一种基于判别性特征学习方法的AUV自适应故障诊断方法与流程

本发明涉及auv故障诊断技术领域，具体涉及一种基于判别性特征学习方法的auv自适应故障诊断方法。

背景技术：

自主式水下机器人(auv)通常工作在复杂的海况环境下，其自身的安全性与可靠性是其是否能够成功完成任务的重要参考。

由于auv在水下作业时具有运动自由度高、外部环境干扰大、动态性能变化多样的特性，传统的辨识方法具有很大的局限性。对于这种强非线性系统，由于浅层神经网络的拟合能力在面对复杂多样的故障特征时过于依赖设计人员的专家经验而被诟病，深度学习技术的提出与发展解决了这个问题。目前，深度学习技术已经在图像、音频以及自然语言处理等领域取得了杰出的成就。然而深度学习技术在auv故障诊断领域的应用目前还未出现。

另一方面，auv在水下长时间运行时，其自身运动性能本身也会发生变化且设计人员无法完全掌握其可能的故障情况，若一直按照机器人设计之初的故障分类机制继续工作的话，容易造成auv系统无法识别运行过程中发生的新故障以及对于未发生的故障仍然耗费较多的计算资源。这样的处理方法显然不合理，新增数据的潜在信息对诊断故障更有价值。因此，考虑新增数据学习的auv故障诊断知识挖掘方法成为新的问题焦点。上述问题可以通过增量学习来解决，即学习系统在保存大部分已经学习到知识的同时，可以不断地从新数据中学习新的知识。

目前，常用的增量学习方法模型优增量式极限学习机、在线增量学习支持向量机、增量学习神经网络模型等，这些模型都起到了减轻模型计算量、提高模型准确率、有效节约时间成本的作用。但是，由于auv系统的高可靠性，其故障数据较少上述传统方法在处理这类数据时具有一定的局限性，因此如何处理非平衡情况下的海量、多远的增量状态信息，并形成动态、准确的特征知识是装备维护的问题难点。

技术实现要素：

本发明的目的在于提供一种基于判别性特征学习方法的auv自适应故障诊断方法，以实现自主提取auv运行时的推进器与传感器故障模式，自适应判定与识别新增故障模式，提高auv的自主性、可靠性与安全性并节省系统计算资源。

本发明实施例提供一种基于判别性特征学习方法的auv自适应故障诊断方法，包括：

步骤一：采集auv状态信号：根据auv故障仿真软件中所模拟的auv正常状态、推进器推力不足、卡死故障以及传感器故障的情况，分别采集auv在各状态下的信号数据5000组；

步骤二：将auv状态信号数据进行信号处理得到判别性卷积特征学习方法cdfl网络模型的输入向量：所述故障检测器的输入向量为auv模型输出理论状态值与传感器实测值的残差向量，即：

x(k)＝[u_r(k)，v_r(k)，w_r(k)，p_r(k)，q_r(k)，r_r(k)，roll_r(k)，pitch_r(k)，yaw_r(k)]

上式中，u_r(k)，v_r(k)，w_r(k)分别表示实测纵向速度、横向速度、垂向速度与理论状态值的差值，p_r(k)，q_r(k)，r_r(k)分别表示实测纵向加速度、横向加速度、垂向加速度与理论状态值的差值，roll_r(k)，pitch_r(k)，yaw_r(k)分别表示实测横倾角、纵倾角和艏向角与理论状态值的差值，根据得到的残差向量x(k)，进行快速傅里叶分解fft计算，并取其前2000组系数作为cdfl网络模型的输入样本；

步骤三：初始化cdfl网络模型权值：cdfl网络模型主体由卷积网络加上一层svm分类层构成，为了使网络具有局部判别能力在初始化cnn网络的滤波器权重时直接由训练bp网络来得到其权重数值，在建立了cdfl网络模型后便不再对卷积层滤波器权值进行调整，保证其是由bp网络预学习得来。在样本数据经过cdfl网络模型后，将cdfl网络模型提取到的数据特征加上故障状态标签作为svm分类器的输入向量进行故障分类，根据svm输出值调整svm分类层与cdfl网络层之间的连接权值；

步骤四：判断是否有新增故障数据样本加入，若没有新增故障数据样本则直接进入步骤五；若有新增故障数据样本，对新增故障数据样本使用已有模型提取新增特征模式，利用模式相似度算法计算新增特征模式中每个故障特征与原有特征模式的相似度，然后根据增量主动融合算法和权重补偿算法，进行增量合并和动态加权，得到经过动态训练加权的无标签故障数据；

步骤五：auv故障分类诊断：将有标签故障数据和经过动态训练加权的无标签故障数据作为输入向量训练svm分类器进行故障分类，通过bp算法对cdfl与svm连接层的网络权值进行微调，得到最优参数；

本发明还包括这样一些特征：

所述步骤一，其中：

所述推进器推力不足故障分为75％推力状态、50％推力状态、25％推力状态，推进器卡死故障为0％推力状态；

所述传感器故障指偏差性故障与开路性故障，其中偏差性故障指与真实的水下机器人自身状态信息相比，传感器所测得的信号有一个固定的偏差项，而开路性故障指传感器输出值为最大输出值；

所述步骤二，其中：

所述信号处理的具体方法为：根据fft系数的对称性取其前2000组系数作为cdfl网络的输入向量x(k)，将各状态下的auv数据分为四组，其中一组用于训练cdfl网络模型，剩余三组分三次添加至已有模型进行动态补偿增量学习；

所述步骤三，其中：

所述cdfl网络模型的主框架是构建一个卷积池化模型，通过卷积层的局部滤波器实现信号的局部特征学习，滤波器对整个信号进行相同的卷积操作后生成一张卷积特征图，然后通过降采样层，对卷积特征图进行池化操作，在cdfl方法中，选用的降采样方法是均值池化法，实现对故障振动卷积特征图的降维与平滑处理；

所述使用bp网络训练卷积层中滤波器连接权重的方法中，bp神经网络选用最基本的三层网络结构，sigmoid函数作为激活函数，其网络结构必须满足两点，一是bp网络的输入层节点数和卷积层滤波器的窗大小一致，二是bp网络的隐藏层节点数和卷积层中滤波器个数保持一致，则bp网络学习到的输入层到隐藏层的映射参数可直接用于卷积网络的卷积层滤波器的权值配置；

当输入层输入样本序列的长度为d，卷积层滤波器的窗大小为n时，卷积层对训练样本卷积后得到的特征图的长度为d-n+1，对卷积特征图进行均值池化后得到的特征图可表示为：

hj＝mean(zj)

其中j对应第j个滤波器得到的特征图，不同权值的滤波器可以得到不同的特征图，假设有k个滤波器，则池化层最后的输出就是所有滤波器特征图输出的串联，即：

h＝[h1，h2，...，hk]

其中每个hi的维度为(d-n+1)/r，r是池化域的大小，那么最终特征向量h的维度为：

k(d-n+1)/r；

所述步骤四，其中：

所述模式相似度算法为：

对于离散分布p和q，其kl散度定义为其中p和q分别为两个不同的故障特征模式，p(i)和q(i)代表p和q中的第i个值，p和q之间差异越小表现为两者的kl散度值越小，两者间的相似度按下式计算：

考虑到kl散度不具有对称性即dkl(p||q)≠dkl(q||p)，在此使用对称修正的kl散度dkls(p||q)来表示dkl(p||q)，其表示如下式：

其中λ||w||²为防止过拟合而加入的正则化参数，则两者间的相似度计算按下式所示：

所述步骤四，其中：

所述主动融合算法为：

计算新增特征模式与所有原有特征模式的模式相似度，选取最大值sim(p，q)max作为该特征的模式相似度值，根据以下原则判定新增或合并该特征模式：

使用α表示使两个对比特征之间相似度有意义的最小相似度阈值，其值α＝minsim(fi，fj)，表示现有特征模式中两两特征fi与fj之间相似度的最小值；使用β表示特征一般相似与高度相似之间的临界阈值，其值β＝maxsim(fi，fj)，表示现有特征模式中两两特征fi与fj之间相似度的最大值；相似度阈值α＜β，且两者随着特征模式的增量与合并，阈值α与β动态变化；

所述主动融合算法所遵循的原则为：

a)若新增特征模式相似度值大于阈值β，则表示该特征与已有特征高度相似，使用调和非线性加权平均算法将其进行合并，并提高特征权重；

b)若新增特征模式相似度值大于阈值α，且小于阈值β，则表示该特征为随时间变化出现的新增特征，将其增量加入特征集，并设置特征权重初值；

c)若新增特征模式相似度值小于阈值α，则表示该特征对已有模式影响较小，可能为无意义的噪声干扰值，对其进行舍弃处理；

d)若原有特征与所有新增特征模式相似度值均小于阈值α，则表示该特征随时间变化出现失效，依据缓慢降低特征权重，直至小于阈值α时，将其从现有模式中删除；

输入样本数据进行增量补偿学习所遵循的原则为：

1)若β＜sim(p，q)max，则表示新增特征与原有模式中的特征高度相似，则对其使用调和非线性加权平均法进行合并；

2)若α＜sim(p，q)max，则表示新增特征与已有特征均相异，则不能使用与已有特征合并的方式代替新增特征，将该特征增量加入原有模式；

3)若sim(p，q)max＜α，则表示新增特征与已有特征的相似度低于最小阈值，则代表该新增特征为无意义的噪声干扰值，对其舍弃处理；

上述原则1)中所述的调和非线性加权平均法中加权调和平均是计算公式为：

上式中，为加权调和平均组合估计值，xi为第i个特征，n为特征总数，wi为第i个特征的组合加权系数，且满足约束条件：

且预测误差e为：

上式中，x为特征实际取值，则以预测误差平方和最小解决最优化问题：

利用拉格朗日乘子法在最小二乘法原理下求解得最优权重向量及目标函数最小值，实现新增模式与原有模式的合并；

所述步骤四，其中：

所述权重补偿算法为：

根据新增模式增量与合并原则，计算其动态补偿权重，用以权衡该特征模式随时间变化的重要性改变程度，以权重补偿的形式达到增强有效模式和减少失效模式的作用，由于新增特征与已有特征的相似度能够在一定程度上反映该新增模式对当前模式的重要性，所以对模式相似度值使用下式归一化处理：

上式中，minsim(p，q)表示所有模式相似度中的最小值，maxsim(p，q)表示所有模式相似度中的最大值；

对原则a)中高度相似的特征模式采取合并操作，该类模式说明其随设备状态变化的过程中频繁出现，具有重要的作用，应当升高其权重以增强有效模式，其动态权重计算方法如下，特征相似度越大表示该特征在模式中的作用越大：

wi+1＝wi+sim(p，q)，morm

上式中，第i+1次对原有特征p进行合并操作是赋予的权重为第i次合并权重与原有特征p和新增特征q的相似度相加，初次合并时i＝0，w0为初始权值，设置为原有特征模式中两两特征之间的最大相似度maxsim(p，q)；

对原则b)中已增量加入原有模式的特征采取新增操作，该类模式说明其为随状态数据变化新出现的模式，需要为其赋予初始权值，计算方法如下，特征相似度恰好能够表示其在当前模型中的重要程度：

w0＝sim(p，q)norm

对于原则c)中舍弃的新增模式不予考虑，但原有模式中存在与所有新增特征相似度均小于阈值α的情况，这表明其没有出现在新增模式中，该特征可能随状态数据变化逐渐失效，因此采用下式缓慢降低其权重，当经过多次增量学习迭代之后，对于一直未出现的特征其权重将会逐渐减小直至小于阈值α时，表明该特征已变为无效特征，需将其从现有模式中删除：

wi+1＝wi-sim(p，q)norm

上式中，第i+1次未在新增模式中出现的特征p的权重为第i次未出现时权重与其相似度做差，特征p初次未出现时i＝0，w0为初始权值，同样设置为原有特征模式中两两特征之间的最大相似度maxsim(p，q)；

所述步骤五，其中：

所述auv故障分类诊断方法为：

基于上述增量补偿动态深度学习故障诊断模型，实时将auv传感器所采集到的采集到的传感器输入与理论状态值做差，得到残差数据后将其经过fft变换后得到的系数作为故障观测器网络模型输入，能够在存在增量数据的情况下提取新增故障特征并输出故障模式类型，实现auv系统的实时故障诊断；

本发明的有益效果在于：

1.本发明提出的基于cdfl网络auv故障诊断系统首先通过bp神经网络对局部信号特征进行判别性学习，然后将这种学习到的映射关系用于设置卷积层滤波器权值，使得构建的卷积池化模型能够按照这种设定的局部学习方式进行卷积特征学习，学习到的特征不仅具有不变性，而且具有一定的判别性，能够自主的生成auv故障信号中有效的故障特征，不需要再对特征学习模型进行有监督的微调，大大简化模型与训练用时；

2.本发明采用的动态补偿增量式学习策略，依据相似性实时的减少或加重故障特征的影响从而进行长航程下更为准确的故障诊断；

3.本发明模式相似度算法中基于kl散度的相似度计算与基于欧式距离的相似度计算相比，由于其不是通过直接计算距离度量而是基于分布间的相对熵来计算其差异性，因而拥有更高的精度。

附图说明

图1为本发明基于动态补偿的增量学习过程图；

图2为本发明判别性卷积特征学习方法cdfl网络的结构图；

图3为一种基于判别性特征学习方法的auv自适应故障诊断方法的流程图；

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明做进一步描述：

图1为本发明基于动态补偿的增量学习过程图；

图2为本发明判别性卷积特征学习方法cdfl网络的结构图；

图3为一种基于判别性特征学习方法的auv自适应故障诊断方法的流程图。

本发明具体包括如下步骤：

(1)采集auv状态信号：

在auv的故障仿真软件中模拟auv正常状态、推进器推力不足、卡死故障以及传感器故障，并采集信号，auv各状态下数据各采集5000组。

(2)得到auv状态信号并经过信号处理得到cdfl网络的输入向量(对所采集信号进行处理，将实测状态值与理论状态值做差得到残差向量后再将残差向量进行fft变化，取其前2000组傅里叶系数作为cdfl网络的训练样本输入向量)：

所述故障检测器的输入向量为auv模型输出的理论状态值与传感器的实际测量值的残差向量x(k)＝[u_r(k)，v_r(k)，w_r(k)，p_r(k)，q_r(k)，r_r(k)，roll_r(k)，ptich_r(k)，yaw_r(k)]式中u_r(k)，v_r(k)，w_r(k)为实测纵向速度、横向速度、垂向速度与理论状态值的差值，p_r(k)，q_r(k)，r_r(k)分别为实测纵向加速度、横向加速度、垂向加速度与理论状态值的差值，roll_r(k)，pitch_r(k)，yaw_r(k)分别为实测横倾角、纵倾角和艏向角与理论横倾角、纵倾角和艏向角的差值。得到残差向量x(k)后对其进行快速傅里叶分解(fft)计算并取其系数作为cdfl网络模型的输入样本。

(3)初始化cdfl网络权值：

cdfl网络主体由卷积网络加上一层svm分类层构成，为了使网络具有局部判别能力在初始化cnn网络的滤波器权重时直接由训练bp网络来得到其权重数值，在建立了cdfl网络模型后便不再对卷积层滤波器权值进行调整，保证其是由bp网络预学习得来。在样本数据经过cdfl网络后，将cdfl网络提取到的数据特征加上故障状态标签作为svm分类器的输入向量进行故障分类，根据svm输出值调整svm分类层与cdfl网络层之间的连接权值。

(4)若无新增故障数据样本加入则至(5)，若有新增故障数据样本：

首先针对新增故障数据使用已有模型进行故障特征提取，得到新增数据的特征模式。然后使用模式相似度算法计算得出新增特征模式中每个故障特征与原有特征模式的相似度，并根据增量主动融合算法对新增特征模式进行增量合并，采用权重补偿算法进行动态加权。

(5)故障分类：

将有标签故障数据和经过动态训练加权的无标签故障数据作为输入向量训练svm分类器进行故障分类，并使用bp算法对cdfl与svm连接层的网络权值进行微调已得到最优参数。

所述步骤(1)具体包括：推进器推力不足故障分为75％推力状态、50％推力状态、25％推力状态，推进器卡死故障为0％推力状态，传感器故障主要指偏差性故障与开路性故障两种，其中偏差性故障指与真实的水下机器人自身状态信息相比，传感器所测得的信号有一个固定的偏差项，开路性故障指传感器输出值为最大输出值。

所述步骤(2)具体包括：根据fft系数的对称性取其前2000组系数作为cdfl网络的输入向量x(k)。将各状态下的auv数据分为四组，其中一组用于训练cdfl网络模型，剩余三组分三次添加至已有模型进行动态补偿增量学习。

所述步骤(3)具体包括：所述判别性卷积特征学习方法(cdfl)主框架是构建一个卷积池化模型，通过卷积层的局部滤波器实现信号的局部特征学习，滤波器对整个信号进行相同的卷积操作后生成一张卷积特征图，然后通过紧跟着的降采样层，对卷积特征图进行池化操作，在cdfl方法中，选用的降采样方法是均值池化法，实现对故障振动卷积特征图的降维与平滑处理。所述使用bp网络训练卷积层中滤波器连接权重的方法中bp神经网络选用最基本的三层网络结构，sigmoid函数作为激活函数，其网络结构必须满足两点，首先是bp网络的输入层节点数和卷积层滤波器的窗大小一致，其次bp网络的隐藏层节点数和卷积层中滤波器个数保持一致，这样bp网络学习到的输入层到隐藏层的映射参数就可以直接用于卷积网络的卷积层滤波器的权值配置。

当输入层输入样本序列的长度为d，卷积层滤波器的窗大小为n时，卷积层对训练样本卷积后得到的特征图的长度为d-n+1，对卷积特征图进行均值池化后得到的特征图可表示为：

hj＝mean(zj)

其中j对应第j个滤波器得到的特征图。不同权值的滤波器可以得到不同的特征图，假设有k个滤波器，那么池化层最后的输出就是所有滤波器特征图输出的串联为：

h＝[h1，h2，...，hk]

其中每个hi的维度为(d-n+1)/r，r是池化域的大小，那么最终特征向量h的维度为k(d-n+1)/r。

所述步骤(4)具体包括：

融合的主要过程遵循以下原则：

a)若新增特征模式相似度值大于阈值β，则表示该特征与已有特征高度相似，使用调和非线性加权平均算法将其进行合并，并提高特征权重；

b)若新增特征模式相似度值大于阈值α，且小于阈值β，则表示该特征为随时间变化出现的新增特征，将其增量加入特征集，并设置特征权重初值；

c)若新增特征模式相似度值小于阈值α，则表示该特征对已有模式影响较小，可能为无意义的噪声干扰值，对其进行舍弃处理；

d)若原有特征与所有新增特征模式相似度值均小于阈值α，则表示该特征随时间变化出现失效，依据缓慢降低特征权重，直至小于阈值α时，将其从现有模式中删除；

其中相似度算法包括：

对于离散分布p和q，其kl散度定义为其中p和q分别为两个不同的故障特征模式，p(i)和q(i)代表p和q中的第i个值，p和q之间差异越小表现为两者的kl散度值越小。其两者间的相似度按下式计算：

考虑到kl散度不具有对称性即dkl(p||q)≠dkl(q||p)，我们在此使用对称修正的kl散度dkls(p||q)来表示dkl(p||q)其表示如下式：

其中λ||w||²为防止过拟合而加入的正则化参数，这样两者间的相似度计算按下式所示

基于kl散度的相似度计算与基于欧式距离的相似度计算相比，因为不是通过直接计算距离度量而是基于分布间的相对熵来计算其差异性而拥有着更高的精度。

步骤(4)中所述的主动融合算法为：

计算新增特征模式与所有原有特征模式的模式相似度，选取最大值sim(p，q)max作为该特征的模式相似度值，并根据以下原则判定新增或合并该特征模式：

使用α代表使两个对比特征之间相似度有意义的最小相似度阈值，其值α＝minsim(fi，fj)，代表现有特征模式中两两特征fi与fj之间相似度的最小值。使用β代表特征一般相似与高度相似之间的临界阈值，其取值β＝maxsim(fi，fj)，代表现有特征模式中两两特征fi与fj之间相似度的最大值。可见，相似度阈值α＜β，且两者随着特征模式的增量与合并，阈值α与β动态变化。

输入样本数据进行增量补偿学习时遵循以下原则：

1)若β＜sim(p，q)max则表示新增特征与原有模式中的特征高度相似，可对其使用调和非线性加权平均法进行合并；

2)若α＜sim(p，q)max，则表示新增特征与已有特征均相异，不能使用与已有特征合并的方式代替新增特征，所以将该特征增量加入原有模式；

3)若sim(p，q)max，则表示新增特征与已有特征的相似度低于最小阈值，代表该新增特征为无意义的噪声干扰值，对其舍弃处理。

上述原则1)中所述的调和非线性加权平均法中加权调和平均是计算公式为：

其中：为加权调和平均组合估计值，xi为第i个特征，n为特征总数，wi为第i个特征的组合加权系数，且满足约束条件：

且预测误差e为：

其中，x为特征实际取值，则以预测误差平方和最小解决最优化问题：

利用拉格朗日乘子法在最小二乘法原理下求解得最优权重向量及目标函数最小值，实现新增模式与原有模式的合并。

步骤(4)中权重补偿算法为：

根据新增模式增量与合并原则，计算其动态补偿权重，用以权衡该特征模式随时间变化的重要性改变程度，以权重补偿的形式达到增强有效模式和减少失效模式的作用。由于新增特征与已有特征的相似度能够在一定程度上反映该新增模式对当前模式的重要性，所以对模式相似度值使用下式归一化处理：

其中，minsim(p，q)表示所有模式相似度中的最小值，maxsimn(p，q)表示所有模式相似度中的最大值。

对原则a)中高度相似的特征模式采取合并操作，该类模式说明其随设备状态变化的过程中频繁出现，具有较重要的作用，应当升高其权重以增强有效模式。其动态权重计算方法如下，其中特征相似度越大表示该特征在模式中的作用越大：

wi+1＝wi+sim(p，q)norm

其中，第i+1次对原有特征p进行合并操作是赋予的权重为第i次合并权重与原有特征p和新增特征q的相似度相加，初次合并时i＝0，w0为初始权值，设置为原有特征模式中两两特征之间的最大相似度maxsim(p，q)。

对原则b)中已增量加入原有模式的特征采取新增操作，该类模式说明其为随状态数据变化新出现的模式，需要为其赋予初始权值，计算方法如下，其中特征相似度恰好能够表示其在当前模型中的重要程度：

w0＝sim(p，q)norm

对于原则c)中舍弃的新增模式不予考虑，但原有模式中存在与所有新增特征相似度均小于阈值α的情况，这表明其没有出现在新增模式中，该特征可能随状态数据变化逐渐失效，因此采用下式缓慢降低其权重。当经过多次增量学习迭代之后，对于一直未出现的特征其权重将会逐渐减小直至小于阈值α时，表明该特征已变为无效特征，需将其从现有模式中删除：

wi+1＝wi-sim(p，q)norm

其中，第i+1次未在新增模式中出现的特征p的权重为第i次未出现时权重与其相似度做差，特征p初次未出现时i＝0，w0为初始权值，同样设置为原有特征模式中两两特征之间的最大相似度maxsim(p，q)。

所述步骤(5)具体包括：

基于上述增量补偿动态深度学习故障诊断模型，我们可以实时的将auv传感器所采集到的采集到的传感器输入与理论状态值做差，得到残差数据后将其经过fft变换后得到的系数作为故障观测器网络模型输入，能够在存在增量数据的情况下提取新增故障特征并输出故障模式类型，从而实现auv系统的实时故障诊断。

综上，本发明公开了一种基于判别性特征学习方法的auv自适应故障诊断方法。具体步骤如下：1.在auv的故障仿真软件中模拟auv正常状态、推进器推力不足、卡死故障以及传感器故障，并采集信号；2.将auv实测信号与理论状态做差得到残差向量，经过fft变换获取前2000组傅里叶系数；3.运用数据训练cdfl深度网络；4.若有新增故障数据样本则使用训练好的cdfl网络进行故障特征提取得到新增数据的特征模式，然后使用模式相似度算法计算得出新增特征模式中每个故障特征与原有特征模式的相似度，并根据增量主动融合算法对新增特征模式进行增量合并，采用权重补偿算法进行动态加权；5.将有标签故障数据和经过动态训练加权的无标签故障数据作为输入向量训练svm分类器进行故障分类，并使用bp算法对cdfl与svm连接层的网络权值进行微调已得到最优参数。