本發(fā)明涉及故障診斷領(lǐng)域，具體涉及一種水下矢量推進器的故障診斷方法。

背景技術(shù)：

1、水下矢量推進器在水下航行領(lǐng)域發(fā)揮著至關(guān)重要的作用，然而，由于水下環(huán)境復(fù)雜多變，水下矢量推進器面臨著諸多潛在的故障風(fēng)險。

2、水下矢量推進器通常是一個復(fù)雜的系統(tǒng)，它融合了機械、電氣、電子等多個領(lǐng)域的技術(shù)。其機械部分包括傳動軸、螺旋槳、密封裝置等，這些部件在長期的水下運行中容易受到海水腐蝕、磨損和疲勞損傷。例如，傳動軸可能會因為長時間的高速旋轉(zhuǎn)而出現(xiàn)磨損，導(dǎo)致動力傳遞效率下降；螺旋槳可能會被水下異物撞擊而變形或損壞，影響推進效果。電氣系統(tǒng)方面，電機、控制器等部件可能會出現(xiàn)短路、斷路、過熱等故障。例如，電機繞組可能因絕緣損壞而發(fā)生短路，導(dǎo)致電流過大燒毀電機；電纜可能會因為外力拉扯或腐蝕而斷裂，影響電力傳輸。電子部分主要包括傳感器、控制系統(tǒng)等，傳感器的故障可能導(dǎo)致無法準確獲取推進器的運行狀態(tài)信息，影響控制精度和穩(wěn)定性；控制系統(tǒng)的故障可能會使推進器失去控制，無法正常工作。而且，水下環(huán)境的特殊性給水下矢量推進器的故障診斷和維修帶來了極大的困難。水下高壓、低溫、黑暗等惡劣條件，要求故障診斷設(shè)備和技術(shù)人員具備更高的專業(yè)水平和適應(yīng)能力。同時，水下維修作業(yè)通常需要特殊的裝備和工具，維修成本高昂且風(fēng)險較大。

3、因此，現(xiàn)需要一種提高水下航行器的可靠性和安全性、降低維護成本、提高設(shè)備使用壽命的水下矢量推進器的故障診斷方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種水下矢量推進器的故障診斷方法，以解決現(xiàn)有技術(shù)中水下航行器的可靠性低和安全性低、維護成本較高、設(shè)備使用壽命較短的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種水下矢量推進器的故障診斷方法，具體包括如下步驟：

3、s1，通過水下矢量推進器上搭載的傳感器獲得的歷史故障數(shù)據(jù)，生成歷史故障數(shù)據(jù)集。

4、s2，對歷史故障數(shù)據(jù)集進行預(yù)處理，包括：數(shù)據(jù)清洗、降噪和標準化。

5、s3，提取預(yù)處理后的多源傳感器的歷史故障數(shù)據(jù)特征，利用支持向量機算法獲取最優(yōu)的分類超平面，構(gòu)建多源異構(gòu)數(shù)據(jù)的融合模型；將完成訓(xùn)練處理的數(shù)據(jù)錄入數(shù)據(jù)融合模型，輸出融合結(jié)果，得到數(shù)據(jù)處理后的數(shù)據(jù)集。

6、s4，將數(shù)據(jù)處理后所得的數(shù)據(jù)集按照一定比例劃分為訓(xùn)練集和測試集，在訓(xùn)練階段，將來自訓(xùn)練集的數(shù)據(jù)輸入到三個結(jié)合自注意力模塊的混合深度學(xué)習(xí)模型進行訓(xùn)練，三個結(jié)合自注意力模塊的混合深度學(xué)習(xí)模型分別為：卷積神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)-門控循環(huán)單元和卷積神經(jīng)網(wǎng)絡(luò)-門控循環(huán)單元-長短期記憶網(wǎng)絡(luò)，然后將三個混合深度學(xué)習(xí)模型的預(yù)測結(jié)果作為集成學(xué)習(xí)的輸入，并通過改進的隨機網(wǎng)格搜索方法獲得最佳權(quán)值，使用加權(quán)集成策略生成最終的預(yù)測結(jié)果。

7、s5，加入動態(tài)針孔成像策略的白鯨優(yōu)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型中的超參數(shù)，包括：卷積神經(jīng)網(wǎng)絡(luò)層卷積核數(shù)m、維度n、長短期記憶網(wǎng)絡(luò)層和門控循環(huán)單元層的神經(jīng)元個數(shù)。

8、s6，將測試集輸入到用改進的白鯨優(yōu)化算法優(yōu)化過的故障診斷模型中，進行模型故障診斷效果評估，若診斷效果非最優(yōu)，繼續(xù)用改進的白鯨優(yōu)化算法去優(yōu)化超參數(shù)；若診斷效果最優(yōu)，則訓(xùn)練完成，得到最終的故障診斷模型。

9、s7，利用水下矢量推進器上搭載的傳感器在線采集電流、加速度、振動頻率和壓力，進行數(shù)據(jù)預(yù)處理，然后輸入到步驟s6獲得的最終的故障診斷模型中，進行故障診斷。

10、進一步地，步驟s2具體包括如下步驟：

11、s2.1，采用3原則進行數(shù)據(jù)清洗，計算每個傳感器獲得的歷史故障數(shù)據(jù)的均值和標準差，將超出均值±3范圍的數(shù)據(jù)標記為異常值，將異常值刪除或用中位數(shù)替代。

12、s2.2，在降噪處理階段，對傳感器獲得的歷史故障數(shù)據(jù)進行經(jīng)驗?zāi)B(tài)分解emd，將數(shù)據(jù)分解為若干個固有模態(tài)函數(shù)imf和一個殘差項，根據(jù)imf的頻率特征和能量分布，選取一部分imf進行處理，將剩余的imf和殘差項進行重構(gòu)，得到降噪后的信號。

13、s2.3，在數(shù)據(jù)標準化階段，對于每個歷史故障數(shù)據(jù)，分別找出最小值和最大值，使用min-max標準化公式對每個傳感器的每個歷史故障數(shù)據(jù)點進行標準化處理，歷史故障數(shù)據(jù)被映射到[0,1]區(qū)間內(nèi)。

14、進一步地，步驟s3具體包括如下步驟：

15、s3.1，基于步驟s2數(shù)據(jù)預(yù)處理的結(jié)果，更新多元數(shù)據(jù)集，更新后的數(shù)據(jù)集為，數(shù)據(jù)狀態(tài)為，提取多源異構(gòu)數(shù)據(jù)在第個屬性時的特征向量，計算結(jié)果如下式所示：

16、（1）；

17、其中，多源異構(gòu)數(shù)據(jù)的特征向量用表示，數(shù)據(jù)屬性記錄時期用表示。

18、s3.2，設(shè)定經(jīng)過步驟s3.1獲取的為輸入向量，核函數(shù)為，特征向量集為，輸出向量為，以此獲取數(shù)據(jù)的最優(yōu)超平面，過程如下式所示：

19、（2）；

20、式中，獲取得到最優(yōu)超平面用表示；加權(quán)系數(shù)用表示；偏置項用表示；特征向量數(shù)量用表示；為符號函數(shù)；

21、符號函數(shù)的定義為：

22、??????????????（3）。

23、s3.3，基于獲取的最優(yōu)超平面，將多源異構(gòu)數(shù)據(jù)劃分成h組數(shù)據(jù)，且不同組別的數(shù)據(jù)來自不同的傳感器，設(shè)定泛化參數(shù)為，以此建立支持向量機的多源異構(gòu)數(shù)據(jù)的融合模型：

24、（4）；

25、其中，構(gòu)建的多源異構(gòu)數(shù)據(jù)的融合模型用表示；多源異構(gòu)數(shù)據(jù)、的最優(yōu)解分別用、表示；約束條件用表示；傳感器數(shù)量用表示，、分別表示多源異構(gòu)數(shù)據(jù)、的最優(yōu)解均值，?為核函數(shù)。

26、s3.4，基于確定的數(shù)據(jù)最優(yōu)解，建立數(shù)據(jù)的決策函數(shù)，完成模型求解，過程如下式所示：

27、（5）；

28、其中，構(gòu)建的決策函數(shù)用表示；多源異構(gòu)數(shù)據(jù)均值集合用；數(shù)據(jù)最優(yōu)解用表示。

29、進一步地，步驟s4具體包括如下步驟：

30、s4.1，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)模型：

31、卷積神經(jīng)網(wǎng)絡(luò)中的卷積計算和最大池化的公式如下所示：

32、（6）；

33、（7）；

34、其中，為輸入特征向量；表示卷積核；表示網(wǎng)絡(luò)偏差；表示層輸出，表示層輸入；為池化寬度；為relu激活函數(shù)；表示層中的不同神經(jīng)元的索引。

35、長短期記憶網(wǎng)絡(luò)的更新公式如下:

36、（8）；

37、（9）；

38、（10）；

39、（11）；

40、（12）；

41、式中，、、分別為輸入門、遺忘門、輸出門在時間步的輸出值；、、分別在時間步的輸入數(shù)據(jù)、單元狀態(tài)、隱藏狀態(tài)；、為上一時刻時間步的隱藏狀態(tài)、單元狀態(tài)；其中，、、、分別為輸入到輸入門、遺忘門、輸出門、候選單元狀態(tài)的權(quán)重矩陣；、、、分別為上一時刻隱藏狀態(tài)到輸入門、遺忘門、輸出門、候選單元狀態(tài)的權(quán)重矩陣；、、和分別為輸入門、遺忘門、輸出門、候選單元狀態(tài)的偏置項；為sigmoid函數(shù)。

42、進一步地，步驟s4還包括如下步驟：

43、s4.2，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)-門控循環(huán)單元模型：

44、將長短期記憶網(wǎng)絡(luò)改為門控循環(huán)單元網(wǎng)絡(luò)，更新后的門控循環(huán)單元公式如下：

45、(13)；

46、(14)；

47、(15)；

48、(16)；

49、式中，其中，、分別為在時間步的重置門、更新門的輸出值；、分別為在時間步的候選隱藏狀態(tài)、隱藏狀態(tài)；、、分別為重置門、更新門、計算候選隱藏狀態(tài)的權(quán)重矩陣；，，分別為重置門、更新門、計算候選隱藏狀態(tài)的偏置項。

50、s4.3，卷積神經(jīng)網(wǎng)絡(luò)-門控循環(huán)單元-長短期記憶網(wǎng)絡(luò)模型的搭建為在卷積神經(jīng)網(wǎng)絡(luò)層之后依次增加門控循環(huán)單元層和長短期記憶網(wǎng)絡(luò)層。

51、進一步地，步驟s4具體包括如下步驟：

52、s4.4，經(jīng)過三個模型提取后得到特征，再對進行線性變換，將分別映射至查詢空間、鍵空間和值空間；然后利用縮放點積與softmax函數(shù)計算每個注意力分布，并且將注意力分布加權(quán)求和，得到對應(yīng)的輸出；最后，利用拼接方式將多個輸出結(jié)果拼接，公式如下所示：

53、(17)；

54、(18)；

55、(19)；

56、(20)；

57、(21)；

58、式中：、、分別為查詢空間、鍵空間、值空間的線性變換參數(shù)；為第個查詢向量，為第個鍵向量，為第個值向量，為每個鍵的維度數(shù)組成的矩陣；為鍵空間中的元素向量；為值空間中的元素向量；為特征拼接函數(shù)；為的轉(zhuǎn)置變換；為縮放點積的注意力打分函數(shù)；為softmax函數(shù)，將一個實數(shù)向量轉(zhuǎn)化為一個概率分布向量；表示第個頭的輸出結(jié)果；表示最終的多頭注意力機制輸出，通過拼接多個得到。

59、s4.5，根據(jù)模型搜索結(jié)果得到最優(yōu)的加權(quán)集合權(quán)值，從加權(quán)預(yù)測結(jié)果中選擇預(yù)測概率最大的模型作為輸出的最終故障診斷類型，加權(quán)集成的原理如（22）所示：

60、（22）；

61、式中，為模型的個數(shù)，取值為3；是模型的預(yù)測概率;?為權(quán)重，且滿足，。

62、進一步地，步驟s5具體包括如下步驟：

63、s5.1，根據(jù)改進的白鯨優(yōu)化算法的種群機制，將白鯨視為搜索主體，通過改變白鯨的位置向量來實現(xiàn)在搜索空間中的移動效果，搜索代理位置矩陣為:

64、（23）；

65、式中，為搜索代理白鯨數(shù)量，為設(shè)計變量的維數(shù)。

66、白鯨的適應(yīng)度值函數(shù)表示為:

67、?（24）。

68、平衡因子在每次迭代中發(fā)生變化:

69、（25）；

70、式中，為當前迭代，為最大迭代次數(shù)，為區(qū)間(0,1)內(nèi)的隨機數(shù)，當平衡系數(shù)時，對應(yīng)開發(fā)階段；平衡系數(shù)≤0.5對應(yīng)勘探階段，隨著迭代次數(shù)的增加，進入開發(fā)階段的概率增大，而進入勘探階段的概率減小。

71、進一步地，步驟s5具體包括如下步驟：

72、s5.2，在勘探階段，白鯨的游動決定了bwo算法在探測階段的位置更新，白鯨的位置更新如下:

73、（26）；

74、為下一次迭代期間第個個體在第維上的位置，為偶數(shù)，為奇數(shù)，和是在中隨機選取的正整數(shù)，且不相等，和分別表示當前迭代下第、個個體的位置，、為(0,1)中的隨機數(shù)。

75、s5.3，在開發(fā)階段，白鯨根據(jù)附近白鯨的位置移動和進食，白鯨通過分享彼此的位置信息使用levy運行策略捕捉獵物，具體公式為:

76、（27）；

77、（28）；

78、和分別表示當前迭代中第、個個體的當前位置，為第個個體的新位置，是最好的位置，和是(0,1)中的隨機數(shù)，是隨機跳躍，測量levy運行的強度。

79、是levy飛行策略的函數(shù)，由下式計算:

80、（29）；

81、（30）；

82、其中，和是服從正態(tài)分布的隨機數(shù)，是決定了levy分布的尺度的一個參數(shù)，是伽馬函數(shù)在處的值；是設(shè)為1.5的常數(shù)。

83、進一步地，步驟s5具體包括如下步驟：

84、s5.4，在鯨落階段，白鯨要么遷移到別處，要么死亡；為了保持種群規(guī)模不變，使用白鯨的位置和鯨落的步長來建立更新的位置，公式如下:

85、（31）；

86、其中是(0,1)中的隨機數(shù)，是鯨魚下降的步長，建立為:

87、（32）；

88、為步長因子，步長因子與白鯨下降的概率和種群大小有關(guān)，具體為：；和分別為變量的上界和下界；將白鯨墜落的概率表示為線性函數(shù)，公式如下:

89、（33）。

90、s5.5，采用動態(tài)針孔成像策略改進白鯨優(yōu)化算法用于全局優(yōu)化，得到以下數(shù)學(xué)模型:

91、（34）；

92、和分別是虛擬蠟燭在當前最優(yōu)位置和相反位置的長度。

93、將兩支蠟燭的比值設(shè)為變量，由此可得:

94、（35）；

95、其中，表示第只白鯨在第次迭代時的第維位置。

96、本發(fā)明具有如下有益效果：

97、本發(fā)明提出的方法通過綜合利用矢量推進器上搭載的多源傳感器數(shù)據(jù)，實現(xiàn)了對推進器故障的高效、準確診斷。該方法的核心在于基于混合深度學(xué)習(xí)模型融合多頭注意力機制的加權(quán)集成方法，通過數(shù)據(jù)預(yù)處理、數(shù)據(jù)融合、模型訓(xùn)練及優(yōu)化等多個環(huán)節(jié)，最終實現(xiàn)對矢量推進器故障的精確診斷。在數(shù)據(jù)融合階段，本發(fā)明采用支持向量機的數(shù)據(jù)融合模型，對多源數(shù)據(jù)進行有效融合，提取出能夠反映推進器狀態(tài)的關(guān)鍵特征。這一步驟不僅提高了數(shù)據(jù)的利用率，也為后續(xù)的故障診斷提供了更加準確和全面的輸入；在模型訓(xùn)練階段，將卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶網(wǎng)絡(luò)和門控循環(huán)單元結(jié)合，形成三個混合深度神經(jīng)網(wǎng)絡(luò)作為故障診斷模型的基礎(chǔ)，卷積神經(jīng)網(wǎng)絡(luò)強大的特征提取能力可以很好地提取運行序列的局部故障特征，長短期記憶網(wǎng)絡(luò)和門控循環(huán)單元對時間序列數(shù)據(jù)的良好處理和上下文信息的捕獲能力可以更好地發(fā)現(xiàn)推進器數(shù)據(jù)的內(nèi)在故障信息。同時，該模型融合多頭注意力機制，通過多個注意力頭的集成，可以減少對單一特征的依賴，提高模型的魯棒性。多頭注意力機制還可以自動學(xué)習(xí)適應(yīng)不同的輸入數(shù)據(jù)分布，提高模型的泛化能力。然后，通過改進的隨機網(wǎng)格搜索算法實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)-門控循環(huán)單元和卷積神經(jīng)網(wǎng)絡(luò)-門控循環(huán)單元-長短期記憶網(wǎng)絡(luò)集成權(quán)重的快速優(yōu)化，這種搜索算法根據(jù)給定的參數(shù)范圍和步長遍歷搜索所有可能的參數(shù)組合，并能平衡搜索速度和對全局最優(yōu)解的需求，更好地發(fā)揮了各模型的優(yōu)勢，提高了最終加權(quán)集成模型的檢測精度和泛化能力；在模型優(yōu)化階段，利用改進的白鯨優(yōu)化算法去優(yōu)化故障診斷模型，白鯨優(yōu)化算法具有較強的全局搜索能力和快速收斂的特點，它可以自適應(yīng)調(diào)整優(yōu)化策略，并在有限的迭代次數(shù)內(nèi)達到有效優(yōu)化模型參數(shù)。并且加入動態(tài)針孔成像策略，增加了白鯨優(yōu)化算法在搜索空間中的探索能力，引導(dǎo)白鯨個體更快地向最優(yōu)解區(qū)域移動，最終形成更優(yōu)的故障診斷模型?？偟膩碚f，本發(fā)明的方法在潛射無人機故障診斷中發(fā)揮了關(guān)鍵作用，為矢量推進器的安全穩(wěn)定運行提供了有力保障。