一种AUV实时风险评估系统及方法

本发明涉及自主水下潜器，具体涉及一种auv实时风险评估系统及方法。

背景技术：

1、配备内置计算机系统的auv（自主式水下潜器）具有在水下独立工作的能力，其续航时间长、效率高、测量范围广，在海洋科考、海洋资源勘探、环境监测和军事等领域有着广泛的应用。在最近的研究中，auv的运营转向极地、岩石海岸、大陆冰架下等非良性环境，然而与开放水域相比，在如此极端的环境下运行，不可避免地会对auv本身和现场运营团队构成更高的风险。例如海冰在auv回收或运行过程中造成碰撞风险；此外，海冰可能会损坏天线或螺旋桨叶片等部件，或使auv壳体破裂并导致泄漏；auv通信性能还会受到冰浓度和厚度的影响，因此auv在冰层下接收信号的能力降低，通信不畅又会增加auv定位的难度。auv的可靠性和安全性面临严重挑战，相关运营风险也大幅增加。由此可见，对auv进行有效的风险评估，进而确保auv的安全至关重要。

2、目前，针对auv的风险评估主要依赖于基于历史数据和专家经验在auv任务前或任务后将auv风险量化，并给出合理故障预防和维修建议，利用有限资源达到有效减少风险的目的。但auv风险具有动态性、耦合性、相关性和冗余性的特征，对其风险的评估存在不同的要求和条件。此外，尽管风险评估已在车辆工程、航空航天、医疗、石油等领域得到了广泛应用，但针对auv的风险评估仍然较少，同时缺乏auv运行全过程的实时风险评估系统。

3、因此，现需要一种针对auv的实时风险评估系统及方法。

技术实现思路

1、本发明的主要目的在于提供一种auv实时风险评估系统及方法，以解决现有技术中不能进行auv实时风险评估的问题。

2、为实现上述目的，本发明提供了一种auv实时风险评估系统，包括：auv部件、auv机载信息监测系统、auv机载风险评估系统、岸基风险评估系统和母船舰载风险评估系统；auv机载信息监测系统采集auv部件的运行数据，并将数据上传到auv机载风险评估系统、岸基风险评估系统和母船舰载风险评估系统，进行风险评估。

3、进一步地，auv机载信息监测系统包括：环境感知系统信息监测模块、导航与定位系统信息监测模块、应急系统信息监测模块、电池系统信息监测模块、通讯系统信息监测模块和推进与操纵系统信息监测模块。

4、进一步地，auv机载风险评估系统包括：机载通信单元、机载控制单元、机载数据存储和处理单元和物联网设备；其中auv 机载信息监测系统将数据传递到机载数据存储和处理单元，机载数据存储和处理单元与机载通信单元和物联网设备连接，以实现数据传递，物联网设备和机载通信单元连接，机载控制单元与物联网设备和机载通信单元连接。

5、进一步地，岸基风险评估系统包括：岸基数据存储处理单元、岸基服务器、显示大屏、岸基维修决策单元和岸基通信系统；岸基数据存储处理单元用于采集、存储和初步处理来自auv和母船的数据；岸基服务器与岸基数据存储单元连接，整合和分析来自数据存储单元的数据；显示大屏与岸基服务器和岸基维修决策单元相连；岸基维修决策单元与岸基服务器、岸基通信系统相连；岸基通信系统与岸基服务器相连，岸基服务器通过岸基通信系统向母船和auv 发送指令，并接收auv 状态数据。

6、进一步地，母船舰载风险评估系统包括：舰载通信单元、舰载服务器、船载控制系统、物联网设备和舰载数据存储处理单元；载服务器连接舰载通信单元，以便与外部通信，同时连接到舰载数据存储处理单元，以获取和存储数据；舰载数据存储处理单元与舰载服务器、船载控制系统和物联网设备连接；船载控制系统与舰载服务器和数据存储单元交换数据，并与物联网设备进行通信。

7、本发明还提供一种auv实时风险评估方法，具体包括如下步骤：

8、s1，通过auv 机载信息监测系统获取auv部件的状态数据、位置和导航数据和环境数据。

9、s2，通过岸基、舰载和机载数据处理和存储单元对auv机载信息监测系统收集到的原始数据进行清洗、降噪、校正和标准化预处理操作。

10、s3，基于云模型和cbn算法建立auv 风险评估模型，对auv 实时状态进行评估和预警。

11、进一步地，步骤s3中云模型的建模过程具体包括如下步骤：

12、s31.1，依据auv机载信息监测系统采集的数据，构建对应因素论域；

13、其中，代表监测数据。

14、s31.2，采用正向云发生器算法，获得云滴的分布及其在论域空间中的位置，同时得到每个云滴所代表的概念的隶属度。

15、进一步地，步骤s31.2具体包括如下步骤：

16、s31.2.1，生成期望值为，方差为的正态随机数，记作。

17、s31.2.2，生成期望值为，方差为 的一个的正态随机数，记作。

18、s31.2.3，计算该云滴的隶属度。

19、s31.2.4，生成的即为云滴论域空间中的位置。

20、s31.2.5，重复s3.2.1- s3.2.5，直到产生n个云滴后停止。

21、进一步地，步骤s3中cbn建模流程具体包括如下步骤：

22、s32.1，选取auv机载信息监测模块采集到的auv 实时状态数据和先验知识中的auv 历史故障数据作为copula 模型的样本数据。

23、s32.2，采用赤池信息量准则识别基于可视化网络bn中的风险因素的最佳拟合边缘分布函数，的值根据似然原理计算：

24、；

25、其中，x表示变量，k表示变量维度，p, q分别为与相关的分布参数；分别表示边缘分布函数的均值和方差。

26、s32.3，通过分部积分法将样本数据转换为每个风险因素在[0,1]范围内的均匀分布，实现copula 建模，copula 参数 作为变量依赖性度量，通过定义kendall 秩相关系数来确定；

27、；

28、；

29、分别表示两个不同的变量节点, 分别为与相关的分布参数。

30、s32.4，计算所有的相关性测度kendall 秩相关系数，其次再计算每个变量的kendall 秩相关系数之和，将对应最大kendall 秩相关系数之和的变量记作第一根节点，记为，同时对kendall 秩相关系数过小的变量予以剔除，将剩余变量组成子节点和根节点组合在一起，再计算剩下变量的kendall 秩相关系数之和，找到第二根节点，记为，重复步骤s32.3，直至搭建出copula 结构。

31、每个变量的kendall秩相关系数之和的计算公式：

32、。

33、s32.5，将步骤s32.4 中建立的copula结构作为贝叶斯网络的dag 结构，在网络结构的基础上根据极大似然估计法计算各变量的条件概率表，将条件概率表代入贝叶斯网络模型，完成cbn模型的构建。

34、进一步地，步骤s32.5具体包括如下步骤：

35、s32.5.1，在贝叶斯网络节点中变量通常为离散变量，设，其中分别代表贝叶斯网络节点，分别代表贝叶斯网络节点概率的取值，则似然函数写为：

36、 。

37、式中：；其中，记录了样本数据中发生的次数，代表极大似然估计的参数；代表样本数据的集合。

38、s32.5.2，通过拉格朗日乘数法算出的极大似然估计为：

39、；

40、采用kendall秩相关系数计算2个节点之间的相关性，再根据事件之间的因果逻辑，判断各个因素间的有向边方向，引入先验知识，如auv 历史故障数据和专家知识，将各节点的分布函数输入dag中，完成cbn 模型构建。

41、本发明具有如下有益效果：

42、本发明基于多传感器和物联网技术，采集auv 布放、下潜、作业、上浮和回收全任务剖面的方位、设备性能、环境数据。利用云模型实现auv 水下环境和系统组件的不确定性建模，有助于对auv 系统和任务的风险进行更为全面细致的考虑。这有助于提高风险评估的准确性，并为执行合理的决策和采取风险管理措施提供更全面的信息。利用兼具copula函数和传统贝叶斯网络优点的copula-贝叶斯网络模型，在考虑风险因素之间复杂关系的同时，有效运用概率推理和网络分析，提高对auv系统风险的全面理解，从而准确合理地评估auv 全任务剖面的风险。并持续实时输出auv 风险评估结果和评估报告，为auv 全任务剖面的风险评估提供信息化支撑，具有全面性、实时性和经济性，显著提升了auv 运营管理的效率。