基于深度学习的水下机器人推进系统故障诊断

论文摘要

随着海洋开发战略的推进,作为水下装备关键载体的水下机器人的重要性得到了广泛的认可。而其在复杂工况下的作业稳定性是人们所关心的问题,如何及时检测出水下机器人作业时的故障是行业内研究的重点,而推进系统作为水下机器人作业最基本的运动性能保障,对它的故障诊断研究更是重中之重。水下机器人长期处于多自由度、高压、多种未知复杂工况的水下环境,噪声来源复杂、作业环境多样化且不稳定、故障形式多样化、舱容和功率限制大(硬件冗余较少或基本没有)、传感器性能及种类也不尽相同。由于水下实验数据获取较难,特别是对水下作业故障数据的模拟,存在一定的风险,因此对相关问题的研究存在一定的难点和较大的意义。本文的创新点在于提出了一种基于深度学习的水下机器人推进系统故障诊断方法,自主搭建数据采集系统,并使用LabVIEW模拟、采集37种故障以及正常状态数据,然后在MATLAB中简单预处理数据,接着利用TensorFlow框架训练故障诊断模型并保存,并使用集成学习提升模型性能,最后将模型导入LabVIEW中,进行在线故障诊断研究。实验结果表明,与传统方法对比,本方法可以在模型中同时实现特征提取、特征降维和故障诊断,提高了诊断效率。实验得到模型的平均训练集精度为97.85%、平均调试集精度为94.72%、平均测试集精度为96.68%、集成学习测试集精度为98.52%,具有更高的诊断精度。本文提出的实验方法和流程可以用于当前水下机电系统以及其他同类型领域的故障诊断模型离线训练与故障在线诊断,可以实现较好的人机交互作业,较高的诊断效率和精度。

论文目录

致谢

摘要

Abstract

1 绪论

1.1 引言

1.2 水下机器人发展现状

1.3 深度学习研究背景

1.4 水下机器人故障诊断发展现状

1.5 论文的研究意义与主要内容

1.6 论文的组织结构

2 水下机器人推进系统介绍与传感器信号处理

2.1 引言

2.2 水下机器人推进系统介绍

2.3 故障形式与诊断方法

2.4 常见传感器信号及预处理方法

2.5 常见的特征提取方法

2.6 本章小结

3 基于深度学习的故障诊断模型设计

3.1 引言

3.2 故障诊断模型设计

3.3 基于MLP全连接神经网络的故障诊断方法

3.4 基于CNN卷积神经网络的故障诊断方法

3.5 本章小结

4 故障诊断数据采集实验系统

4.1 引言

4.2 故障数据采集装置

4.3 基于LabVIEW的故障数据采集程序

4.4 本章小结

5 故障诊断实验

5.1 引言

5.2 数据采集与预处理

5.3 故障诊断模型结构

5.4 实验结果分析

5.5 基于LabVIEW的故障数据在线采集与诊断

5.6 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

作者简历

文章来源

类型: 硕士论文

作者: 辜立忠

导师: 冀大雄

关键词: 深度学习,故障诊断,水下机器人,推进系统,卷积神经网络,数据采集,在线诊断

来源: 浙江大学

年度: 2019

分类: 基础科学

专业: 海洋学

单位: 浙江大学

基金: 国家重点研发计划重点专项专题2016YFC0300801-02

分类号: P715

DOI: 10.27461/d.cnki.gzjdx.2019.000157

总页数: 91

文件大小: 8192K

下载量: 261

基于深度学习的水下机器人推进系统故障诊断

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢