Fault feature extraction and fusion method for AUV with weak thruster fault based on variational mode decomposition and D-S evidence theory

Dacheng Yu; Mingjun Zhang; Xing Liu; Feng Yao; Dacheng Yu; Mingjun Zhang; Xing Liu; Feng Yao

doi:10.3934/mbe.2022434

数学生物科学与工程

2022,第19卷, 第9版: 9335-9356. 数字对象标识：10.3934/mbe.2022434

研究文章特殊问题

基于变分模式分解和D-S证据理论的AUV弱推力器故障特征提取与融合方法

哈尔滨工程大学机电工程学院，哈尔滨，150001

收到：2022年5月1日 修订过的：2022年6月5日 认可的：2022年6月12日 出版：2022年6月27日

研究了具有弱推力器故障的自主水下机器人的故障特征提取与融合问题。当推力器故障严重时，传统的故障特征提取和融合方法是有效的。然而，对于弱推力器故障，即当推力器的效率损失小于10%时，如果使用常规方法，会出现以下两个问题。首先，故障特征与噪声特征的比值很小。其次，传统方法融合的故障特征与故障严重程度之间没有单调关系。本文提出了以下两种方法来解决这个问题：1）故障特征提取方法。该方法基于负熵改进了改进变分模式分解参数优化的评价指标，并最终增强了改进贝叶斯分类算法提取的故障特征。2）故障特征融合方法。为了在融合故障特征和故障严重程度之间建立单调关系，该方法基于D-S证据理论扩展了传统融合方法的原始信号数量，改进了传统融合方法的焦点元素，并采用了双重融合策略。最后，在Beaver II原型上的池实验结果验证了该方法的有效性。
- 自动潜航器,
- 推进器,
- 软弱断层,
- 故障特征提取,
- 故障特征融合
引用：于大成，张明军，刘星，姚峰。基于变分模式分解和D-S证据理论的AUV弱推力器故障特征提取与融合方法[J]。数学生物科学与工程，2022，19（9）：9335-9356。doi:10.3934/mbe.2022434

相关论文：

摘要

研究了具有弱推力器故障的自主水下机器人的故障特征提取与融合问题。当推力器故障严重时，传统的故障特征提取和融合方法是有效的。然而，对于弱推力器故障，即当推力器的效率损失小于10%时，如果使用常规方法，会出现以下两个问题。首先，故障特征与噪声特征的比值很小。其次，传统方法融合的故障特征与故障严重程度之间没有单调关系。本文提出了以下两种方法来解决这个问题：1）故障特征提取方法。该方法基于负熵改进了改进变分模式分解参数优化的评价指标，并最终增强了改进贝叶斯分类算法提取的故障特征。2）故障特征融合方法。为了在融合故障特征和故障严重程度之间建立单调关系，该方法扩展了基于D-S证据理论的传统融合方法的原始信号数量，改进了传统融合方法中的焦点元素，并采用了双重融合策略。最后，通过Beaver II原型水池实验结果验证了该方法的有效性。

工具书类

[1]	A.Hernandez-Sanchez，A.Poznyak，I.Chairez，O.Andrianova，使用积分滑动模式的平均次梯度版本实现潜水船的稳健三维自主导航，机械。系统。信号处理。,149(2021), 107169. https://10.1016/j.ymssp..2020.107169数字对象标识：2016年10月10日/j.ymssp.2020.107169
[2]	K.Krasnosky，C.Roman，D.Casagrande，海洋机器人高精度地面实况的测深制图和SLAM数据集，国际J机器人。物件。,41(2022), 12–19. https://10.1177/02783649211044749数字对象标识：10.1177/02783649211044749
[3]	X.Cao，H.Sun，L.Guo，三维水下环境中多AUV目标搜索的势场分层强化学习方法，国际J.控制,93(2020), 1677–1683. https://10.1080/00207179.2018.1526414数字对象标识：10.1080/00207179.2018.1526414
[4]	F.R.Wang，Z.Chen，G.B.Song，《智能小龙虾：使用熵增强主动传感和集成学习识别水下多螺栓松动的概念》，机械。系统。信号处理。,149(2021), 107186. https://10.1016/j.ymssp.2020.107186数字对象标识：2016年10月10日/j.ymssp.2020.107186
[5]	C.Lin，G.Han，T.Zhang，S.B.H.Shah，Y.Peng，基于图的多智能体强化学习的智能水下污染检测，面向AUV-Based Network ITS，IEEE传输。智力。运输。系统。, (2022).https://10.1109/tits.2022.3162850
[6]	H.Wang，L.Dong，W.Song，X.Zhao，J.Xia，T.Liu，基于改进U-Net的新型水下矿物图像分割算法，智力。自动。软计算。,32(2022), 1573–1586. https://10.32604/iasc.2022.023994数字对象标识：10.32604/iasc.2022.023994
[7]	S.Gao，B.He，F.Yu，X.Zhang，T.H.Yan，C.Feng，基于动力学模型和复杂网络的AUV异常运动状态监测方法，海洋工程。,237(2021), 109472. https://10.1016/j.oceaneng.2021.109472数字对象标识：2016年10月10日/j.oceaneng.2021.109472
[8]	F.Liu，H.Tang，J.Luo，L.Bai，H.Pu，执行器故障主动补偿的容错控制：一个自主水下航行器示例，申请。海洋研究。,110(2021), 102597. https://10.1016/j.apor.2021102597doi（操作界面）：2016年10月10日/j.apor.2021102597
[9]	Y.Liu，R.Bucknall，使用快速行进法的无人机编队角制导路径规划算法，申请。海洋研究。,59(2016), 327–344. https://10.1016/j.apor.2016.06.013数字对象标识：10.1016/j.apor.2016.06.013
[10]	C.Zhu，B.Huang，B.Zhou，Y.M.Su，E.H.Zhang，水下机器人自适应无模型参数容错轨迹跟踪控制，ISA事务。,114(2021), 57–71. https://10.1016/j.isatra.2020.12.059数字对象标识：2016年10月10日/j.isatra.2020.12.059
[11]	P.Wu，C.A.Harris，G.Salavasidis，A.Lorenzo-Lopez，I.Kamarudzaman，A.B.Phillips，et al.，使用生成对抗网络对水下滑翔机进行无监督异常检测，工程应用。Artif公司。智力。,104(2021), 104379. https://10.1016/j.engappai.2021.104379数字对象标识：2016年10月10日/j.engappai.2021.104379
[12]	T.Lv，Z.Y.Chen，F.Yao，M.J.Zhang，基于优化稀疏分解算法的AUV弱推进器故障特征提取方法，海洋工程。,233(2021), 109013. https://10.1016/j.oceaneng.2021.109013数字对象标识：2016年10月10日/j.oceaneng.2021.109013
[13]	刘伟霞，王永杰，刘晓霞，张明杰，基于随机共振和小波重构的AUV弱推进器故障检测，J.美分。南方大学。,23(2016), 2883–2895. https://10.1007/s11771-016-3352-1数字对象标识：2007年10月17日/1171-016-3352-1
[14]	M.Zhang，B.Yin，W.Liu，Y.Wang，具有随机扰动的AUV推进器故障特征提取与融合，J.华中大学SCI。技术：NAT.SCI。预计起飞时间。,43（2015年），22–26和54。https://10.13245/j.hust.150605数字对象标识：10.13245/j.hust.150605
[15]	李金秋，李金秋、陈洪云、张艺谋、谢玉川。基于CEEMD和对称相关的无人潜航器螺旋桨特征提取研究。在2020年第二届国际计算机科学通信与网络安全会议（CSCNS2020）, (2020), 02006.https://10.1051/matecconf/202133602006
[16]	D.S.Yang，Y.H.Pang，B.W.Zhou，K.Li，基于相关处理的卷积神经网络在能源互联网故障诊断中的应用，IEEE传输。系统。人类网络。系统。,49(2019), 1739–1748. https://10.1109/tsmc.2019.2919940数字对象标识：10.1109/tsmc.2019.2919940
[17]	R.Wang，H.Chen，C.Guan，W.Gong，Z.Z.Zhang，基于流形学习和隔离林的船用柴油机故障监测方法研究，申请。海洋研究。,112(2021), 102681. https://10.1016/j.apor.2021102681doi（操作界面）：2016年10月10日/j.apor.2021102681
[18]	K.Dragomiretskiy，D.Zosso，变分模式分解，IEEE传输。信号处理。,62(2014), 531–544. https://10.1109/tsp.2013.2288675数字对象标识：10.1109/tsp.2013.2288675
[19]	X.Jiang，J.Wang，C.Shen，J.Shi，W.Huang，Z.Zhu，et al.自适应高效变分模式分解及其在轴承故障诊断中的应用，结构。健康监测。, (2020), 1–18.https://10.1177/1475921720970856
[20]	李建华，陈永庆，钱振华，陆长庚，基于VMD的自适应去噪方法在供水管道泄漏定位中的应用研究，测量,151(2020), 107153. https://10.1016/j.测量2019.107153数字对象标识：10.1016/j.测量2019.107153
[21]	X.A.Yan，M.P.Jia，CSA-VMD和最优尺度形态切片双谱在提高滚动轴承外圈故障检测中的应用，机械。系统。信号处理。,122(2019), 56–86. https://10.1016/j.ymssp.2018.12.022数字对象标识：2016年10月10日/j.ymss.2018.12.022
[22]	Y.J.Zhao，C.S.Li，W.L.Fu，J.Liu，T.Yu，H.Chen，基于包络嵌套和多准则评估的改进变分模式分解方法，J.声音振动。,468(2020), 115099. https://10.1016/j.jsv.2019.115099数字对象标识：10.1016/j.jsv.2019.115099
[23]	M.Zhang，B.Yin，X.Liu，J.Guo，基于峰值区域能量和最小二乘灰色关联度的水下机器人推进器故障识别方法，高级机械。工程师。,7(2015), 1–11. https://10.1177/1687814015622905数字对象标识：10.1177/1687814015622905
[24]	D.Zhu，B.Sun，无人水下航行器推进器信息融合故障诊断方法，IET电子。系统。运输。,三(2013), 102–111. https://10.1049/iet-est.2012.0052doi（操作界面）：2009年10月10日/iet-est.2012.0052
[25]	X.B.Xiang，C.Y.Yu，Q.Zhang，关于水下机器人的智能风险分析和关键决策，海洋工程。,140(2017), 453–465. https://10.1016/j.oceaneng.2017.06.020数字对象标识：2016年10月10日/j.oceaneng.2017.06.020
[26]	A.Hyvarinen，E.Oja，《独立成分分析：算法和应用》，神经网络。,13(2000), 411–430. https://https://doi.org/10.1016/S0893-6080（00）00026-5数字对象标识代码：10.1016/S0893-6080（00）00026-5
[27]	L.Han，C.W.Li，S.L.Guo，X.W.Su，基于改进FAST-ICA和小波包能量的轴承声发射信号特征提取方法，机械。系统。信号处理。,62-63(2015), 91–99. https://10.1016/j.ymssp.2015.03.009数字对象标识：2016年10月10日/j.ymssp.2015.03.009
[28]	G.Stefatos，A.Ben Hamza，故障检测和诊断的动态独立元件分析方法，专家系统。申请。,37(2010), 8606–8617.https://10.1016/j.eswa.2010.06.101
[29]	蔡立峰，田晓明，基于稳健独立分量分析的非高斯过程故障检测新方法，工艺安全。环境。保护。,92(2014), 645–658. https://10.1016/j.psep.2013.11.003数字对象标识：2016年9月10日/j.psep.2013.11.003
[30]	于军，基于非线性核高斯混合模型的化工过程故障检测与诊断推理监控方法，化学。工程科学。,68(2012), 506–519. https://10.1016/j.ces.2011.10.011数字对象标识：2016年10月10日/j.ces.2011.10.011
[31]	邓永明，邓熵，混沌孤子分形,91(2016), 549–553.https://10.1016/j.chaos.2016.07.014
[32]	W.Qiao，D.Lu，《风力发电机组状态监测和故障诊断综述——第一部分：组件和子系统》，IEEE传输。Ind.Electron公司。,62(2015), 6536–6545. https://10.1109/tie.2015.2422112数字对象标识：10.1109/接2015.2422112
[33]	O.AlShorman，M.Irfan，N.Saad，D.Zhen，N.Haider，A.Glowacz等人，《异步电机滚动轴承状态监测和故障诊断的人工智能方法综述》，减震器。,2020(2020).https://10.1155/2020/8843759
[34]	O.AlShorman、F.Alkahatni、M.Masadeh、M.Irfan、A.Glowacz、F.Althobiani等人，《基于声音和声发射的感应电机早期故障诊断：回顾性研究》，高级机械。工程师。,13(2021).https://10.1177/1687814021996915