基于神经网络的水下机器人推进器故障诊断

《基于神经网络的水下机器人推进器故障诊断》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、52卷第4期（总第198期）中国造船Vol.52No.4（SerialNo.198）2011年12月SHIPBUILDINGOFCHINADec.2011文章编号：1000-4882（2011）04-0139-08基于神经网络的水下机器人推进器故障诊断123111万磊，王建国，姜春萌，孙玉山，何斌，李吉庆（1.哈尔滨工程大学水下机器人技术国防科技重点实验室，哈尔滨150001;2.中国舰船研究设计中心，武汉430064;3.武汉科技大学城市学院人文学部，武汉430083）摘要为提高水下机器人系统的总体可靠性，开展了推进器故障诊断研究。在三层BP神经网络的基础上，提出了一种改

2、进的递归神经网络并推导了网络的训练算法。利用直航、转艏等试验对网络进行训练，将训练好的网络用于水下机器人运动建模，对比模型的输出与实际传感器测量值来获取残差，通过分析残差特性来提取故障诊断判据，进而进行推进器故障诊断。将提出的方法应用到仿真试验和海上试验中，得出了相应的试验结果。通过对试验结果的分析研究，验证了方法的有效性与可行性，同时也表明该方法在工程应用方面具有一定的参考意义。关键词：水下机器人（UV）；故障诊断；推进器故障；递归神经网络；运动建模中图分类号：TP24文献标识码：A0引言水下机器人（underwatervehicle,UV）在军事应用和海洋开发方面有着极

3、为广阔的应用前景，已经[1]成为发达国家发展智能化武器的重要研究方向之一。由于UV工作环境恶劣，工作状况千变万化，因此设计一个可靠性高的控制系统来保证它安全可靠地工作至关重要。实现UV控制系统故障自主诊断[2]是其智能化水平的重要体现。神经网络技术的出现为故障诊断提供了一种新思路。特别是对复杂系统和非线性系统，基于解析模型的故障诊断方法面临难以建立数学模型的实际困难，基于知识的故障诊断方法就成了实际可行的方法。神经网络的优点使其成为故障诊断的一种有效方法和手段，并已在许多实际系统中得到成功应[3]用。[4]递归神经网络（recurrentneuralnetwork，RNN）

4、已经成功应用在动态系统识别与仿真上。RNN固有的状态记忆机制对信号进行加权滑动平均处理的作用，使得其具有很好的滤波能力。比较常见的RNN是Jordan网络和Elman网络。Jordan网络是将上一步的网络输出值返回到关联层，而Elman网络[5-6]是将上一步的隐层输出值返回到关联层。本文提出了一种改进型的RNN结构，推导了其网络的训练算法，对网络进行了训练，并将训练好的网络用于水下机器人运动建模。完成了仿真试验和海上试验，通过对试验结果进行分析，验证了文中所提方法的有效性和可行性。收稿日期：2011-02-18；修改稿收稿日期：2011-08-03基金项目：中国博士后科学

5、基金资助（20100480964）；国家自然科学基金资助项目（50579007）；国家863计划基金资助项目（2008AA092301）140中国造船学术论文1改进的RNN1.1一种改进的RNN结构本文采用的RNN结构模型如图1所示。这个网络结构模型是在三层BP网络的基础上加入反馈信号形成。它具有三层神经元。输入层的输出作为隐层的输入，隐层的输出既作为输出层的输入，同时也反馈给隐层自身。网络隐层节点的动态自递归连接关系使得可以利用网络内部的状态反馈来描述系统的非线性动力学行为，图2为递归网络输出结果。21wjw30.5测量值神经网络输出uk1()wjlijy(k)u10.4

6、(rad)u2(k)0.3y2(k)yaw/v0.22yaww(m/s)0.1nv/ukm()hki()yk()0p050100150200250300350400(m/s)-0.1u/-0.2t/s图1改进型递归网络结构图2递归网络输出结果图1中，该递归神经网络具有m个输入神经元，n个隐层神经元和p个输出神经元。u()1k，im对应的网络权值wk()()k代表隐层神经元j的阈值，不是实际的外部训练输入。uR()k为kijjin时刻神经网络的m维输入向量，ykR()为k时刻神经网络的一维输出向量，hkR()为k时刻lj隐层输出。该改进型递归网络的动态方程可

7、以表示如下：输入层：I(k)u(k)（1）ii隐含层：h(k)f(S(k))（2）jjn21S(k)wh(k1)wu(k)（3）jjjijii1m3输出层：yl(k)wjlhj(k)（4）j1123其中，wij为输入神经元i与隐层神经元j之间的连接权值，wj为隐层神经元递归连接权值，wjl为隐层神经元j与输出神经元l之间的连接权值，S(k)为隐层神经元j的输入，hk()为隐层神经元j的jj输出。f()为隐层单元激活函数，本文选取Sigmoid函数。1.2RNN训练算法令y()k和y()k分别为