《信息融合与UUV推进器故障辨识》由会员分享，可在线阅读，更多相关《信息融合与UUV推进器故障辨识（39页珍藏版）》请在金锄头文库上搜索。
1、1第15讲 水下机器人推进器故障诊断与容错控制l早期，针对水下机器人推进装置的故障，只是简单的 处理为无故障和完全失效两种情况，这是相当粗糙的 。对此近年来Edin O. 和 Geoff R.等将广泛应用于飞 行容错的控制矩阵伪逆重构方法引入无人水下机器人 推进器故障诊断与容错控制之中，并将推进器故障分 为推进器不同程度的拥堵故障(jammed)及推进器完 全失效等多种故障模式，使水下机器人的推进器容错 控制更接近于系统的实际运行状态，提高了容错控制 的应用范围和控制性能；最近，一些学者研究了具有 快速收敛特性的水下机器人神经网络故障诊断模型， 并将其与水下机器人容错控制律重构相结合，提出一
2、种快速集成水下机器人故障诊断与容错控制方法。 2lEdin O.等将自组织神经网络的推进器故障模式识别策略 与控制律的控制矩阵伪逆重构方法相结合，研究了开架 式无人水下机器人推进器集成故障诊断与容错控制，并 针对“FALCON”和“URIS”两种ROV水下机器人的不同推 进器结构布置，给出了水平面和垂直面容错控制实验和 仿真结果。但是在以上所有无人水下机器人推进器故障 诊断与容错控制中，均假设推进器处于正常、完全故障 或几种固定故障模式，而实际的推进器拥堵故障与外界 环境密切相关，其故障的大小是不确定的、连续变化的 ，将其简化为几种固定模式，与实际故障情况有较大差 距，也必将影响故障辨识的精度
3、。l对此，此处将信息融合故障诊断技术引入推进器拥堵故 障在线辨识之中，提出基于信度分配小脑神经网络CA- CMAC信息融合在线故障辨识模型，利用多维信息融合 技术来提高故障辨识的精度，同时应用CA-CMAC的连续 输出特性，解决常规故障诊断方法对推进器拥堵故障连 续变化不能诊断的缺陷。 3l15.1 OUTLAND1000推进器布置l 实验及数据采集均来源于无人开架水下机器人 OUTLAND1000。OUTLAND1000水下机器人的推 进器配置。图2为OUTLAND1000水下机器人推进器 配置图，它共有4个推进器，2个尾推(尾部水平舵推) ：控制机器人前后推进和左右转向；一个处于重心 的垂
4、直推进器：控制机器人潜浮运动；一个侧推： 原处于机器人中间的侧面位置，正对机器人重心， 控制机器人横移，在我们实验系统中，为了配合研 究水下机器人的容错控制进行了改装，将其平移至 机器人前端距重心7公分的位置。在故障诊断实验中 ，它处于停转状态。图3是对应的尾部推进器实物图 片。 4l15.2 水下机器人推进器故障l水下机器人的水下运动是靠推进器来实现的，而最 普遍使用的推力装置是由驱动电机加螺旋桨组成。 推进器故障也是水下机器人系统的常见故障源之一 。推进器的故障模式主要可以分为两大类:l内部故障：主要指推进器内部器件故障及控制器 的连接出现故障。如：电机转轴温度超限 控制信 号通信中断 总
5、线电压下降等。l外部故障：它主要指水下机器人在水下工作时， 由外部复杂多变的环境引起的推进器故障。如由于 螺旋桨附着物而引起的拥堵故障(Jammed)，螺旋 桨断裂故障（完全失效）等。在这两类故障中，以 外部故障最为常见，本课题主要研究推进器外部故 障的诊断。 5l推进器故障设置l为了模拟推进器拥堵故障模式，在OUTLAND1000运行于定向 巡航状态下，在后置推进器1（右侧）设置不同程度拥堵故障：l正常状况：拥堵系数=0.0；l轻微拥堵1：拥堵系数=0.25, 在后置推进器上绕15cm线索；l轻微拥堵2：拥堵系数=0.30, 在后置推进器上绕20cm线索；l中等拥堵3：拥堵系数=0.50,
6、在后置推进器上绕30cm线索；l严重拥堵4：拥堵系数=0.75, 在后置推进器上绕45cm线索；l完全失效：拥堵系数=1.0, 将推进器的螺旋桨全部卸下。 6l此处，将推进器无拥堵（正常状况）的拥堵故障系数 设为“0”，而将完全失效故障的拥堵系数设为“1”。 也有反过来设定的，这在本质上没有区别，主要是在 容错控制矩阵重构时，要区别对待这两种假设。通过 向OUTLAND1000尾部推进器发送一定大小的前后 推进控制电压，如v=0.25、v=0.5、v=0.75 、v=- 0.25、v=-0.5、v=-0.75，对每一个控制电压，设置 不同程度故障模式，由于右边推进器部分故障，它将 失去一部分推
7、力，这样与左边推进器的推力不平衡， 从而产生转动力矩，故障越大，推力损失越大，其转 动力矩越大，机器人转动的速率也越大。实验数据也 较好地验证了以上推论；另外，在相同大小的故障模 式下，机器人输入控制电压的变化对机器人的状态也 有一定影响。OUTLAND1000的转向速率信号可以 通过有串行通信接口的笔记本电脑读出。 7l推进器故障在线辨识lOUTLAND1000推进器故障大小辨识可以采用双 参数CA-CMAC信息融合诊断方法。双参数的第 一个参数是方向变化率，另一个可以是故障推进 器反馈转速或输入控制信号，由于 OUTLAND1000的推进器反馈转速不可测，我们 在融合处理时，采用控制电压信
8、号作为CMAC的 另外一个输入；输出分别是“正常状况、各种拥 堵状况、完全失效故障的拥堵规划系数”，训练 CA-CMAC。 训练好的CA-CMAC可以作为在线 故障辨识器使用。 8l将现场实测的方向变化率、控制信号输入训练 好的CA-CMAC，其输出即为反应推进器故障 状况的拥堵系数。容错控制时，根据拥堵系数 估算出该推进器的推力损失，与前置推进器（ 侧推移位的推进器）、正常后置推进器一起， 计算转动力矩之和，利用OUTLAND1000力矩 之和为零，推算出新的推力配置，进而计算出 控制电压分配，可以实现水下机器人巡航状态 的容错控制。 9l15.3 OUTLAND1000水下机器人推进器故障
9、辨 识实验及结果分析l对OUTLAND1000实验系统的每一种故障模式 ，用前面所述的几组电压分别进行故障信号测 试，可以用其中的、作故障样本 ，用、来检验训练后神经网络的故障识别 效果。表4-1为样本实验数据，表4-2为训练后 的CA-CMAC故障识别结果 10l推进器信息融合故障辨识l表1第一栏输入控制信号为尾部推进器的直推控 制信号，其变化范围为-1,+1；第二栏是 OUTLAND1000的转向变化率，首先在推进器 故障时，通过加入不同推进电压记录机器人罗 经输出信号，将相邻方向信号相减除以采样周 期，可得机器人转向变化率；通过人为设置不 同故障模式可以得到表1样本数据，进而训练 CA-
10、CMAC神经网络，即可得到推进器拥堵故 障辨识器。 11表1：故障样本实验数据 12表2是应用实际测试的拥堵数据对训练的CA-CMAC神经 网络进行故障辨识效果测试，从表2可以看出，虽然存在 一些误差，但是无论是故障样本中已出现的模式如“中等 拥堵3”，还是在故障样本中未出现的模式如“轻微拥堵 2”和“完全失效”，其CA-CMAC故障辨识器输出均接近 实际的拥堵系数。 另外，为了比较所提算法的优越性，表2还同时给出了的 SOM神经网络故障辨识结果，SOM神经网络输出是离散 型的，故障大小接近0.5的情况输出0.5，接近0.25的情 况输出为0.25，所以对表2中的“轻微拥堵2”故障模式和“ 完
11、全失效”故障模式，它的诊断结果只能在=0, =0.75, =0.5, =0.25这四个数字中选择一个接近的输出，这必然 大大影响其故障辨识精度。这种情况下其故障辨识器， 便如以往的一样，只能诊断出固定的几种故障。 13l不如CA-CMAC故障辨识器可以在线的识别各种连 续变化的故障情况。如表2中，“轻微拥堵2”故障（ s=0.3），由于神经网络训练样本中未出现，CA- CMAC能输出一个接近实际故障大小的具体数据， 而对SOM来说诊断结果就是“中等拥堵3”：=0.5， 这与实际故障大小误差较大；对“完全失效”故障 (s=1)，CA-CMAC输出结果为0.9左右，接近实际故 障大小s=1，而SO
12、M诊断结果只能为“严重拥堵4”故 障模式s=0.75，两者的诊断结果差距就更大了。可 见本文设计的CA-CMAC故障拥堵辨识器可以较好 完成水下机器人推进器连续变化拥堵故障辨识任务 。 14表2：CA-CMAC故障识别结果 15161718192015.4 具有复杂冗余推进系统的水下机器人 智能综合容错控制技术l对推进器少、布置简单的情况，可以采取解析方法推导 容错控制律；对具有复杂冗余推进器系统的水下机器人 ，容错控制不仅要保持系统状态稳定，而且需要实现优 化容错控制。本项目采用伪逆重构与粒子群优化的综合 容错控制，当伪逆容错控制律在控制量程之内时，采用 快速伪逆控制算法实现机器人容错；当伪逆容错控制律 超出控制量程时，应用粒子群优化技术重构控制律，实 现水下机器人推进器智能优化容错控制。l 15.4.1“FALCON”ROV无人水下机器人冗余推进机构水 下机器人推进器故障诊断与带约束条件的粒子群优化控 制律重构212223242526272829303132333435l15.4.2 7000米载人水下机器人冗余推进机构水下 机器人推进器故障诊断与带约束条件的粒子群优化控 制律重构36373839
