jìn)行核參數(shù)的優(yōu)化測(cè)度，實(shí)現(xiàn)SVDD分類模型的核參數(shù)優(yōu)化，以提高SVDD模型的分類性能。針對(duì)水池實(shí)驗(yàn)條件下所得的多個(gè) SVDD分類模型，分別基于本文方法與傳統(tǒng)交叉驗(yàn)證方法對(duì)核參數(shù)進(jìn)行優(yōu)化，通過(guò)對(duì)比結(jié)果驗(yàn)證本文所提出核參數(shù)優(yōu)化方法的有效性。
　　研究基于 SVDD的故障辨識(shí)方法。由于故障實(shí)驗(yàn)所得數(shù)據(jù)的完備性有限，并且傳統(tǒng)的SVDD方法為單分類方法，本身不具有故障辨識(shí)能力。針對(duì)