一种水下载人潜器预防事故设备

本发明涉及预防事故领域，具体涉及一种水下载人潜器预防事故设备。

背景技术：

1、海洋约占地球表面积的71％，并以其辽阔的面积，蕴含极其丰富的生物和矿产资源，随着陆地化石能源的快速消耗，海洋资源的探测及开发利用越来越迫切。为探索海洋，人们已经研究出多种载人潜器，并用于海洋的科学考察、水下打捞、海底资源勘探等方面。但是水下环境错综复杂，载人潜器在运行过程中可能会出现异物缠绕螺旋桨、螺旋桨腐蚀破损、电动机机械故障、动力不足等故障，一旦发生故障，不仅不能够顺利完成潜航使命和任务，而且将对载人潜器本身甚至是潜航员带来无法挽回的损失。因此，对载人潜器展开实时故障预测、健康管理以及图像数据处理是一项至关重要的工作。

2、目前，对于潜器的故障监测以及图像数据处理主要是关于水下无人潜器的研究，水下载人潜器中的潜航员将会带来不确定的人因影响，且潜航员的生命安全具有更高的价值。

3、此外，目前对于载人潜器的故障诊断、预测以及图像数据处理目前主要依靠人工来实现，缺乏对潜器各部件工作状态和剩余寿命的判断。零部件的维修最早依靠事后维修策略，即在发生故障后进行维修的一种被动性策略，这种维修策略只适用于结构较为简单且出现故障后果不严重的位置，对于水下载人潜器这种具有复杂系统结构并且关系到潜航员生命安全而言，事后维修策略具有极大的局限性；为提前发现故障的发生，领域内的专家先后提出了定时维修策略和基于状态的维修策略，即定期检查设备状态或实时监测设备状态并给出维修方案，这种方法在一定程度上解决了事后维修策略的不足，但是两种方法缺乏预测性维修思想且经常的检查会带来大量人力和物力的浪费。

技术实现思路

1、针对现有技术中存在的上述技术问题，本发明提出了一种水下载人潜器预防事故设备，设计合理，克服了现有技术的不足，具有良好的效果。

2、为了实现上述目的，本发明采用如下技术方案：一种水下载人潜器预防事故设备，包括硬件系统；其中，硬件系统包括动力模块监测子系统、功能模块监测子系统、内部可视化子系统、信号处理子系统和外部可视化子系统，内部可视化子系统和信号处理子系统分别与动力模块监测子系统、功能模块监测子系统通过线路连接；动力模块监测子系统，被配置为用于实时监测轴承振动情况、电动机的电压情况、通过电动机的电流情况以及推进器螺旋桨的转动速度；功能模块监测子系统，被配置为用于接收导航所需要的声学信息、视觉信息和卫星信息并实时监测电池组的各项参数、水下载人潜器的航行速度、载人潜器的下潜深度、载人潜器周围海水的温度盐度和下潜深度信息以及载人潜器的艏朝向信息；内部可视化子系统，被配置为用于收集并处理动力模块监测子系统和功能模块监测子系统采集到的信号，通过数据库与故障模型对比，判断当前是否发生故障，进一步判断发生故障的类别；通过水下载人潜器内置计算机进行机器学习算法，结合对水下载人潜器各设备的运行数据多级故障状态评估，预测潜在的故障及其剩余寿命，并将收集到的信息、故障诊断和预测结果以及维护建议信息显示在第一显示屏中；信号处理子系统，被配置为用于将接收到的来自动力模块子系统和功能模块子系统的信息转换为声学信号，将转换后的信号通过水声通信发送给接收信号的母船；外部可视化子系统，被配置为用于接收水下载人潜器发出的信号；集处理分析水下载人潜器的各种信息；对水下载人潜器传递的数据进行具体的故障判断和故障分类，根据相关信息给予远程帮助，水上故障预测模块通过陆上工作站进行机器学习，判断水下载人潜器零部件当前剩余寿命，根据实时数据情况做出决策；调遣相关技术人员及时进行维护或更换零部件作业；向仓库部门派送需要维护或更换的零部件及工具；将收集的信息、故障诊断和预测结果以及调遣人员物资情况显示在第二显示屏上，实时监测数据和发出指令。

3、优选地，动力模块子系统包括加速度传感器、电压传感器、电流传感器和转速传感器；其中，加速度传感器，被配置为用于实时监测轴承振动情况；电压传感器，被配置为用于实时监测电动机的电压情况；电流传感器，被配置为用于实时监测通过电动机的电流情况；转速传感器，被配置为用于实时监测推进器螺旋桨的转动速度。

4、优选地，功能模块监测子系统包括电池传感器、导航传感器、偏航率传感器、多普勒测速声呐、深度传感器、温盐深仪和罗盘；其中，电池传感器，被配置为用于实时监测电池组的各项参数；导航传感器，被配置为用于接收导航所需要的声学信息、视觉信息和卫星信息，偏航率传感器，被配置为用于监测载人潜器在横轴、纵轴和垂直轴三个方向的绕轴运动，多普勒测速声呐，被配置为用于监测水下载人潜器的航行速度；深度传感器，被配置为用于监测载人潜器的下潜深度；温盐深仪，被配置为用于监测载人潜器周围海水的温度、盐度和下潜深度信息；罗盘，被配置为用于负责监测载人潜器的艏朝向信息。

5、优选地，内部可视化子系统包括水下数据收集及处理模块、水下故障诊断模块、水下故障预测模块、水下信息转换模块和第一显示屏；其中，水下数据收集及处理模块，被配置为用于收集并处理动力模块监测子系统和功能模块监测子系统采集到的信号；水下故障诊断模块，被配置为用于通过数据库与故障模型对比，判断当前是否发生故障，进一步判断发生故障的类别；水下故障预测模块，被配置为用于通过水下载人潜器内置计算机进行机器学习算法，结合对水下载人潜器各设备的运行数据多级故障状态评估，预测潜在的故障及其剩余寿命；水下信息转换模块，被配置为用于将收集到的信息、故障诊断和预测结果以及维护建议信息显示在第一显示屏中，收集到的信息包括水下载人潜器各传感器的信息，故障诊断包括诊断出的故障类型，故障预测包括预测出的剩余寿命和故障发生的概率，维户建议信息包括制定的立即维修、短期维修计划和长期维修计划的建议。

6、优选地，信号处理子系统包括信号处理模块和水下通信模块；其中，信号处理模块，被配置为用于将接收到的来自动力模块子系统和功能模块子系统的信息转换为声学信号；水下通信模块，被配置为用于将转换后的信号通过水声通信发送给接收信号的母船。

7、优选地，外部可视化子系统包括水上通信模块、水上数据收集及处理模块、水上故障诊断模块、水上故障预测模块、人员调度模块、物资管理模块、水上信息转换模块和第二显示屏；水上通信模块，被配置为用于接收水下载人潜器发出的信号；水上数据收集及处理模块，被配置为用于收集处理分析水下载人潜器的各种信息；水上故障诊断模块，被配置为用于对水下载人潜器传递的数据进行具体的故障判断和故障分类，根据相关信息给予远程帮助，水上故障预测模块通过陆上工作站进行机器学习，判断水下载人潜器零部件当前剩余寿命，根据实时数据情况做出决策；人员调度模块，被配置为用于调遣相关技术人员及时进行维护或更换零部件作业；物资管理模块，被配置为用于向仓库部门派送需要维护或更换的零部件及工具；水上信息转换模块，被配置为用于将收集的信息、故障诊断和预测结果以及调遣人员物资情况显示在第二显示屏上，实时监测数据和发出指令；收集到的信息包括水下载人潜器各传感器的信息，故障诊断包括诊断出的故障类型，故障预测包括预测出的剩余寿命和故障发生的概率，维户建议信息包括制定的立即维修、短期维修计划和长期维修计划的建议。

8、优选地，还包括软件系统，软件系统包括数据管理模块、技术管理模块、hmi人机交互模块和用户管理模块；数据管理模块包括历史数据库、专家经验数据库、仿真试验数据库、实际试验数据库、在线数据库和备份数据库；历史数据库，被配置为用于存储历次实际作业任务时获得的正常运行和故障数据；专家经验数据库，被配置为用于存储常见的可靠性数据；仿真试验数据库，被配置为用于存储仿真软件得到的故障仿真数据，包括仿真软件模拟能源不足故障、异物缠绕故障、轴承损伤故障和螺旋桨叶片损伤故障等仿真模型所得到的故障数据；实际试验数据库，被配置为用于存储载人潜器实际下水试验以及载人潜器模型实际下水试验所得到的正常运行和故障数据；在线数据库，被配置为用于接收、存储水下载人潜器进行作业任务时实时传输的设备数据，以用于故障的实时诊断及预测；备份数据库，被配置为用于备份历史数据库、专家经验数据库、仿真试验数据库、实际试验数据库和在线数据库中的数据，防止数据发生丢失；技术管理模块，包括数据预处理单元、算法管理单元、故障诊断单元、故障预测单元和剩余寿命单元；数据预处理单元，被配置为用于负责处理在线数据；算法管理单元，被配置为用于负责管理数据预处理方法、故障诊断方法、故障预测方法的更新维护，保证全技术的正常使用；故障诊断单元，被配置为通过cnn-lstm算法对预处理后的在线数据进行模型识别，判断是否发生故障且发生哪种故障；故障预测单元，被配置为通过cnn-lstm算法对未发生故障的数据进行深入分析，预测未来可能发生的故障；剩余寿命单元，被配置为用于负责在故障预测的基础上对当前状态进行评级，按照内置的状态等级划分推测出零部件剩余使用寿命；hmi人机交互模块，包括运行数据显示单元、运行状态显示单元、故障诊断显示单元、剩余寿命显示单元、维修建议单元和维修日志填报单元；运行数据显示单元，被配置为用于显示当前各零部件实时数据情况，并支持使用人员查看历史运行数据；运行状态显示单元，被配置为用于实时显示当前水下载人潜器运行状态并支持使用人员查看历史运行状态；故障诊断显示单元，被配置为用于显示故障诊断结果，显示故障发生的零部件与故障类型情况；剩余寿命显示单元，被配置为根据内置的状态等级划分给出可能发生故障零部件的剩余使用寿命；维修建议单元，被配置为用于根据当前故障类型和潜在故障排除的需要给出维修建议，包括排除潜在故障时间节点，故障维修方式和所需更换的零部件；维修日志填报单元，被配置为用于故障维护后维修人员填写记录，以备用于查看，提高工作效率；用户管理模块，包括技术人员、维修人员、管理人员和专家顾问，按需求为不同职能人员发出不同任务。

9、此外，本发明还提到一种水下载人潜器预防事故处理方法，该方法采用如上所述的一种水下载人潜器预防事故设备，包括以下步骤：步骤1：根据历史故障数据库、专家经验数据库和试验数据库，建立水下载人潜器故障预测与健康管理离线模型，作为在线监测诊断预测的使用依据；步骤2：水下载人潜器故障实时数据的收集和处理，根据不同设备零部件出现的包括振动信号、电流和电压在内的故障数据，标记出对应的故障标签，作为建立故障预测与健康管理的模型；步骤3：输入水下载人潜器故障数据，将实时采集到的数据进行数据预处理；步骤4：建立模型，结合步骤1中的离线模型，建立故障诊断cnn卷积神经网络和故障预测lstm长短期记忆网络，根据诊断和预测结果给出维修建议；步骤5：数据可视化，将数据、诊断结果、预测结果以及剩余寿命信息以包括表格、图片和风险等级在内的形式显示出来；步骤6：维修管理，根据建议做出决策，调遣相关专业维修人员并从仓库调用所需的物资材料，配合完成维护；步骤7：更新模型，根据实际维护情况进行维修反馈，将反馈结果和新故障数据作为更新模型的根据。

10、优选地，在步骤3中，数据预处理，包括通过pca主成分分析法进行降维，通过dbscan聚类算法筛选故障数据和正常数据；其中，pca主成分分析法具体如下：假设有m个数据，数据的维度是n，这m个数据所组成的矩阵记为x，x是一个n×m的矩阵，x的每一行代表一个数据，将矩阵x写成xn×m＝(x1，x2，…，xm)；其中，m为数据个数；n为数据维度；x为m个数据组成的矩阵即为xn×m。

11、对于关键变量x，采用以下形式进行降维：(1)将每一列的数据进行中心化，得到新的数据矩阵，中心化的公式如下所示：其中，m为数据的列数；x′为中心化后的矩阵；xi为需要中心化的数据；xj为该行的每一个数据。

12、(2)计算样本的协方差矩阵：其中，c为样本的协方差矩阵；x′为中心化后的矩阵；t代表矩阵转置。

13、(3)基于特征值或者svd分解协方差矩阵，求解出协方差矩阵的特征值以及对应的特征向量。

14、(4)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵p。

15、(5)得到降维后的新数据y：y＝px；其中,y为降维后的新数据；p为取出的前k行组成的矩阵。

16、获得降维数据：yk×m＝(y1，y2，…，ym)；其中，yk×m为降维后的k行m列矩阵，即降维至k维。

17、dbscan聚类算法具体如下：设定m个数以及邻域的半径，将数据点分为以下三类：核心点：若样本点的邻域内至少包含m个样本，则样本点为核心点；边界点：若样本点的邻域内包含的样本数目小于m个样本，但是它在其他核心点的邻域内，则样本点为边界点；噪音点：既不是核心点也不是边界点的点；预处理完成后，把不同故障数据分别整理在一个文件中并赋予对应的故障标签以备训练。

18、优选地，步骤4中，故障诊断和预测包含以下步骤：卷积计算→批量标准化→激活函数→池化→舍弃→全连接层；卷积运算尺寸变化表示为：其中，woutput和houtput为输出数据的两维特征长度，winput和hinput是输入数据的两维特征长度；wfilter和hfilter是卷积核的宽和高；q是全零填充的圈数；s是卷积核的步长；relu激活函数：其中，f(x)为激活函数；x为自变量；e为自然对数；α为常数。

19、池化运算尺寸变化表示为：其中，uoutput和voutput为输出数据的两维特征长度，uinput和vinput是输入数据的两维特征长度；ufilter和vfilter是池化核的宽和高；s′是池化核的步长。

20、利用建立的卷积神经网络，设定卷积层对故障数据进行故障特征提取，对数据进行批量标准化和，使用relu激活函数，通过池化减少特征数量，舍弃部分神经元防止出现过拟合，再设定训练集与测试集比例，使用全连接层进行训练，配合softmax函数完成故障分类，得到诊断结果输出；再将卷积神经网络训练后的数据数如到长短期记忆网络(lstm)中，使用tanh激活函数，首先通过遗忘门决定保留和丢弃信息，再通过输入门选择性更新信息，再通过输出门得到确定当前的输出信息，再将长短期记忆网络处理后的数据输入全连接层，通过反向传播计算更新各门控的参数，最终得到预测结果输出。长短期记忆网络包含输入门、遗忘门和输出门三个门控，输入门负责对输入的信息进行选择性保留，遗忘门负责决定是否舍弃或保留上一时刻的信息，输出门负责决定当前时刻的输出，长短期记忆网络通过三个门控对信息的传递，对长期需要保留的信息具有较好的保存功能，并能够舍弃与预测相关性不大的信息，在长期预测方面具有较好的性能。

21、本发明所带来的有益技术效果：采用本发明的预防事故设备分析水下载人潜器工作过程中各传感器数据，分析预测潜器的故障，并进行图像数据处理，为水下载人潜器的正常工作与潜航员的生命安全提供了保障，最大限度地减少了水下载人潜器故障带来的各种损失。