嚴(yán)浙平,趙錦陽,李本銀

(哈爾濱工程大學(xué)自動化學(xué)院,哈爾濱 150001)

?

基于行為的UUV推進操縱系統(tǒng)異常辨識方法研究*

嚴(yán)浙平*,趙錦陽,李本銀

(哈爾濱工程大學(xué)自動化學(xué)院,哈爾濱 150001)

在感知系統(tǒng)正常工作情況下,從行為學(xué)的角度出發(fā),對UUV推進操縱系統(tǒng)異常進行辨識。根據(jù)UUV動力學(xué)方程設(shè)計滑模觀測器,與傳感器獲得的信息進行實時比較,監(jiān)測系統(tǒng)是否發(fā)生異常;當(dāng)推進操作系統(tǒng)發(fā)生異常時,根據(jù)根據(jù)傳感器實時獲得的UUV位姿速度信息和推進操縱系統(tǒng)空間分布特點,從辨識行為庫中匹配特定的辨識行為,實現(xiàn)對異常點的準(zhǔn)確定位,再按照設(shè)計的模糊規(guī)則得到推進操縱系統(tǒng)異常點的危害程度,以采取相應(yīng)的應(yīng)急措施。最后,結(jié)合UUV右主推及卡舵異常情況,對基于行為的推進操縱系統(tǒng)異常辨識、異常點定位及異常級別判定方法進行了仿真驗證。

無人水下航行器(UUV);推進操縱系統(tǒng);異常辨識;行為

我們的地球絕大部分是被海洋覆蓋的,而海洋擁有十分豐富的資源,UUV在開發(fā)利用海洋資源中可以扮演重要角色,在海洋管道的鋪設(shè)、海洋考察和數(shù)據(jù)采集、鉆井平臺的管理維護等都可以看到UUV的身影[1]。UUV高度智能化是發(fā)生趨勢,而自身的可靠性是其完成各種復(fù)雜任務(wù)的基礎(chǔ),這需要UUV對自身的運動狀態(tài)能夠?qū)崟r的監(jiān)測,避免發(fā)生不可挽回的后果[2]。在實際應(yīng)用中,UUV的推進操縱系統(tǒng)的故障發(fā)生率較高,并且推進操縱系統(tǒng)故障對UUV的運行狀態(tài)的影響往往是致命的,因此本文圍繞著推進操縱系統(tǒng)故障展開。

針對UUV推進系統(tǒng)異常的辯識方法國內(nèi)國外已進行較廣泛的研究。美國夏威夷大學(xué)研制的“ODIN”號水下機器人根據(jù)某推進器期望的輸出電壓與實際輸出電壓的殘差大小,則說明此推進器工作狀態(tài)是否異常[3],并采取應(yīng)對措施。國內(nèi)學(xué)者也有對UUV的推進器故障診斷進行了相關(guān)研究,張銘均等采用模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合的技術(shù)進行執(zhí)行機構(gòu)的狀態(tài)檢測,得到執(zhí)行機構(gòu)的工作狀態(tài)的優(yōu)劣程度[4]。朱大奇等人提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的故障辨識模型[5],根據(jù)水下機器人實際輸出與估計輸出間的誤差學(xué)習(xí)調(diào)整隱藏層與輸出層權(quán)矩陣,將兩個神經(jīng)網(wǎng)絡(luò)輸出的故障信息分別與設(shè)定的閾值相比較,來判斷執(zhí)行器故障或傳感器故障。上述文章所用的方法都是通過殘差來進行故障進行診斷,而本文受到行為學(xué)的啟發(fā),通過殘差的特點,匹配特殊的行為,實現(xiàn)故障點的定位以及故障危害程度的判定。在20世紀(jì)80年代后期,美國青年學(xué)者Brooks成功地制造出了第1個基于“感知-行為”模式的輪式機器人Allen[6-7]。UUV的行為整體可以分解成若干子行為,UUV的基本行為包括:定向航行行為、定速航行行為、目標(biāo)趨向行為、循跡航行行為、定高航行行為、定深航行行為等。一個狀態(tài)的出現(xiàn)是系統(tǒng)行為動作的結(jié)果,而狀態(tài)又描述了系統(tǒng)的行為。所以在UUV完成上述行為的過程可以通過位置狀態(tài)、速度狀態(tài)來進行描述。只有在推進操縱系統(tǒng)狀態(tài)良好的情況,上述行為才能得以準(zhǔn)確的實現(xiàn)。

文章研究的是一種欠驅(qū)動UUV系統(tǒng),UUV的速度信息可以通過傳感器實時獲取,UUV的縱傾和橫傾角度可以通過姿態(tài)傳感器實時獲得,由水聲定位系統(tǒng)可獲得UUV北向距離、東向距離信息[8,15]。文章主要提出被動式故障診斷和主動式故障診斷兩種診斷方式。在UUV工作狀態(tài)時,采取被動式故障診斷方式監(jiān)測UUV的行為是否發(fā)生異常,當(dāng)UUV的行為發(fā)生異常時,UUV根據(jù)異常行為的特點采取主動式故障診斷,采取特定的辨識行為,實現(xiàn)對異常點的準(zhǔn)確定位,并進行危害級別的判定,以此作為UUV采取應(yīng)急措施的依據(jù)。本文主要基于UUV的行為,對推進操縱系統(tǒng)進行異常辨識,該辨識過程主要分為3個階段:異常存在性辨識、異常點定位以及異常危害級別判定,對推進操縱系統(tǒng)異常辨識方法流程如圖1。下面對UUV執(zhí)行機構(gòu)的異常辨識的流程及方法進行詳細(xì)的論述,并作相應(yīng)的仿真驗證。

圖1 UUV推進操縱系統(tǒng)異常辨識方框圖

1 工作狀態(tài)下的被動式故障診斷策略

UUV在工作狀態(tài)下通過被動式故障診斷來實時監(jiān)測UUV位置姿態(tài)等信息,具體來說是由滑模觀測器得到推進操縱系統(tǒng)的工作狀態(tài)[9-11]。

1.1 滑模觀測器設(shè)計

由UUV六自由度運動方程易得出UUV系統(tǒng)動力學(xué)方程[7]:

(1)

圖2 UUV空間坐標(biāo)系[8]

式(1)進行變形整理可將UUV動態(tài)方程表示為下式:

(2)

(3)

定義非線性滑模觀測器如下:

(4)

Λ1=diag(λ11,λ12,…,λ16)Λ2=diag(λ21,λ22,…,λ26)

(5)

(6)

(7)

進一步可推得

(8)

1.2 基于滑模觀測器的異常行為辨識

y=x1+α(t-T)f(t)+v

(9)

式中T為異常發(fā)生時刻,α(·)為階躍函數(shù),當(dāng)t

K的取值視實際情況而定,K取得過小,則容易造成誤警,若K取得過大,則對異常的檢測靈敏度降低。

(10)

和N個系統(tǒng)輸出值:

{xi(k-N),xi(k-N+1),…,xi(k-1)}

(11)

檢驗?zāi)繕?biāo)函數(shù)為:

H0:me(k,N)=m(k,N)

(12)

H1:me(k,N)≠m(k,N)

(13)

構(gòu)造統(tǒng)計量如下式:

(14)

其中me(k,N),m(k,N),se(k,N),s(k,N)分別計算觀測值及系統(tǒng)輸出值的均值和方差。可以證明,當(dāng)H0成立時,U服從漸近正態(tài)分布。將系統(tǒng)置信度設(shè)為1-α,當(dāng)|U|>uα/2時,其中uα/2為上側(cè)分位數(shù),此時H1成立,可判定系統(tǒng)異常。若|U|

2 主動式故障診斷策略

2.1 UUV異常辨識行為制定

滑模觀測器輸出值與UUV當(dāng)前行為息息相關(guān),觀測值與UUV系統(tǒng)輸出值間的殘差ei大小會因當(dāng)前行為和外界擾動而有所差異,簡言之,對于相同UUV異常情況,UUV在執(zhí)行不同行為時,殘差大小不同,很可能引起誤警、漏警。同時垂直舵和左右推進器存在耦合關(guān)系,僅僅根據(jù)實時獲得的殘差不能準(zhǔn)確的定位出推進操縱系統(tǒng)的異常點和判定異常危害級別,主動式故障診斷策略由此提出。

為使UUV在進行異常點定位及異常危害級別辨識有一個共同的參考體系,文章提出設(shè)計辨識行為庫,對不同的辨識行為定義優(yōu)先級,按照一定順序進行異常辨識。當(dāng)滑模觀測器辨識出當(dāng)前狀態(tài)可能發(fā)生異常,UUV自主選擇辨識行為,目標(biāo)辨識行為狀態(tài)數(shù)據(jù)與系統(tǒng)實際行為狀態(tài)數(shù)據(jù)的偏差,以完成對自身的異常點定位及異常危害級別判定。當(dāng)通過滑模觀測器得出UUV當(dāng)前可能存在異常,實際辨識過程中可能僅僅通過一種辨識行為可能無法定位異常點,這需要多種辨識行為組合來完成異常點的定位和危害級別判定。

根據(jù)研究對象UUV特性,設(shè)計簡單辨識行為定向定深勻速航行,垂直舵滿舵下的定速定深航行等。以定向勻速直行為例,當(dāng)某推進器發(fā)生異常后,左右推進器產(chǎn)生差動力矩,而艏向反饋進行PID控制,垂直舵具有一定的補償作用,若舵產(chǎn)生的力矩足夠大,則仍可以保持航向,推進器與垂直舵耦合作用使得分析較復(fù)雜,無法通過簡單的辨識行為實現(xiàn)對異常點的準(zhǔn)確定位,下面對辨識行為進行定義。

(1)直接異常辨識行為:通過執(zhí)行單一異常辨識行為辨識故障是否發(fā)生或者進行故障的定位。例如取UUV異常存在性辨識時間窗K前一時刻的艏向的延長直線,UUV做定向定深航行行為。

(2)間接異常辨識行為:通過按順序執(zhí)行兩種或兩種以上的直接辨識行為實現(xiàn)對異常點的定位,通常情況下間接辨識行為是兩種或兩種以上直接辨識行為的組合。間接異常辨識行為可對推進器異常與垂直舵異常進行解耦合,對推進器進行異常辨識通常需采用間接異常辨識行為。

圖3 垂直舵卡右舵異常辨識過程

圖3所示的垂直舵卡左舵異常辨識過程,以0起始點開始,運動到1點發(fā)生異常,若干個時間窗后,在2點由觀測器得到UUV的推進操縱系統(tǒng)可能發(fā)生異常后,UUV自主選擇異常辨識行為,一定時間內(nèi),沿原方向進行定向定速定深航行行為,目標(biāo)軌跡如b所示,一定時間后,UUV運動到3處,可以得到UUV推進操縱系統(tǒng)確實發(fā)生異常,但無法確定是垂直舵還是推進器發(fā)生異常,在3點開始設(shè)計垂直舵左滿舵下的定深定速航行目標(biāo)軌跡如所示,實際運動軌跡如圖3所示。

2.2 規(guī)則庫定位UUV異常點及異常類型

研究對象UUV在艉部有左右兩個推進器、水平舵與垂直舵。水平舵用于控制UUV的俯仰角;垂直舵用于控制UUV的艏向角;推進器主要用于控制UUV的航速,UUV差動時也會對艏向角造成影響,為研究問題方便,作如下假設(shè):

假設(shè)1 假設(shè)UUV感知系統(tǒng)正常工作,傳感器的輸出數(shù)據(jù)可靠;

假設(shè)2 當(dāng)UUV正常工作時,UUV航向由舵單獨控制不通過推進器差動輸出方式控制艏向;

假設(shè)3 為簡化辨識規(guī)則,本文假設(shè)UUV在某一時刻只有一種異常發(fā)生;

假設(shè)4UUV左右完全對稱,不考慮橫傾角與橫傾角速度的變化。

本文異常模式fn的取值為左推進器異常、右推進器異常、垂直舵卡右舵、垂直舵卡左舵、水平舵卡上舵、水平舵卡下舵6種。ri的取值為u、v、w、r、θ等數(shù)據(jù)項的殘差,Mf的第i行第j列取值為“0”、“1”、“-1”,分別表示“小偏差”、“較大正偏差”、“較大負(fù)偏差”。UUV執(zhí)行辨識行為指令時,不同異常模式對應(yīng)實際理想的殘差特性如異常點定位規(guī)則矩陣Mf所示,但實際f1、f4和f2、f3對應(yīng)的故障模式對應(yīng)的殘差特性存在相似性,往往需要再啟動異常辨識行為。

(15)

2.3 模糊規(guī)則判定異常危害級別

由于存在測量噪聲及干擾,基于閾值的危害級別判定是不連續(xù),有可能導(dǎo)致誤判。針對這一問題,本文將模糊邏輯引入UUV異常危害級別辨識中,對于異常級別辨識,取u、v、w、q、r、θ、ψ、z 8個變量作為異常危害級別分析參考量,當(dāng)按原方向進行定向定深航行時,實際定向航行控制過程中,由于存在實際擾動,UUV實際運動軌跡不可能與直線完全契合,針對某種異常對每個數(shù)據(jù)項殘差ri定義模糊隸屬度函數(shù),其中μi,1、μi,2、μi,3分別表示項殘差ri隸屬于“正?！?、“小偏差”、“大偏差”3個級別的隸屬程度。如圖4所示。其表達(dá)式如下:

圖4 模糊規(guī)則隸屬度函數(shù)

由模糊異常級別辨識器可得到模糊異常級別辨識矩陣:

(16)

式中d1、d2、d3分別表示“正常工作”、“一級異?！薄ⅰ岸壆惓！薄８鶕?jù)異常點特性,取權(quán)重s矩陣A=[a1,a2,…,a8],推進器異常A=[1,1,0,0,1,0,1,0],垂直舵異常A=[1,1,0,0,1,0,1,0],水平舵異常A=[0,0,1,0,0,1,0,1],特定的異常級別隸屬度δl可由下式計算得到:

(17)

δl的值越大說明某特定異常的異常級別為l的可能性就越大。若通過式(15)辨識出UUV存在某種異常時,則必須利用式(17)計算δl,從而得出該異常的異常級別。

3 基于行為的執(zhí)行機構(gòu)異常辨識仿真驗證

本文基于行為的推進操縱系統(tǒng)異常辨識主要分為3個步驟,即:

步驟1 異常存在性判定:利用滑模觀測器對UUV當(dāng)前行為進行觀測,通過比較滑模觀測器輸出與UUV實際狀態(tài)輸出辨識出異常是否可能存在;

步驟2 異常點辨識:當(dāng)辨識出當(dāng)前UUV存在異常,則執(zhí)行辨識行為,比較直接辨識行為與UUV當(dāng)前行為狀態(tài),可確定UUV行為是否確實發(fā)生異常,提高診斷的準(zhǔn)確度,根據(jù)制定的異常點定位規(guī)則庫,進行異常點的定位; 或者執(zhí)行第2種直接辨識行為,構(gòu)成間接辨識行為對異常點進行定位,具體過程與直接辨識行為相同;

步驟3 異常級別辨識:當(dāng)實現(xiàn)異常點的定位之后,進行危害級別的判定,比較辨識行為與UUV當(dāng)前狀態(tài)間殘差與設(shè)定的模糊閾值,求出每個狀態(tài)異常級別隸屬度,進而通過式(17)辨識出異常級別。

3.1 滑模觀測器及異常行為辨識規(guī)則庫驗證

建立UUV運動模型,本文使用的研究對象UUV模型中的水動力系數(shù)是通過UUV水動力實驗得到,為驗證UUV異常行為辨識算法正確性,首先驗證UUV滑模觀測器的性能,設(shè)定UUV初始艏向角ψ=0°、俯仰角θ=0°,給定指令艏向角為20°,正常工作時左右主推的推力F=600N,使UUV在水平面沿直線勻速航行,航行時間為1 000s。如圖5滑模觀測器可對u、v、w、r、θ進行較準(zhǔn)確的實時估計。

圖5 滑模觀測器的性能驗證

驗證異常點定位規(guī)則庫的正確性,需要分別對UUV左主推異常、右主推異常、垂直舵卡右舵、垂直舵卡左舵、水平舵卡上舵、水平舵卡下舵6種執(zhí)行機構(gòu)異常模式的辨識規(guī)則庫進行驗證,下面以左主推異常為例進行驗證。在第400s時設(shè)定UUV左主推推力減半,圖6UUV空間運動軌跡及滑模觀測器估計軌跡?？梢钥闯龃藭ru、v發(fā)生跳變,由此特征可以滑模觀測器辨識出UUV存在異常;但由于研究對象UUV的航向為閉環(huán)控制,當(dāng)推進器異常時,UUV會控制舵角以盡量保持航向,所以可以看到觀測器估計的軌跡是垂直舵打右舵航行。由圖7僅僅依靠殘差結(jié)果無法準(zhǔn)確定位異常點,需執(zhí)行異常辨識行為。

圖6 UUV空間運動軌跡及滑模觀測器估計軌跡

圖7 左主推異常仿真圖

分別上述6種異常進行仿真驗證之后,可知UUV推進操縱系統(tǒng)異常與當(dāng)前運行狀態(tài)間的殘差存在一定規(guī)則,式(15)中定義的異常點辨識規(guī)則庫符合UUV實際狀態(tài)。

3.2 異常點定位及異常級別辨識仿真驗證

基于行為對UUV推進操縱系統(tǒng)異常辨識進行仿真,設(shè)UUV的初始行為為以60度艏向角,左右主推推力各為500N,保持勻速直航,航行時間為1 000s。在第400s時設(shè)定右主推推力減半、垂直舵卡右舵兩種異常狀況,進而檢驗本文提出的異常辨識方法的有效性。

3.2.1 異常存在狀況辨識

本仿真實驗選取滑模觀測器增益矩陣為:

Λ1=diag(0.4,0.1,0.03,0.003,0.002)Λ2=diag(3.2,2,2.5,1.5,1)

設(shè)置利用滑模觀測器進行UUV異常行為辨識時的狀態(tài)數(shù)據(jù)殘差閾值如表1所示。由于當(dāng)UUV在低速度工作狀態(tài)時發(fā)生異常殘差ei變化并不明顯,因此規(guī)定若其中一個狀態(tài)數(shù)據(jù)項診斷出異常則診斷UUV異常執(zhí)行異常辨識行為。

表1 UUV推進器異常行為辨識狀態(tài)殘差閾值表

對本實驗初始左右主推各500N推力,當(dāng)UUV右主推推力減半時,由于航向控制為閉環(huán)控制,當(dāng)右主推推力減半時UUV會通過擺舵產(chǎn)生舵力矩而盡量保持航向,艏向角變化約為2.13°,艏向角速度最大為0.008rad/s,橫向速變化為0.37m/s。推力變化最直接的影響是縱向速度,推力減半后UUV的縱向速度減小0.6m/s。垂直舵卡右舵時,u、v、r也將發(fā)生相應(yīng)的變化。利用滑模觀測器觀測UUV狀態(tài)殘差可以判斷UUV行為發(fā)生異常。

3.2.2 異常點定位及異常危害級別判定

圖8 右向偏移型故障診斷過程

首先辨識到推進操縱系統(tǒng)發(fā)生異常后,由于這段時間較短,基本忽略,所以當(dāng)UUV自主執(zhí)行垂直舵零舵角的直接辨識行為1時,其目標(biāo)軌跡基本與正常軌跡重合,此處不予畫出,而用正常軌跡代替。首先按照當(dāng)前UUV的速度推力狀態(tài)按垂直舵零舵角執(zhí)行直接辨識行為,在一定時間內(nèi),我們可以根據(jù)當(dāng)前位置與起始速度切線的距離得到UUV是否定向航行。如果能按原方向運動我們可以斷定滑模觀測器得到警報是誤判,盡管這種情況發(fā)生的概率很小,則診斷結(jié)束;否則說明UUV確實發(fā)生的是偏移型故障,UUV需執(zhí)行其他直接辨識行為,采取垂直舵左滿舵航行,如果r沒有發(fā)生跳變,則說明發(fā)生的是垂直舵卡舵型故障;如果r發(fā)生跳變說明是由推進器推力故障引起的。顯然我們可以得到圖8中左圖發(fā)生的是推進器故障,右圖發(fā)生的是垂直舵卡舵故障。

異常危害級別的判定是根據(jù)直接辨識行為1的過程獲得的狀態(tài)數(shù)據(jù)以及直接辨識行為2得到異常點定位結(jié)果之后,進行計算得到。利用模糊規(guī)則判定左右偏移型異常危害級別時只考慮u、v、r、ψ的變化,模糊異常危害級別辨判定中各閾值設(shè)定如表2所示;當(dāng)水平舵異常時,UUV將以固定的縱傾角上浮或下潛,因此縱傾角速度經(jīng)短時間波動后最終將變?yōu)榱?故而在模糊規(guī)則對水平舵異常級別進行分析時只考慮w、θ和z的變化,其模糊規(guī)則各閾值的設(shè)定如表3所示。

表2 推進器異常級別判定模糊規(guī)則各閾值設(shè)定

表3 水平舵異常級別判定模糊規(guī)則各閾值設(shè)定

經(jīng)上述分析可知,在直接辨識行為1過程中。得到各數(shù)據(jù)項殘差,結(jié)合表2中及式(17)計算出不同狀態(tài)值的異常隸屬度,得到當(dāng)UUV右主推推力減半時可診斷為一級異常,UUV垂直舵卡舵時可診斷為二級異常。

4 總結(jié)

本文以UUV模型為基礎(chǔ)建立滑模觀測器,對UUV的姿態(tài)及位置信息進行估計,獲取估計值與實際姿態(tài)及位置殘差數(shù)據(jù),由此辨識UUV行為是否可能發(fā)生異常;根據(jù)不同機構(gòu)異常特征建立異常點辨識規(guī)則庫,UUV自主執(zhí)行異常辨識行為,基于異常辨識行為,利用異常辨識行為指令與UUV當(dāng)前狀態(tài)間的殘差數(shù)據(jù)對照規(guī)則庫實現(xiàn)UUV異常點的辨識,當(dāng)利用直接異常辨識行為無法辨識出異常點時,執(zhí)行間接異常辨識行為,對異常點進行再次辨識;最后根據(jù)零舵角下辨識行為與UUV實際狀態(tài)間的殘差數(shù)據(jù),利用模糊規(guī)則判定異常點的異常級別。相比與原有方法,文章力圖在根據(jù)滑模觀測器得到的故障殘差的基礎(chǔ)上,通過執(zhí)行辨識行為,給出一種誤警率較低的,并且可以準(zhǔn)確辨別故障點的解決方法。最后,本章還以右主推發(fā)生推力減半異常和垂直舵卡舵為例,驗證了UUV異常辨識、異常點定位、異常危害級別判定方法是準(zhǔn)確可行的,誤警率也是較低的。

[1]徐玉如,蘇玉民,龐永杰.海洋空間智能無人運載器技術(shù)發(fā)展展望[J].中國艦船研究,2006,6(3):1-4.

[2]Takai M,Ura T.Development of System to Diagnose Autonomous Underwater Vehicle[J].International Journal of Systems Science,1999,30(9):981-988.

[3]Tarun Kanti Podder,Nilanjan Sarkar.Fault-Tolerant Control of an Autonomous Underwater Vehicle under Thruster Redundancy[J].Robotics and Autonomous Systems,2001,34(1):39-52.

[4]王玉甲.自主式水下機器人推進器及舵狀態(tài)監(jiān)測研究[D].哈爾濱:哈爾濱工程大學(xué),2003.

[5]袁芳,朱大奇,劉乾.基于遞歸神經(jīng)網(wǎng)絡(luò)的水下機器人故障辨識[J].控制工程,2011,18(5):783-787.

[6]劉宜平,沈毅,劉志言.一種基于模糊神經(jīng)網(wǎng)絡(luò)的故障分類器及其在多傳感器故障診斷中的應(yīng)用[J].傳感技術(shù)學(xué)報,2000,13(1):38-43.

[7]Guo Hualing,Deng Jiahao,Cai Kerong.High-Speed Moving Target Recognition Technology Based on Multi-Sensor Data Fusion Information Technology and Applications(IFITA)[C]//2010 International Forum on Volume 2.2010:20-22.

[8]李殿璞.船舶運動與建模[M].哈爾濱:哈爾濱工程大學(xué)出版社,1999.

[9]周佳加.基于扁平UUV動力學(xué)模型的導(dǎo)航定位與路徑跟隨控制方法研究[D].哈爾濱:哈爾濱工程大學(xué),2011.

[10]Bian X,Yan Z,Chen T,et al.Mission Management and Control of BSA-AUV for Ocean Survey[J].Ocean Engineering,2012,55:161-174.

[11]邊信黔,牟春暉,嚴(yán)浙平,等.基于故障樹的無人潛航器可靠性研究[J].中國造船,2011,52(1):71-79.

[12]Karim Salahshoor,Mojtaba Kordestani,Majid S Khoshro.Fault Detection and Diagnosis of an Industrial Steam Turbine Using Fusion of SVM and ANFIS Classifiers[J].Energy,2010:1-11.

[13]Patron P,Miguelanez E,Petillot Y R.Adaptive Mission Plan Diagnosis and Repair for Fault Recovery in Autonomous Underwater Vehicles[J].Oceans,2008,55(11):3954-3963.

[14]劉彬,王霄,謝平.基于小波多重分形的復(fù)雜機械故障診斷方法研究[J].傳感技術(shù)學(xué)報,2006,19(1):232-234.

[15]李炳森.基于行為的模塊化AUV決策控制系統(tǒng)及其仿真實現(xiàn)[D].中國海洋大學(xué),2009.

A Fault Diagnosis Method for UUV Propulsion System Based on Behavior*

YANZheping*,ZHAOJinyang,LIBenyin

(College of Automation,Harbin Engineering University,Harbin 150001,China)

An algorithm of propulsion system fault diagnosis for UUV is proposed in this paper.Firstly,we design sliding mode observer based on the kinetic equation to discriminate the presence of abnormal point in the propulsion system.Secondly,according to the characteristics of UUV propulsion system,we develope abnormal identification tasks and abnormal point location rule to identify outliers.At the same time,we design the fuzzy rules to identify the abnormal level.At last,the method used to identify the abnormal behavior is simulated in case of the right thruster abnormal.The results show that the method above is effective and feasible.

UUV;propulsion system;fault diagnosis;action

嚴(yán)浙平(1972-),男,教授,博士生導(dǎo)師,主要研究方向檢測技術(shù)與自動化裝置、水下機器人集成和控制、無人現(xiàn)場智能控制、系統(tǒng)綜合仿真與驗證,yanzheping@hrbeu.edu.cn;

趙錦陽(1988-),男,哈爾濱工程大學(xué)研究生,研究方向水下航行器故障診斷研究,zhaojinyang12345@sina.com。

項目來源:國家自然科學(xué)基金項目(51179038)

2014-01-29 修改日期:2014-10-21

C:7320E;0170L

10.3969/j.issn.1004-1699.2015.01.012

TP277

A

1004-1699(2015)01-0062-09