基于神经网络的潜水器自动操舵仪故障诊断研究_李相远.pdf

基于神经网络的潜水器自动操舵仪故障诊断研究李相远，黄浩，李海（武汉船用机械有限责任公司，湖北武汉430084）摘要：开展某型潜水器自动操舵仪功能结构分析，在此基础上设计了基于 RBF 神经网络的故障诊断流程，使用历史故障事件库数据进行神经网络训练，并采用故障事件数据对诊断识别能力进行检验，为潜水器自动操舵仪的故障诊断识别提出了一种新的思路。关键词：自动操舵仪故障诊断RBF 神经网络Gauss函数中图分类号：TN911文献标识码：A文章编号：1003-773X（2023）02-0005-03引言潜水器在水下航行过程中，其运行的精准性依赖于罗经、计程仪、测深仪、潜水型自动操舵仪、航迹自绘仪、惯性导航以及操舵机构等设备组成的水下综合导航系统，其中具备航向与深度联合自动操舵功能的潜水型自动操舵仪作为核心装备，通过对潜水器艉部十字形布置的升降舵和水平舵机构舵面的调整，进而实现对潜水器航向、深度及纵倾角的控制，是保障安全航行与完成任务的关键设备之一。在潜水器出航执行任务之前，必须对舵系统的功能指标进行检验，若自动操舵仪在检查中出现异常则要求快速实现故障定位，并准确地完成其故障源识别，以便及时组织维修力量开展零备件更换或运行参数调整等工作，实现设备技术指标状态恢复。因此将基于径向基函数的RBF 神经网络应用于潜水器自动操舵仪的故障诊断工作中，利用其在分类能力和自学习能力方面的优势提高故障诊断工作水平，具有一定的研究意义。1自动操舵仪的结构分析某型潜水型自动操舵仪内置三个主控执行模块，其中 A主控模块对应艉部水平舵操控功能实现，B 主控模块和 C主控模块联合对应升降舵操控功能。每个主控模块都包含有姿态评测、运算放大、执行信号计算输出功能部分。A 主控模块结构如图 1 所示，水平姿态测量解算模块中的陀螺仪测取并解算潜水器沿标准运动坐标系 GY轴和 GX轴的旋转角速度分量 Y、X，计算得到该变量映射的直流电压值，该信号经降噪后进入运算放大模块；水平加速度测量解算模块并通过加速度传感器接收并解算 GY轴和 GX轴向的加速度分量 Y、X，信号同样经降噪处理后与水平舵令信号共同进入安全限值模块，解算后形成合成指令进入运算放大模块，运算放大模块按照预设的程序经计算后输出水平工作舵令 2 至水平舵本地控制器，再经过舵机的机械工作机构驱动水平舵叶偏转，完成水平方向姿态调整动作1-2。B 主控模块与 C 主控模块为联控结构，负责通过控制升降舵叶的偏转角实现潜水器升降的倾斜角度控制。其中 B主控模块结构与 A主控模块结构相似，在生成执行舵令后经机械执行机构驱动升降舵叶偏转，C 主控模块用于 GZ轴向翻滚姿态监控防止在 GZ出现翻滚失控，并根据评测的翻滚状态生成补偿舵令，经差动补偿装置对 B 主控模块舵令予以补偿修正，从而实现升降倾斜动作联控，见图 2。2故障诊断思路2.1诊断流程设计故障诊断系统既要尽量全面地采集监测对象的状态量，又必须能够从庞大的监测数据中筛选识别出能够映射故障的特征量，才能有效实施故障诊断工作。故障因素可分为设备本身故障、外界环境超出正常工况范围和人为操作失误三类故障源，而其中后两收稿日期：2022-06-14第一作者简介：李相远（1987），男，山东枣庄人，工学硕士，毕业于中国地质大学，工程师，研究方向为液压传动与控制、自动操舵仪故障诊断等。总第 238 期2023 年第 2 期机械管理开发MechanicalManagementandDevelopmentTotal 238No.2，2023DOI:10.16525/14-1134/th.2023.02.002图 1A主控模块结构图 2B 主控模块和 C 主控模块联控结构主控模块 A水平姿态测量解算模块水平加速度测量解算模块水平舵令（电子海图或手动操舵）水平安全限值模块运算放大模块水平舵本地控制器水平舵机机械运动机构水平舵叶主控模块 B升降姿态测量解算模块升降加速度测量解算模块主控模块 C翻滚姿态测量解算模块翻滚安全限值模块升降安全限值模块运算放大模块运算放大模块升降舵本地补偿控制器升降舵本地控制器升降舵机差动补偿运动机构升降舵叶升降舵令（电子海图或手动操舵）试验研究机械管理开发第 38 卷者虽然引发了故障现象，但是设备本身技术状态实际为正常态，且能够快速识别和验证，因此将神经网络诊断环节设置用于识别设备本身故障类别。自动操舵仪故障诊断流程基于以下思路：通过向主控执行主控模块的关键节点给予标准激励信号，如果系统状态无异常，则将在相应的舵叶上出现相应的偏转量；如果系统中存在故障点，则最终舵叶的偏转量将出现差异。作为前馈型神经网络，RBF 的局部映射特点对非线性规律表现逼近效果更好，而且学习训练的效率高，因此将其用于故障识别环节。某型潜水器自动操舵仪的故障诊断流程设计见图 3。2.2网络变量确定根据上页图 1、图 2 可知，各主控模块结构、功能均有区别，因此故障特征也需分别提取。对于主控模块 A，向各关键点输入标准激励信号，获取相应的舵叶偏转量数列，将其设为神经网络输入如式（1）所示。式（1）中各参数定义：X1为舵系斜率；X2为舵令传递系数；X3为超负荷传递系数；X4为角速度传递系数；X5为零位；X6为极限设定值。XA=（X1，X2，X3，X4，X5，X6）T.（1）主控模块 A主要部件的状态进行罗列，将其设为神经网络的输出如式（2）所示。式（2）中各参数定义：Y1为水平姿态测量解算模块故障；Y2为水平加速度测量解算模块故障；Y3为水平安全限值模块故障；Y4为运算放大模块故障；Y5为水平舵本地控制器故障。YA=（Y1，Y2，Y3，Y4，Y5）T.（2）主控模块 B 和主控模块 C 在最终执行上为联控关系，但是主控模块 B 的组成结构与主控模块 A 相同，因此主控模块 B 的诊断参数参照主控模块 A 的模式设定，不再重复列举。主控模块 C 稍有区别，提取故障征兆参数，设定输入输出如式（3）、式（4）所示。式中：Xc1为舵系斜率；Xc2为翻滚角位置传递系数，Xc3为零位；Xc4为最大翻滚角；Xc5为极限设定值；Yc1为翻滚姿态测量解算模块故障；Yc2为翻滚安全限值模块故障；Yc3为运算放大模块故障；Yc4为升降舵本地补偿控制器故障。Xc=（Xc1，Xc2，Xc3，Xc4，Xc5）T.（3）Yc=（Yc1，Yc2，Yc3，Yc4）T.（4）2.3输入变量的归一化预处理RBF 神经网络训练迭代过程中，由于特征数据间值范围存在较大区别，因此当梯度更新时，震荡现象不可避免，需要较长的时间才能达到局部最优解。为提高神经网络训练效率，需要对数据进行归一化处理。参照 RBF 神经网络诊断领域已有的研究成果，采用 Gauss（高斯）函数作为径向基函数进行数据的归一化处理，函数表达式如式（5）所示。式（5）中 为允许数据合格偏离限值。Y=exp（-（x-x0）22 ln2）.（5）3应用测试以主控模块 A 的诊断程序为测试对象，从该型操舵仪生产厂家提供的故障数据库中，筛选出主控模块 A 的故障事件 42 项，每项包含一组故障征兆数据42 组和相应故障源信息。随机抽取其中的 30 个事件作为 RBF 神经网络诊断的训练样本，其中部分样本数据见表 1（输入参数已采用式（5）作归一化处理）。完成训练后，将未投入训练的 12 个故障事件数据投入诊断网络检验其故障识别能力，识别诊断效果见下页表 2。为验证样本归一化预处理方式的效果，同样的样图 3某型潜水器自动操舵仪的故障诊断流程序号X1X2X3X4X5X6Y1Y2Y3Y4Y510.925 9 0.907 1 0.880 5 0.880 5 1.000 0 0.939 5 0000021.000 0 0.989 2 0.945 0 0.986 0 1.000 0 0.984 5 000003000000.641 7 000014000000.779 2 000015000.840 9 0.600 9 1.000 00000106000.986 0 0.986 0 1.000 000001071.000 000.840 9 0.600 9 1.000 000010081.000 000.986 0 0.986 0 1.000 000010090.925 9 0.907 100.880 5 1.000 0 0.939 5 0100010 1.000 0 0.989 200.986 0 1.000 0 0.984 5 0100011 0.925 9 0.907 1 0.880 501.000 0 0.939 5 1000012 1.000 0 0.989 2 0.945 001.000 0 0.984 5 10000 表 1训练样本开始诊断工作异常NY操舵仪故障N故障征兆数据RBF 神经网络设备故障原因调整设备状态参数设备状态正常结束人为因素YYN检查操作位工作记录环境因素检查环境水文数据外界故障原因62023 年第 2 期本数据变更归一方式，分别采用线性、对数和反余切函数分别对数据重新进行归一化，完成同样的训练后再用相同的故障事件检验识别能力，比较训练效果见表 3。从故障识别能力检验中可见，在样本有限的前提下，归一化处理所用的方法对训练得到的识别能力影响极大，采用高斯函数实现归一化在训练效率上具有明显优势。主控模块 B 和模块 C 的故障诊断训练方式及其训练后具备的故障识别能力与主控模块 A 类似，故不再赘述3-4。4结语本文针对某型无人潜水器的自动操舵仪的控制结构进行了讨论，提出了一种基于 RBF 神经网络的诊断模型。模拟事件数据测试显示，这种故障诊断方法在样本有限的前提下能够较好实现故障识别诊断。其不足之处在于故障诊断识别能力的进一步提升需要大量的故障样本用于神经网络事件，因此对于历史故障数据不足的新研设备领域识别能力有限，必须结合其他的方法同步开展故障诊断。参考文献1黄利华，于俊，王长杰，等.低噪声工况下潜艇自动舵控制策略研究J.舰船科学技术，2011，33（8）：24-26.2王晓靖.潜艇自动操舵系统J.舰船导航，2001（3）：13-15.3刘百顺，徐玉如.基于神经网络的船舶自动舵设计J.海洋工程，2002，20（1）：28-30.4刘胜，刘业明.潜艇位姿控制系统故障诊断研究J.自动化技术与应用，2009（9）：51-52.（编辑：贾娟）序号Y1Y2Y3Y4Y5诊断效果 实际故障1-0.095 8 0.009 2-0.040 2 0.000 6 0.010 1 无故障点 无故障点20.122 5-0.034 2 0.088 1-0.036 2 0.000 2Y1无故障点30.000 2 0.000 1-0.000 2-0.000 1 1.000 0Y5Y5400001.000 0Y5Y550001.000 00Y4Y460.014 7 0.026 6-0.005 9 0.969 9 0.018 7Y4Y47-0.003 7-0.000 3 0.997 0 0.005 9-0.000 7Y3Y380.043 4 0.997 00.803 2 0.148 7 0.014 0Y3Y39-0.079 7 1.000 0-0.027 3-0.004 7-0.001 5Y2Y2100.065 6 0.931 10.070 8-0.024 0 0.031 9Y2Y2110.997 0-0.008 4-0.011 4-0.015 5 0.011 2Y1Y1120.985 3-0.013 0 0.044 0-0.020 7-0.001 9Y1Y1表 2诊断测试序号数据预归一方式 诊断案例数量诊断正确数量 诊断正确率/%1线型归一法12433.32高斯函数121191.73对数函数12650.04反余切函数12541.7表 3归一化效果对比Fault Diagnosis Study of Submersible Automatic Steering Gear Based on Neural NetworkLi Xiangyuan,Huang Hao,Li Hai（Wuha