張文霞，袁 健

（1.青島工學(xué)院機(jī)電工程學(xué)院，山東 青島 266300；2.齊魯工業(yè)大學(xué)（山東省科學(xué)院）海洋儀器儀表研究所，山東 青島 266100）

引 言

水下推進(jìn)器是水面無人艇、水下無人航行器等海洋航行器的核心部件，其運(yùn)行狀態(tài)關(guān)系整個(gè)航行器系統(tǒng)的可靠性和安全性.水面無人艇由于作業(yè)環(huán)境復(fù)雜，容易受海流、海浪、水中漂浮物等外界干擾而出現(xiàn)不可以預(yù)知的情況.水面無人艇在實(shí)際作業(yè)過程中，一旦出現(xiàn)推進(jìn)器故障，輕則無法完成預(yù)定的作業(yè)任務(wù)，重則危及水面無人艇自身的安全[1]，導(dǎo)致水面無人艇丟失.因此，需要研究和開發(fā)能夠?qū)崿F(xiàn)快速、可靠和高質(zhì)量故障診斷的方法.水下推進(jìn)器在工作環(huán)境惡劣情況下，由于水草等異物纏繞，極易引發(fā)推進(jìn)器轉(zhuǎn)速降低，同時(shí)電流瞬時(shí)增大，甚至發(fā)生推進(jìn)器堵轉(zhuǎn)[2].當(dāng)推進(jìn)器發(fā)生異物纏繞導(dǎo)致的故障時(shí)，應(yīng)及時(shí)發(fā)現(xiàn)并排除因故障帶來的損失.因此，對(duì)水下推進(jìn)器的運(yùn)行狀態(tài)進(jìn)行故障診斷對(duì)于提高水下航行器效率以及安全可靠性具有重要意義.

在水下推進(jìn)器工作過程中，通過布置在水下推進(jìn)器上的傳感器可測(cè)量得到推進(jìn)器的電流、螺旋槳轉(zhuǎn)速等信號(hào).由于水下推進(jìn)器的故障信號(hào)受負(fù)荷、流體介質(zhì)影響，具有較強(qiáng)的非平穩(wěn)性和較低的信噪比，如何從這種復(fù)雜的信號(hào)中提取故障特征一直是水下推進(jìn)器故障診斷研究的熱點(diǎn)和難點(diǎn)[3].通常的故障提取方法有信號(hào)的狀態(tài)觀測(cè)器[4-5]、隱馬爾科夫模型[6]、小波時(shí)頻分析[7]、D-S 證據(jù)理論[8]、支持向量機(jī)[9]、經(jīng)驗(yàn)?zāi)B(tài)分解[10]以及神經(jīng)網(wǎng)絡(luò)[11-12]等方法.水下推進(jìn)器故障診斷技術(shù)往往對(duì)電壓和電流、振動(dòng)、聲壓等單一信號(hào)進(jìn)行特征提取后進(jìn)行診斷.文獻(xiàn)[13]針對(duì)水下機(jī)器人復(fù)雜系統(tǒng)的不確定性給系統(tǒng)建模帶來的困難，提出了一種改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)（WNN）來構(gòu)建AUV 的運(yùn)動(dòng)模型，通過將神經(jīng)網(wǎng)絡(luò)的輸出與實(shí)際狀態(tài)值進(jìn)行比較獲得殘差，從殘差中提取故障檢測(cè)規(guī)則，執(zhí)行執(zhí)行器故障診斷.文獻(xiàn)[14]提出了一種基于模糊融合的UUV 螺旋槳系統(tǒng)故障診斷算法，利用灰色預(yù)測(cè)方法根據(jù)歷史電流預(yù)測(cè)電流，通過擬合控制電壓和電樞電流建立理論電流模型，考慮到控制電壓變化率和電流異常時(shí)間對(duì)擬合權(quán)重的影響，引入模糊理論對(duì)預(yù)測(cè)電流和理論電流進(jìn)行融合得到了融合電流.文獻(xiàn)[15]針對(duì)電源噪聲引起小范圍內(nèi)聚集過渡延遲故障，提出了一種聚類多過渡延遲故障（TDF）的診斷工具，使用相關(guān)系數(shù)來確定最佳聚類數(shù)，將K 均值算法應(yīng)用到故障的聚類診斷中.雖然僅利用單一信號(hào)進(jìn)行故障診斷也能夠取得較好的診斷效果，但有時(shí)不同的故障表現(xiàn)的特征可能相似，僅使用單一傳感器信號(hào)所獲得的信息有限，對(duì)故障特征分析不全面，故障診斷正確率提升較為困難，易造成誤診和漏診.

推進(jìn)器異物纏繞故障發(fā)生時(shí)，除出現(xiàn)聲音異常外，同時(shí)推進(jìn)器電流瞬時(shí)增高，推進(jìn)器螺旋槳轉(zhuǎn)速急劇降低.該現(xiàn)象不同于推進(jìn)器執(zhí)行調(diào)速時(shí)電流、螺旋槳轉(zhuǎn)速的變化，而且如果異物持續(xù)纏繞，電流和轉(zhuǎn)速在一定時(shí)間內(nèi)保持為相對(duì)穩(wěn)定的數(shù)值.電流和轉(zhuǎn)速在推進(jìn)器運(yùn)行過程中不僅在空間（測(cè)點(diǎn)位置）上相關(guān)，而且在時(shí)間上也相關(guān)，電流和轉(zhuǎn)速相關(guān)性含有大量關(guān)于推進(jìn)器健康狀況的信息，能夠反映設(shè)備的運(yùn)行狀態(tài)和故障類型[16].本文提出了一種基于推進(jìn)器電流、轉(zhuǎn)速信號(hào)相關(guān)分析與模糊C 均值聚類相結(jié)合的故障診斷方法，對(duì)采集到的水下推進(jìn)器在不同狀態(tài)下的電流、轉(zhuǎn)速信號(hào)進(jìn)行歸一化操作，計(jì)算歸一化后的電流、轉(zhuǎn)速信號(hào)的相關(guān)度并組成相關(guān)度矩陣，以相關(guān)度矩陣作為特征使用數(shù)據(jù)聚類方法進(jìn)行診斷.結(jié)果表明該方法能夠充分考慮不同信號(hào)之間的相關(guān)性，相對(duì)單一測(cè)點(diǎn)診斷結(jié)果準(zhǔn)確率有較大的提高.

1 理論基礎(chǔ)

1.1 信號(hào)相關(guān)度矩陣

針對(duì)單一測(cè)量傳感器無法充分利用水下推進(jìn)器多源采集信息的問題，本文提出一種電流、轉(zhuǎn)速信號(hào)相關(guān)度矩陣的特征提取方法.該特征提取方法能夠充分利用推進(jìn)器故障條件下電流和轉(zhuǎn)速信號(hào)之間的相關(guān)性，提取更深層次的特征，有效克服傳統(tǒng)單一故障診斷方法因特征提取不充分而導(dǎo)致的故障診斷正確率提升困難的缺點(diǎn).下面介紹電流、轉(zhuǎn)速信號(hào)相關(guān)度矩陣特征提取方法的計(jì)算過程.

通過電流、轉(zhuǎn)速信號(hào)傳感器采集水下推進(jìn)器在正常狀態(tài)下和故障狀態(tài)下的電流、轉(zhuǎn)速信號(hào)，做好標(biāo)簽構(gòu)成樣本數(shù)據(jù)集，對(duì)樣本數(shù)據(jù)中的每個(gè)樣本按照下面公式進(jìn)行歸一化處理.

式中，xji為該樣本的第i 個(gè)傳感器信號(hào)的第j 個(gè)數(shù)值；為歸一化后該樣本的第i 個(gè)傳感器信號(hào)的第j 個(gè)數(shù)值；為該樣本的第i 個(gè)傳感器信號(hào)的平均值，為該樣本的第i 個(gè)傳感器信號(hào)的最小值；為該樣本的第i 個(gè)傳感器信號(hào)的最大值；n為該樣本的數(shù)據(jù)點(diǎn)個(gè)數(shù).

其中，

ρii′（n）為采樣時(shí)刻k 時(shí)該樣本歸一化后第i 個(gè)傳感器信號(hào)（電流）與第i′個(gè)傳感器信號(hào)（轉(zhuǎn)速）的相關(guān)系數(shù)，當(dāng)i＝i′時(shí)，ρii′（n）＝1.

將計(jì)算得到的電流、轉(zhuǎn)速傳感器信號(hào)相關(guān)系數(shù)組成2×2 的相關(guān)度信號(hào)矩陣R（k），矩陣元素的存儲(chǔ)規(guī)則以其中一個(gè)傳感器信號(hào)為基礎(chǔ)，將其與另外一個(gè)傳感器信號(hào)的相關(guān)系數(shù)組成一行或一列，形成的相關(guān)度信息矩陣為

式中，矩陣中的元素ρii′（n）是采樣時(shí)刻k 電流傳感器信號(hào)與轉(zhuǎn)速傳感器信號(hào)的相關(guān)系數(shù)，共有2 個(gè)傳感器信號(hào)；R（n）為采樣時(shí)刻k 所構(gòu)成的電流和轉(zhuǎn)速傳感器信號(hào)的相關(guān)度矩陣.

可見，相關(guān)度矩陣R（n）中涵蓋電流和轉(zhuǎn)速信號(hào)之間相關(guān)性，能夠發(fā)現(xiàn)推進(jìn)器不同狀態(tài)下的電流和轉(zhuǎn)速之間的潛在關(guān)系，提取的特征信息豐富.

1.2 相關(guān)系數(shù)的模糊C 均值聚類

模糊C 均值聚類方法是硬C 均值聚類方法的改進(jìn)，其用隸屬度來確定數(shù)據(jù)點(diǎn)屬于某個(gè)類的程度，模糊C 均值聚類對(duì)推進(jìn)器故障的模糊特征具有較好的分類能力.

選取水下推進(jìn)器正常調(diào)速和推進(jìn)器纏繞運(yùn)行狀態(tài)下的數(shù)據(jù)進(jìn)行相關(guān)性分析，得到N個(gè)相關(guān)系數(shù)數(shù)據(jù)和C＝2 種運(yùn)行模式（C 為聚類數(shù)）.把N 個(gè)向量xi（i＝1，…，N）分為2 個(gè)模糊組，并通過減法聚類方法初始化聚類中心，求得每個(gè)聚類數(shù)據(jù)密度最大的聚集點(diǎn)作為該聚類中心[17].在每次迭代中通過引入加權(quán)因子υi使得非相似性指標(biāo)的目標(biāo)函數(shù)

達(dá)到最小.其中uij∈（0，1）為隸屬度，且，j＝1，…，N；dij＝ci－xj表示第i 個(gè)聚類中心ci與第j 個(gè)數(shù)據(jù)點(diǎn)xj之間的歐氏距離；m∈[1，∞)為加權(quán)指數(shù)；υi為加權(quán)因子，表示樣本對(duì)聚類的影響程度，且其中

將相關(guān)度矩陣的互相關(guān)系數(shù)作為故障特征輸入模糊聚類算法中，并優(yōu)化FCM 中的閾值參數(shù)，可診斷出是否發(fā)生纏繞故障.

2 故障診斷流程

本文提出的基于水下推進(jìn)器電流和轉(zhuǎn)速相關(guān)分析與模糊聚類相結(jié)合的故障診斷流程，如圖1 所示.

具體診斷步驟為：

步驟1：模擬水下推進(jìn)器纏繞故障情形，并利用電流和轉(zhuǎn)速傳感器采集水下推進(jìn)器在不同狀態(tài)下的電流和轉(zhuǎn)速信號(hào).

步驟2：對(duì)每個(gè)樣本的電流和轉(zhuǎn)速信號(hào)分別進(jìn)行歸一化處理.

步驟3：計(jì)算每個(gè)樣本的任意兩個(gè)歸一化后的電流和轉(zhuǎn)速信號(hào)之間的相關(guān)系數(shù).

步驟4：將得到的轉(zhuǎn)速和電流信號(hào)之間的相關(guān)系數(shù)組成相關(guān)度矩陣.

步驟5：將計(jì)算得到的電流和轉(zhuǎn)速信號(hào)的互相關(guān)度數(shù)據(jù)進(jìn)行模糊聚類.

步驟6：根據(jù)設(shè)置的聚類閾值判別推進(jìn)器是否發(fā)生故障.

3 推進(jìn)器故障診斷試驗(yàn)驗(yàn)證

3.1 推進(jìn)器故障模擬與傳感器信號(hào)采集

為驗(yàn)證本文提出方法的有效性，分別采集推進(jìn)器正常運(yùn)轉(zhuǎn)和發(fā)生纏繞情形下的故障試驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證.試驗(yàn)裝置為水下推進(jìn)器故障故障模擬實(shí)驗(yàn)臺(tái)，如圖2 所示.其中包括上位機(jī)（數(shù)據(jù)采集軟件）、下位控制箱、水下推進(jìn)器（帶螺旋槳）、電壓電流和轉(zhuǎn)速傳感器等.上位機(jī)數(shù)據(jù)采集軟件采用VS2010 C# 開發(fā)，數(shù)據(jù)庫采用SQL Server2005 開發(fā)，采集界面如圖3 所示，上位機(jī)與下位控制箱通過232 串口進(jìn)行數(shù)據(jù)通信，下位控制箱采用STM32 控制芯片研制，通過IO 口產(chǎn)生PWM 信號(hào)，并通過水密電纜與水下推進(jìn)器的電子調(diào)速箱連接，電子調(diào)速箱中安裝有無刷電機(jī)調(diào)速器，其輸出三相PWM 電壓信號(hào)控制水下推進(jìn)器電機(jī)正反轉(zhuǎn).試驗(yàn)時(shí)，水下推進(jìn)器電機(jī)與電子調(diào)速箱固定在同一個(gè)基架上，驅(qū)動(dòng)電機(jī)軸與螺旋槳軸之間采用的是剛性聯(lián)軸器相連.我們利用加持工具對(duì)推進(jìn)器轉(zhuǎn)軸實(shí)現(xiàn)不同程度的緊固，從而實(shí)現(xiàn)對(duì)推進(jìn)器螺旋槳纏繞故障的模擬.

圖2 水下推進(jìn)器故障故障模擬實(shí)驗(yàn)臺(tái)

圖3 上位機(jī)采集軟件采集的轉(zhuǎn)速和電流值（正常調(diào)速情況下Vs 故障情況下）

采樣頻率為10 Hz，分別采集正常和故障狀態(tài)下推進(jìn)器的電流信號(hào)及推進(jìn)器轉(zhuǎn)速信號(hào).

正常調(diào)速狀態(tài)下電流和轉(zhuǎn)速傳感器時(shí)域波形圖如圖4-圖5 所示.故障狀態(tài)下電流和轉(zhuǎn)速傳感器時(shí)域波形如圖6-圖7 所示.2 種狀態(tài)下的電流和轉(zhuǎn)速信號(hào)時(shí)域波形相似，只是在信號(hào)幅度上有區(qū)別，很難通過時(shí)域波形來判斷是否發(fā)生故障.

圖4 正常調(diào)速下采集的電流信號(hào)時(shí)域波形圖

圖5 正常調(diào)速下采集的推進(jìn)器轉(zhuǎn)速時(shí)域波形圖

圖6 發(fā)生纏繞故障時(shí)的電流信號(hào)變化時(shí)域波形圖

圖7 發(fā)生纏繞故障時(shí)的轉(zhuǎn)速信號(hào)變化時(shí)域波形圖

3.2 數(shù)據(jù)分析與故障診斷

利用相關(guān)度矩陣方法可以清晰的看出2 種狀態(tài)下電流和轉(zhuǎn)速信號(hào)的相關(guān)性信息，數(shù)值越大表示電流和轉(zhuǎn)速信號(hào)之間正相關(guān)性越強(qiáng)，數(shù)值越小表示兩個(gè)信號(hào)的負(fù)相關(guān)性越強(qiáng).正常調(diào)速情況下，隨著轉(zhuǎn)速的增大，推進(jìn)器電流也正向增大，轉(zhuǎn)速和電流之間是正向相關(guān)的關(guān)系，其相關(guān)度如圖8 所示；纏繞故障發(fā)生時(shí)，隨著故障的發(fā)生，推進(jìn)器轉(zhuǎn)速下降并且呈現(xiàn)一定的波動(dòng)情況，但是推進(jìn)器的電流會(huì)反向增大，轉(zhuǎn)速和電流之間是反向相關(guān)關(guān)系，其相關(guān)度如圖9 所示.可以看出，不同狀態(tài)下的電流和轉(zhuǎn)速信號(hào)相關(guān)度矩陣圖區(qū)分較為明顯，表明提取的特征較為充分.

圖8 正常調(diào)速下的轉(zhuǎn)速和電流的相關(guān)性系數(shù)

圖9 故障情形下的轉(zhuǎn)速和電流的相關(guān)性系數(shù)

為驗(yàn)證本文提出方法的有效性，與使用單一電流或轉(zhuǎn)速傳感器信號(hào)的SVM 故障診斷方法進(jìn)行對(duì)比，分析不同方法的診斷準(zhǔn)確度.基于電流和轉(zhuǎn)速相關(guān)分析的模糊聚類算法利用百度飛槳AI Studio 平臺(tái)來實(shí)現(xiàn)，采樣點(diǎn)數(shù)n＝60，模糊聚類數(shù)C＝2，隸屬度的初始值為隨機(jī)生成的0-1 之間的數(shù)值，容忍的最小誤差為1e-3，最大迭代數(shù)為200，加權(quán)指數(shù)m＝5.0.采用單一信號(hào)檢測(cè)時(shí)支持向量機(jī)故障檢測(cè)方法中的懲罰因子ξ＝10.0；采用相關(guān)系數(shù)檢測(cè)時(shí)支持向量機(jī)故障檢測(cè)方法中的懲罰因子ξ＝20.0.此懲罰因子的值設(shè)置的越大，樣本訓(xùn)練準(zhǔn)確率越高，但是泛化能力降低.

3.3 故障診斷結(jié)果

圖10-圖11 所示為不同方法診斷結(jié)果的混淆矩陣圖，所有正確的預(yù)測(cè)結(jié)果都在對(duì)角線上，所以從混淆矩陣中可以很直觀的看出哪里有錯(cuò)誤，因?yàn)樗麄兂尸F(xiàn)在對(duì)角線外面.灰白色表示數(shù)值較大，黑色表示數(shù)值較小.表1 所示為本文所提出的方法與對(duì)比方法的診斷結(jié)果，其中轉(zhuǎn)速（Speed）、電流（Current）分別對(duì)應(yīng)推進(jìn)器轉(zhuǎn)速信號(hào)以及推進(jìn)器電流信號(hào).圖12 和圖13 中橫坐標(biāo)為相關(guān)矩陣中的自相關(guān)系數(shù)，縱坐標(biāo)為相關(guān)矩陣中的互相關(guān)系數(shù)，空心點(diǎn)表示正常的相關(guān)系數(shù)點(diǎn)，實(shí)心點(diǎn)表示發(fā)生纏繞故障的相關(guān)系數(shù)點(diǎn).圖12 中SVM 方法的參數(shù)設(shè)置為：懲罰因子ξ＝10.0，內(nèi)核為高斯核函數(shù)（rbf），誤差精度（閾值）為1e-3.從圖12 中可以看出，使用單一信號(hào)進(jìn)行SVM 故障診斷結(jié)果較差，并且單一使用電流傳感器的數(shù)據(jù)的SVM 檢測(cè)結(jié)果要好于單一使用轉(zhuǎn)速傳感器的SVM 檢測(cè)結(jié)果.由診斷結(jié)果可以看出，僅使用單一傳感器轉(zhuǎn)速信號(hào)的SVM 診斷結(jié)果為67.1%，使用推進(jìn)器電流信號(hào)的SVM 診斷結(jié)果為73.4%.圖13 中SVM 方法的參數(shù)設(shè)置為：懲罰因子ξ＝20.0，內(nèi)核為高斯核函數(shù)（rbf），誤差精度（閾值）為1e-4.圖13 為本文方法與SVM 方法的檢測(cè)結(jié)果對(duì)比，使用本文提出的算法的故障診斷正確率達(dá)到94.8%，比使用單一傳感器信號(hào)的診斷結(jié)果提高較大，與誤差精度為1e-4 時(shí)的SVM 分類結(jié)果95.3%相當(dāng).此時(shí)由于閾值設(shè)置得較小，增大了該算法的計(jì)算時(shí)間，SVM 產(chǎn)生了一定程度的過擬合現(xiàn)象，故需要合理設(shè)置懲罰因子和誤差精度用以平衡分類精度和計(jì)算時(shí)間.

表1 故障診斷結(jié)果

圖10 采用單一傳感器檢測(cè)推進(jìn)器故障混淆矩陣圖（左：電流，右：轉(zhuǎn)速）

圖11 采用本文方法的故障混淆矩陣圖

圖12 單一傳感器SVM 分類結(jié)果（左：電流，右：轉(zhuǎn)速）

圖13 相關(guān)系數(shù)分類結(jié)果（左：本文方法；右：SVM 方法）

由以上分析可知，單一的轉(zhuǎn)速信號(hào)和電流信號(hào)故障診斷效果差，特征提取不明顯.綜合利用推進(jìn)器轉(zhuǎn)速和電流信息并考慮他們之間的相關(guān)性，能夠?qū)⒉煌瑐鞲衅餍盘?hào)提取到的故障特征進(jìn)行有效的整合，從而提高故障診斷準(zhǔn)確率.

4 結(jié)論

本文針對(duì)水下推進(jìn)器異物纏繞故障診斷僅使用單一信號(hào)而存在的故障特征不全面、故障診斷正確率提升困難等問題，提出了一種基于水下推進(jìn)器電流、轉(zhuǎn)速相關(guān)分析與模糊聚類相結(jié)合的故障診斷方法，并且利用水下推進(jìn)器故障數(shù)據(jù)對(duì)所提出的方法進(jìn)行了驗(yàn)證.結(jié)果表明本文所提出的方法能有效提取到故障模式下的電流和轉(zhuǎn)速之間的相關(guān)性特征，在推進(jìn)器故障診斷中相比僅使用單一電流信號(hào)和轉(zhuǎn)速信號(hào)的SVM 方法，故障診斷正確率提高較大.