基于神經(jīng)網(wǎng)絡(luò)的水下機(jī)器人推進(jìn)器故障診斷

《基于神經(jīng)網(wǎng)絡(luò)的水下機(jī)器人推進(jìn)器故障診斷》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、52卷第4期（總第198期）中國(guó)造船Vol.52No.4（SerialNo.198）2011年12月SHIPBUILDINGOFCHINADec.2011文章編號(hào)：1000-4882（2011）04-0139-08基于神經(jīng)網(wǎng)絡(luò)的水下機(jī)器人推進(jìn)器故障診斷123111萬(wàn)磊，王建國(guó)，姜春萌，孫玉山，何斌，李吉慶（1.哈爾濱工程大學(xué)水下機(jī)器人技術(shù)國(guó)防科技重點(diǎn)實(shí)驗(yàn)室，哈爾濱150001;2.中國(guó)艦船研究設(shè)計(jì)中心，武漢430064;3.武漢科技大學(xué)城市學(xué)院人文學(xué)部，武漢430083）摘要為提高水下機(jī)器人系統(tǒng)的總體可靠性，開展了推進(jìn)器故障診斷研究。在三層BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種改

2、進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)并推導(dǎo)了網(wǎng)絡(luò)的訓(xùn)練算法。利用直航、轉(zhuǎn)艏等試驗(yàn)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練好的網(wǎng)絡(luò)用于水下機(jī)器人運(yùn)動(dòng)建模，對(duì)比模型的輸出與實(shí)際傳感器測(cè)量值來(lái)獲取殘差，通過(guò)分析殘差特性來(lái)提取故障診斷判據(jù)，進(jìn)而進(jìn)行推進(jìn)器故障診斷。將提出的方法應(yīng)用到仿真試驗(yàn)和海上試驗(yàn)中，得出了相應(yīng)的試驗(yàn)結(jié)果。通過(guò)對(duì)試驗(yàn)結(jié)果的分析研究，驗(yàn)證了方法的有效性與可行性，同時(shí)也表明該方法在工程應(yīng)用方面具有一定的參考意義。關(guān)鍵詞：水下機(jī)器人（UV）；故障診斷；推進(jìn)器故障；遞歸神經(jīng)網(wǎng)絡(luò)；運(yùn)動(dòng)建模中圖分類號(hào)：TP24文獻(xiàn)標(biāo)識(shí)碼：A0引言水下機(jī)器人（underwatervehicle,UV）在軍事應(yīng)用和海洋開發(fā)方面有著極

3、為廣闊的應(yīng)用前景，已經(jīng)[1]成為發(fā)達(dá)國(guó)家發(fā)展智能化武器的重要研究方向之一。由于UV工作環(huán)境惡劣，工作狀況千變?nèi)f化，因此設(shè)計(jì)一個(gè)可靠性高的控制系統(tǒng)來(lái)保證它安全可靠地工作至關(guān)重要。實(shí)現(xiàn)UV控制系統(tǒng)故障自主診斷[2]是其智能化水平的重要體現(xiàn)。神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為故障診斷提供了一種新思路。特別是對(duì)復(fù)雜系統(tǒng)和非線性系統(tǒng)，基于解析模型的故障診斷方法面臨難以建立數(shù)學(xué)模型的實(shí)際困難，基于知識(shí)的故障診斷方法就成了實(shí)際可行的方法。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)使其成為故障診斷的一種有效方法和手段，并已在許多實(shí)際系統(tǒng)中得到成功應(yīng)[3]用。[4]遞歸神經(jīng)網(wǎng)絡(luò)（recurrentneuralnetwork，RNN）

4、已經(jīng)成功應(yīng)用在動(dòng)態(tài)系統(tǒng)識(shí)別與仿真上。RNN固有的狀態(tài)記憶機(jī)制對(duì)信號(hào)進(jìn)行加權(quán)滑動(dòng)平均處理的作用，使得其具有很好的濾波能力。比較常見的RNN是Jordan網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)。Jordan網(wǎng)絡(luò)是將上一步的網(wǎng)絡(luò)輸出值返回到關(guān)聯(lián)層，而Elman網(wǎng)絡(luò)[5-6]是將上一步的隱層輸出值返回到關(guān)聯(lián)層。本文提出了一種改進(jìn)型的RNN結(jié)構(gòu)，推導(dǎo)了其網(wǎng)絡(luò)的訓(xùn)練算法，對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，并將訓(xùn)練好的網(wǎng)絡(luò)用于水下機(jī)器人運(yùn)動(dòng)建模。完成了仿真試驗(yàn)和海上試驗(yàn)，通過(guò)對(duì)試驗(yàn)結(jié)果進(jìn)行分析，驗(yàn)證了文中所提方法的有效性和可行性。收稿日期：2011-02-18；修改稿收稿日期：2011-08-03基金項(xiàng)目：中國(guó)博士后科學(xué)

5、基金資助（20100480964）；國(guó)家自然科學(xué)基金資助項(xiàng)目（50579007）；國(guó)家863計(jì)劃基金資助項(xiàng)目（2008AA092301）140中國(guó)造船學(xué)術(shù)論文1改進(jìn)的RNN1.1一種改進(jìn)的RNN結(jié)構(gòu)本文采用的RNN結(jié)構(gòu)模型如圖1所示。這個(gè)網(wǎng)絡(luò)結(jié)構(gòu)模型是在三層BP網(wǎng)絡(luò)的基礎(chǔ)上加入反饋信號(hào)形成。它具有三層神經(jīng)元。輸入層的輸出作為隱層的輸入，隱層的輸出既作為輸出層的輸入，同時(shí)也反饋給隱層自身。網(wǎng)絡(luò)隱層節(jié)點(diǎn)的動(dòng)態(tài)自遞歸連接關(guān)系使得可以利用網(wǎng)絡(luò)內(nèi)部的狀態(tài)反饋來(lái)描述系統(tǒng)的非線性動(dòng)力學(xué)行為，圖2為遞歸網(wǎng)絡(luò)輸出結(jié)果。21wjw30.5測(cè)量值神經(jīng)網(wǎng)絡(luò)輸出uk1()wjlijy(k)u10.4

6、(rad)u2(k)0.3y2(k)yaw/v0.2?2yaw?w?(m/s)0.1nv/ukm()hki()yk()0p050100150200250300350400(m/s)-0.1u/-0.2t/s圖1改進(jìn)型遞歸網(wǎng)絡(luò)結(jié)構(gòu)圖2遞歸網(wǎng)絡(luò)輸出結(jié)果圖1中，該遞歸神經(jīng)網(wǎng)絡(luò)具有m個(gè)輸入神經(jīng)元，n個(gè)隱層神經(jīng)元和p個(gè)輸出神經(jīng)元。u()1k?，im對(duì)應(yīng)的網(wǎng)絡(luò)權(quán)值wk()??()k代表隱層神經(jīng)元j的閾值，不是實(shí)際的外部訓(xùn)練輸入。uR()k?為kijjin時(shí)刻神經(jīng)網(wǎng)絡(luò)的m維輸入向量，ykR()?為k時(shí)刻神經(jīng)網(wǎng)絡(luò)的一維輸出向量，hkR()?為k時(shí)刻lj隱層輸出。該改進(jìn)型遞歸網(wǎng)絡(luò)的動(dòng)態(tài)方程可

7、以表示如下：輸入層：I(k)?u(k)（1）ii隱含層：h(k)?f(S(k))（2）jjn21S(k)?wh(k?1)?wu(k)（3）jjj?ijii?1m3輸出層：yl(k)??wjlhj(k)（4）j?1123其中，wij為輸入神經(jīng)元i與隱層神經(jīng)元j之間的連接權(quán)值，wj為隱層神經(jīng)元遞歸連接權(quán)值，wjl為隱層神經(jīng)元j與輸出神經(jīng)元l之間的連接權(quán)值，S(k)為隱層神經(jīng)元j的輸入，hk()為隱層神經(jīng)元j的jj輸出。f()?為隱層單元激活函數(shù)，本文選取Sigmoid函數(shù)。1.2RNN訓(xùn)練算法令y()k和y()k分別為