一种基于改进动态灰色预测的水下滑翔机故障诊断方法

1.本发明涉及一种水下滑翔机的故障诊断方法，具体说是一种基于改进的动态灰色预测的水下滑翔机多传感器融合故障诊断方法。


背景技术：

2.水下滑翔机的概念最早由stommel(1989)提出，并引起了广泛的关注。一般来说，这种滑翔机被设计成没有外部推进的带翼水下航行器。该滑翔机通过调节可动内部滑块的位置来改变姿态，通过调节净浮力来实现上下运动。此外，施加在机翼上的水动力使滑翔机向前移动。由于水下滑翔机能耗低，能够执行远距离和长时间任务的特性，它们被应用在海洋科学、油田探索、水下油气管道的长期监测等海洋工业领域，也被称为“远洋水下滑翔机”。在设计上，这类航行器面临着诸如非线性建模、路径规划和避障、可靠的控制器设计和风险评估等方面的挑战。
3.水下滑翔机的控制系统作为航行器系统工程中的重要子系统，在执行海洋资源探索、海洋生物追踪、海洋剖面数据收集、潜艇探测等任务时，发挥着重大的作用。而保证航行器高性能完成这些水下任务的前提，是航行器的控制系统必须能够正常可靠地运行。然而水下环境的恶劣和部件的老化致使航行器会不可避免地出现各种故障。如果这些故障不能被及时处理，则航行器的控制性能将会显著下降，甚至带来不可估量的损失。因此，研究水下滑翔机的故障识别、隔离与容错控制是至关重要的。


技术实现要素：

4.要解决的技术问题
5.本发明的目的是克服现有技术的缺点和不足，提供一种基于改进动态灰色预测的水下滑翔机多传感器融合故障诊断方法，通过该方法可以实现水下滑翔机在滑翔过程中的实时故障诊断。
6.技术方案
7.一种基于改进动态灰色预测的水下滑翔机故障诊断方法，其特征在于包括故障发现阶段和故障辨识阶段：
8.s1：在故障发现阶段，首先对原始数据进行野值剔除的预处理来保证之后数据预测的准确性，之后将处理后的无规律的数据进行加和，得到有一定规律的生成数列后进行建模，建立的灰色预测模型获得一系列数据后再进行累减还原便可以得到原始数据的预测值，通过对比获得的原始数据预测值与实际值之间的误差大小来对系统进行诊断预测，最后通过对两个同类传感器的预测误差进行对比，若其中一个传感器的预测误差在阈值设定范围内，另一个传感器预测误差超过设定阈值要求，便可以排除驱动器故障的可能性，准确定位出传感器出现故障；
9.s2：在故障辨识阶段，首先对传感器的故障模式进行建模，定义失效故障、突跳故障、恒偏差故障和恒增益故障四种故障模式，之后通过不同故障情况下预测误差图中所表
现出的特征来辨识故障的种类。
10.本发明进一步的技术方案：s1包括以下步骤：
11.步骤1：对原始数据进行野值剔除预处理，得到预测前所需要的原始数据序列x
(0)
；
12.步骤2：将步骤1中的原始数列进行一阶累加后生成新的累加数列x
(1)
；
13.步骤3：在步骤2中一阶累加数列的基础上，求取x
(1)
的灰导数d(k)；
14.步骤4：对步骤2中的x
(1)
求取紧邻权值z
(1)
(k)作为白化背景值；
15.步骤5：建立gm(1,1)灰微分方程：d(k)+α((ux
(1)
(k)+(1-u)x
(1)
(k-1))＝μ；
16.步骤6：为求解α和μ，令为待估向量，采用最小二乘法求解；
17.步骤7：将求得的gm(1,1)灰微分方程中灰导数的时刻视为连续的时间变量t，将其白化为白微分方程并求解，求解时使用令预测值与实际值离差平方和最小的点作为微分方程的初始值，之后通过累减操作得到预测数据
18.步骤8：在得到k+1时刻的预测值后，将原始数列中的x
(0)
(1)去掉，加入k+1时刻的实际数据x
(0)
(k+1)，构成新的原始数列通过此方法不断地更新预测模型，从而提高预测的精度，并且实现实时的动态预测；
19.步骤9：分别计算两个同类冗余传感器预测值与实际值的误差，通过对比两个冗余传感器的预测误差判断传感器是否出现故障。
20.本发明进一步的技术方案：令y
out
作为传感器模型故障时的实际输出，y
in
作为传感器模型正常时输出的信息；s2四种故障模式如下：
21.所述传感器失效：
22.y
out
＝0
23.所述传感器突跳：
24.y
out
＝v
25.其中，v为突变量；
26.所述传感器恒增益变化：
27.y
out
(k+1)＝βy
out
(k)
28.其中，β为恒增益系数，k为时刻；
29.所述传感器恒偏差变化：
30.y
out
＝y
in
+δ
31.其中，δ为恒偏差值。
32.本发明进一步的技术方案：s2通过不同故障情况下预测误差图中所表现出的特征来辨识故障的种类，具体如下：
33.(1)失效故障发生时预测误差图的特征：
34.预测误差图在故障发生时刻产生阶跃性跳变并在故障期间维持该跳变值形成跳跃平台；在故障恢复后预测误差快速下降并在此过程中产生短暂的反向增大现象，之后预测误差恢复正常范围；
35.(2)突跳故障发生时预测误差图的特征：
36.预测误差图在故障发生时刻误差快速变大至一个相对稳定的平台值并在故障期间维持该平台值形成跳跃平台；在故障恢复后预测误差快速下降并在此过程中产生短暂的
反向增大现象，之后预测误差恢复正常范围；
37.(3)恒增益变化发生时预测误差图的特征：
38.预测误差图在故障发生时刻误差快速变大并在此过程中产生短暂的反向增大现象，经过短暂的快速变化后，预测值在短时间内重新跟上实际值并稳定在正常误差范围内，当故障恢复时，产生故障发生时相同的现象；
39.(4)恒偏差变化发生时预测误差图的特征：
40.预测误差图在故障发生时刻误差以指数形式不断快速增大，当故障恢复后，预测误差开始快速下降并在过零点后出现反向增大现象，之后恢复正常范围。
41.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
42.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
43.一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。
44.有益效果
45.本发明提出的一种基于改进动态灰色预测的水下滑翔机故障诊断方法，针对水下滑翔机的传感器故障，采用改进后的动态灰色预测方法对传感器数据进行在线预测，通过分析预测值与实际值的误差大小来判断传感器是否发生故障，以便及时发现故障并采取相应的应急措施。该方法可以在故障发生初期及时进行故障报警，在最大程度上降低传感器故障带来的各种损失。与现有技术相比，所带来的有益效果是：
46.1、基于数据驱动的传感器故障诊断方法，大都假设在研究过程中驱动器不发生故障，从而只考虑传感器故障这一种可能性，本发明通过对同类冗余传感器的预测误差进行综合分析，可以在不假设驱动器全程正常运行的条件下，对传感器故障进行准确定位。
47.2、相较于经典的灰色预测方法，本发明做了三部分的优化：
48.1)针对水下滑翔机对传感器数据进行实时预测的需求，本发明通过用最新时刻的实际数据不断更新预测所需的原始数据集实现了对传感器数据的实时动态预测。
49.2)经典灰色预测在求解灰微分方程时一般使用原始数据的第一个数据或者最后一个数据作为微分方程的初始值来求解，本发明通过建立预测值与实际值的离差平方和方程，求解出使得离差平方和最小的初始值，从而提高预测的精度。
50.3)经典灰色预测一般选择系数u＝0.5的紧邻权值作为白化背景值，而这种情况下并不一定使得离差平方和最小，本发明首先令u＝0，求解出该条件下的离差平方和，之后令u＝u+δu使u在[0,1]范围内遍历取值，选取使得离差平方和最小的u来生成白化背景值，进一步提高预测的精度，具体实施流程图见附图2。
附图说明
[0051]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0052]
图1改进动态灰色预测方法流程图；
[0053]
图2紧邻权值系数选取改进流程图；
[0054]
图3传感器失效故障预测误差特征图；
[0055]
图4传感器突跳故障预测误差特征图；
[0056]
图5传感器恒偏差故障预测误差特征图；
[0057]
图6传感器恒增益故障预测误差特征图；
[0058]
图7传感器恒偏差故障曲线图。
具体实施方式
[0059]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0060]
本发明为一种基于改进动态灰色预测的水下滑翔机多传感器融合故障诊断方法，下面详细描述本发明的具体实施方式，如图1所示，步骤如下：
[0061]
步骤1：对原始数据进行野值剔除预处理，得到预测前所需要的原始数据序列x
(0)
。
[0062]
具体实施方式：
[0063]
针对步骤1中的内容，将该步进行详细叙述如下：
[0064]
步骤1-1：对原始数据进行野值剔除预处理，得到预测前所需要的原始数据序列为：
[0065]
x
(0)
＝(x
(0)
(1),x
(0)
(2),x
(0)
(3),...,x
(0)
(n))
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0066]
步骤2：将步骤1中的原始数列进行一阶累加后生成新的累加数列x
(1)
。
[0067]
具体实施方式：
[0068]
针对步骤2中的内容，将该步进行详细叙述如下：
[0069]
步骤2-1：将步骤1中的原始数列进行一阶累加后生成新的序列为：
[0070]
x
(1)
＝(x
(1)
(1),x
(1)
(2),x
(1)
(3),...,x
(1)
(n))
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0071]
其中：
[0072][0073]
步骤3：在步骤2中一阶累加数列的基础上，求取x
(1)
的灰导数d(k)。
[0074]
具体实施方式：
[0075]
针对步骤3中的内容，将该步进行详细叙述如下：
[0076]
步骤3-1：在步骤2中一阶累加数列的基础上，定义x
(1)
的灰导数为：
[0077]
d(k)＝x
(0)
(k)＝x
(1)
(k)-x
(1)
(k-1)
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0078]
步骤4：为了给灰微分方程的建立打下基础并使其更加健壮，对步骤2中的x
(1)
求取紧邻权值z
(1)
(k)作为白化背景值。
[0079]
具体实施方式：
[0080]
针对步骤4中的内容，将该步进行详细叙述如下：
[0081]
步骤4-1：对式(2)中的一阶累加生成数列求取紧邻权值作为白化背景值：
[0082]z(1)
(k)＝ux
(1)
(k)+(1-u)x
(1)
(k-1),k＝2,3,...,n
ꢀꢀꢀꢀꢀꢀ
(5)
[0083]
步骤5：建立gm(1,1)灰微分方程：d(k)+α((ux
(1)
(k)+(1-u)x
(1)
(k-1))＝μ。
[0084]
具体实施方式：
[0085]
针对步骤5中的内容，将该步进行详细叙述如下：
[0086]
步骤5-1：定义灰微分方程为：
[0087]
d(k)+α((ux
(1)
(k)+(1-u)x
(1)
(k-1))＝μ
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0088]
其中，α为发展灰度，反应x
(0)
和x
(1)
是如何变化的；μ为内生控制灰度(灰作用量)，反应数据之前的变化关系。
[0089]
步骤6：为求解α和μ，令为待估向量，采用最小二乘法求解。
[0090]
具体实施方式：
[0091]
针对步骤6中的内容，将该步进行详细叙述如下：
[0092]
步骤6-1：将时刻表k＝2,3,4,
…
,n代入式(6)中有：
[0093][0094]
步骤6-2：引入向量矩阵记号：
[0095][0096][0097][0098]
步骤6-3：在上式基础上，gm(1，1)可表示为：
[0099]
y＝bx
ꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0100]
步骤6-4：由最小二乘法可得：
[0101][0102]
步骤7：将求得的gm(1,1)灰微分方程中灰导数的时刻视为连续的时间变量t，将其白化为白微分方程并求解，求解时使用令预测值与实际值离差平方和最小的点作为微分方程的初始值，并且选取使离差平方和最小的生成系数生成紧邻权值数列。之后通过累减操作得到预测数据
[0103]
具体实施方式：
[0104]
针对步骤7中的内容，将该步进行详细叙述如下：
[0105]
步骤7-1：将式(6)离散化后，得到：
[0106]
x
(1)
(k)-x
(1)
(k-1)+αz
(1)
(k)＝μ,k＝2,3,...,n
ꢀꢀꢀꢀꢀꢀꢀ
(13)
[0107]
步骤7-2：首先令式(5)中的u＝0，代入上式(13)中得到：
[0108]
x
(1)
(k)-x
(1)
(k-1)+αx
(1)
(k-1)＝μ,k＝2,3,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0109]
步骤7-3：利用最小二乘法求解上式(14)，即：
[0110][0111]
其中：
[0112][0113]
步骤7-4：由式(15)计算出后，按照最小二乘法原理，选择的初值应该满足的条件是预测值与实际值的离差平方和取得最小值。
[0114]
将下式：
[0115][0116]
其中：c为微分方程初始值；为一阶累加序列的预测序列；α为发展灰度，反应x
(0)
和x
(1)
是如何变化的；μ为内生控制灰度(灰作用量)，反应数据之前的变化关系。
[0117]
进行累减操作，得到原始序列的估计方程：
[0118][0119]
令c＝c(1-e
α
)，将c分别带入(17)和(18)式得：
[0120][0121][0122]
设：
[0123][0124]
其中：s为离差平方和；为预测值；x
(0)
(k)为实际值。
[0125]
步骤7-5：将式(20)代入式(21)中得到：
[0126][0127]
当时，s取得最小值，此时模型取得最高的预测精度，得到：
[0128][0129]
步骤7-6：之后，利用式(22)计算在紧邻权值生成系数u＝0时的预测值与实际值的离差平方和，然后在此基础上加一个很小的量δu＞0，即不断增大u的值，直到其等于1，可得到在白化背景值生成系数取值不同时预测值与实际值的离差平方和，取其中预测值与实际值的离差平方和最小时的值作为背景值的生成系数，可以保证此时的预测精度最高。
[0130]
步骤8：在得到k+1时刻的预测值后，将原始数列中的x
(0)
(1)去掉，加入k+1时刻的实际数据x
(0)
(k+1)，构成新的原始数列通过此方法不断地更新预测模型，从而提高预测的精度，并且实现实时的动态预测。
[0131]
具体实施方式：
[0132]
针对步骤8中的内容，将该步进行详细叙述如下：
[0133]
步骤8-1：在得到k+1时刻的预测值后，将原始数列中的x
(0)
(1)去掉，加入k+1时刻的实际数据x
(0)
(k+1)，构成新的原始数列：
[0134][0135]
通过此方法不断地更新预测模型，从而提高预测的精度，并且实现实时的动态预测。
[0136]
步骤9：分别计算两个同类冗余传感器预测值与实际值的误差，通过对比两个冗余传感器的预测误差判断传感器是否出现故障。
[0137]
具体实施方式：
[0138]
针对步骤9中的内容，将该步进行详细叙述如下：
[0139]
步骤9-1：在两冗余传感器的预测误差图中，当其中一号传感器的预测误差超过了故障阈值，而二号传感器的预测误差没有超过故障阈值时，可以通过综合对比分析得出一号传感器出现故障，当一号传感器与二号传感器的预测误差在同一时刻超过故障阈值时，可排除传感器故障因素，将故障定位到驱动器上。
[0140]
步骤10：对传感器可能出现的四种故障模式进行建模，通过分析不同故障模式下预测误差图的相关特性辨识传感器的具体故障类型。
[0141]
具体实施方式：
[0142]
针对步骤10中的内容，将该步进行详细叙述如下：
[0143]
步骤10-1：针对传感器可能出现的四种故障，对其建模如下：
[0144]
(1)传感器失效：指的是传感器正常工作一段时间后完全没有输出，失去所有功能。当用于建立模型时，定义为0输出。令y
out
作为传感器模型故障时的实际输出，y
in
作为传感器模型正常时输出的信息。则：传感器的失效模型为：
[0145]yout
＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0146]
(2)传感器突跳：指的是传感器数据一直正常，但在某一时刻(故障时刻)数据突然突变到某一定值，即传感器突跳模型为：
[0147]yout
＝v
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0148]
(3)传感器恒增益变化：指的是传感器数据一直正常，但在某一时刻(故障时刻)数据按照一定的比例变化，即：传感器恒增益模型为：
[0149]yout
(k+1)＝βy
out
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(27)
[0150]
其中，β为恒增益系数。
[0151]
(4)传感器恒偏差变化：指的是传感器数据一直正常，但在某一时刻(故障时刻)数据与之前正常数据存在一定的恒偏差，即：
[0152]yout
＝y
in
+δ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(28)
[0153]
其中，δ为恒偏差值。
[0154]
步骤10-2：通过提取不同故障模式下的预测误差图的相关特征，可以区分不同的故障模式：
[0155]
(5)失效故障发生时预测误差图的特征：
[0156]
如附图3所示，预测误差图在故障发生时刻产生阶跃性跳变并在故障期间维持该跳变值形成跳跃平台；在故障恢复后预测误差快速下降并在此过程中产生短暂的反向增大现象，之后预测误差恢复正常范围。
[0157]
(6)突跳故障发生时预测误差图的特征：
[0158]
如附图4所示，预测误差图在故障发生时刻误差快速变大至一个相对稳定的平台值并在故障期间维持该平台值形成跳跃平台；在故障恢复后预测误差快速下降并在此过程中产生短暂的反向增大现象，之后预测误差恢复正常范围。
[0159]
(7)恒增益变化发生时预测误差图的特征：
[0160]
如附图5所示，预测误差图在故障发生时刻误差快速变大并在此过程中产生短暂的反向增大现象，经过短暂的快速变化后，预测值在短时间内重新跟上实际值并稳定在正常误差范围内，当故障恢复时，产生故障发生时相同的现象。
[0161]
(8)恒偏差变化发生时预测误差图的特征：
[0162]
如附图6所示，预测误差图在故障发生时刻误差以指数形式不断快速增大，当故障恢复后，预测误差开始快速下降并在过零点后出现反向增大现象，之后恢复正常范围。
[0163]
仿真实例
[0164]
下面以深度传感器数据对上述发明做仿真验证，本仿真针对的水下滑翔机具有两个深度传感器，可以综合两传感器的真实数据和预测数据准确定位传感器故障。
[0165]
此处以步骤10中四种故障模式中的恒偏差故障为例，在水下滑翔机运行的1000s-1500s区间内，对1号深度传感器给定一个50米的偏差值，1500s后恢复正常；2号深度传感器数据始终保持正常。得到两传感器的仿真结果如附图7所示。
[0166]
从附图7中可以看出，在水下滑翔机运行到1000s时，因预测曲线追踪真实故障曲线而导致残差图中在1000s和1500s附近出现快速增长的残差点，恒偏差故障产生的异常残差点仅分步于故障开始和结束的小部分区间内，未产生稳定平台，同时2号深度传感器残差值始终稳定在阈值允许范围内，可以排除驱动器故障的干扰，判断出1号深度传感器在1000s-1500s这段时间内发生了恒偏差故障，2号深度传感器全程工作正常。在故障刚发生时，通过对残差数据的监测，水下滑翔机在第1020s时检测出预测残差超过所设定的安全阈值，并在之后的连续10s都维持这一状态，可以做出深度传感器在1020s这一时刻出现故障
的判断，该时刻与实际发生故障的时刻间隔20s，可以实现在故障发生的60s内检出故障。
[0167]
由上述仿真结果来看，在水下滑翔机两个深度传感器运行正常的时间内，也就是不对深度传感器注入故障的时间内，1号深度传感器和2号深度传感器的灰色预测残差均小于1.6m，所以可以将灰色预测针对两个深度传感器的阈值均设定为1.6m，即ε
deep1
＝ε
deep2
＝1.6m。另外，从仿真结果来看，利用改进的灰色预测模型可以在故障刚发生的60s内准确地诊断出水下滑翔机深度传感器的故障，预测结果比较理想。
[0168]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。