基于RBF神经网络的水下机器人传感器状态监测方法研究.doc

基于RBF神经网络的水下机器人传感器状态监测方法研究 第6期张铭钧，等基于rbf神经网络的水下机器人传感器状态监测方法研究727器人所配置的多普勒、陀螺仪2个传感器的信号进行处理2传感器状态监测模型传感器的状态监测主要包括2方面内容故障检测和信号恢复故障检测就是根据信号所反映的传感器动态特性，评估传感器的自身状态，如传感器发生故障，则确定故障位置、类别和故障程度信号恢复则是根据故障监测的评估结果，按照一定的原则选取具有某些关系的其他信号来重构出故障传感器的正确信号文中提出的水下机器人传感器状态监测模型如图1所示，整个模型由故障检测模块和信号恢复模块组成i选择输出策略s l?s l?s l常=释唏i信号预处理图1传感器状态监测模型结构图fig1structure ofsensor condition monitoring model状态监测模型由故障检测和信号恢复2个rbf神经网络功能模块组成的二级网络，以预处理后的传感器组信号x，x，x。 ，?，x作为故障诊断模块的输入，当第i组第个传感器发生故障时，诊断模块给出故障状态S，信号恢复模块根据故障状态S选择相应的信号x(X=z，?，z；。 ，z+一，z)输入，得到第i组第J个传感器的恢复信号z，根据选择输出策略，决定最终反馈到控制器的信号X，并给出各个传感器的状态评估值S21RBF故障检测模块根据程度的大小可以将传感器的故障分为2大类硬故障和软故障硬故障是指由于结构性损伤所造成的不可恢复性故障，一般幅值较大，变化突然；软故障是指由于传感器老化或者零点漂移噪声扰动干扰等所引起的传感器的特性参数变化而按照产生的原因又可将故障分类为恒偏差(软故障)、卡死(硬故障)、漂移(软故障)、周期干扰(软故障)等水下机器人传感器信息处理一般方法有卡尔曼滤波、强跟踪滤波、非线性观测器、BP神经网络，等这些方法或者要求模型已知、能够解析描述，或者收敛速度很慢以BP神经网络为例，BP算法在权值空间中对于误差曲面上的梯度使用“瞬时估计”，因此该算法在本质上是随机的，倾向于缓慢收敛_8难以应用于动态过程的传感器系统和实时性要求较高的控制系统径向基函数(radial basisfunction，RBF)网络结构如图2所示当指数函数作非线性项时，RBF网络具有“最佳逼近”特性，即存在一个权重集合，其逼近效果在所有可能的权集合中是最佳的J，这种最佳逼近特性，传统的BP网络是不具备的图2RBF I碉络结构Fig2Structure ofRBF work在图2的RBF网络结构中，x为R维输入向量，Ll为SlR维输人权值矩阵，L2为S2Sl维输出权值矩阵，b、b为阈值，函数为高斯函数，如式 (1)所示f(x，-exp_基于以上的分析，该文基于径向基函数神经网络建立传感器故障检测模块模型如图3所示)控制量图3RBF故障诊断网络结构Fig3Structure ofRBF fault diagnosis work其中x(k)是k时刻的第i组m个传感器的输出信号x(k)=z(k)，z(k)，?，z(k)丁 (2)已知时间序列z (1)，z (2)，?，z()，定义一个q阶RBF序列预测模型来模拟动态过程的传感器，模型如下q qP z(志)=(z(志一)=ai j(z(志一)i=1i=1J=1 (3)728哈尔滨工程大学学报第26卷式中()是径向基函数网络，是连接权重，()是高斯型径向基函数，p是径向基函数基的数目系统当前状态的预测输出z(志)是从z(志一1)到x(kq)的q个状态非线性映射描述的其结构如图4所示x(k一11x(kf)x(k图4传感器的rbf预测模型fig4rbf predictivemodel ofsensors以x(ki)为自变量的()网络模型如图5所示图5径向基函数网络结构fig5stucture ofrbf work设(志)是传感器在k时刻的实际输出值，则系统残差e(k)如式 (4)所示e(k)=Ex(k)，(志)=l z(志)一z(志)1 (4)如果模型精确，初始值已知，则算法收敛时正常状态系统残差e(志)为0而当传感器发生故障时，传感器的动态特性发生变化，因而得出理论上的故障检测规则如下fEz(志)，(志)=0，无故障；【Ez(志)，(志)0，有故障对多传感器系统的m个传感器，建立m个检测模型，考虑实际工作环境中的噪声和扰动，并根据实际经验，为避免误动作，对上面的理论故障检测规则进行如下修改fEz(志)，z(志) 1、A刚1分别表示艏向、纵倾和横倾角度及角速度，Depth表示机器人距海底距离，H表示水下机器人下潜深度第i组个传感器的信号恢复网络是由(3一7)2个径向基函数神经网络组成的数据融合网络，选取式 (1)所示的高斯函数为基函数，通过对相关传感器信号的融合实现对故障传感器的信号重构高斯基的中心和半径通过K均值聚类法确定，学习算法采用梯度下降法信号恢复网络结构如图9所示图9RBF信号恢复网络结构图Fig9Structure ofRBF signalresuming workRBF信号恢复网络采取离线学习方式当第i组中的第J个传感器it在k时刻发生故障，根据融合策略，其RBF恢复网络以同类的其他m一1个正常传感器的k时刻输出信号32(k)、?、z，一。 (k)、z?(k)、?、32(k)为输人，如图5所示，通过网络融合得到了代替z(k)的z(k)，以此作为传感器i的k时刻输出，从而实现了故障传感器的信号恢复；当传感器i和i同时发生故障时，根据融合策略，分别以其他一2个正常传感器丁时刻输出730哈尔滨工程信号1(k)、?、z，一1(k)、z，+1(k)、?、z，1(k)、z?(k)、?、z(k)为输入，通过网络融合得到代替z(k)和z，(k)的z，(k)和z，(k)提出的融合恢复网络考虑同一时刻每组传感器中至少有2个正常的情况，对于水下机器人所配置的传感器数量和种类来说，这个条件是具有现实意义的，可以实现多个不同组传感器故障的诊断3计算机仿真及结果分析为了检验提出的水下机器人传感器状态监测方法的可行性和有效性，以某型水下机器人所配置的陀螺仪、多普勒、gps、定高仪等传感器在海洋试验中得到的信号为样本，设计了windows2000操作系统下的仿真程序针对水下机器人传感器故障的特点，分别模拟了陀螺仪、多普勒的2种典型故障传感器卡死和信号衰减传感器卡死的故障征兆是信号在一定时间内与控制量变化趋势不一致，而保持某一幅值不变；传感器衰减的故障征兆是信号在一定时间内与控制量变化趋势不一致，而幅值逐渐衰减趋于0对本文研究的水下机器人所配置的传感器模型参数经分析计算后确定p= 14、q=8(陀螺仪)和P= 12、q，=7(多普勒)信号采样频率是1hz，采样次数是4298故障诊断和信号恢复的结果如下图10中，在节拍2516时多普勒纵向测速模块发生卡死故障，预测模型与传感器实际输出相比较得到残差，在残差持续5个节拍大于阈值(阈值得设定前面已介绍)后诊断模块得出故障结论，在发现疑似故障的第2516节拍，信号恢复模块即开始启动根据表1所示分类方法，按照融合策略，以第1类传感器中的其他2个正常信号a(纵向加速度)lat(经度)同时刻的信号为输入图1o多普勒纵向速度fig10doppler verticalvelocity第6期张铭钧，等基于rbf神经网络的水下机器人传感器状态监测方法研究731在图12中，在节拍3874时陀螺仪艏向模块发生衰减故障，预测模型与传感器实际输出相比较得到残差，在残差持续5个节拍大于阈值后诊断模块得出故障结论，在发现疑似故障的第3874节拍，信号恢复模块即开始启动根据表1所示分类方法，按照融合策略，以第一类传感器中的其他两个正常信号a(纵向加速度)、a(角加速度)同时刻的信号为输入在经过8个节拍后给出了艏向角恢复信号当故障诊断模块经参考控制量做出故障结论后发出故障警示，即以替代作为陀螺仪艏向模块的输出图l4所示为陀螺仪艏向模块和多普勒纵向模块同时发生故障时的诊断和恢复仿真结果品201510050205器02010节拍(a)陀螺仪艏向角节拍(b)多普勒纵向速度图14多故障诊断恢复fig14multifaultdiagnosisand resume在第2268个节拍，陀螺仪艏向模块发生衰减故障，同时多普勒纵向模块发生横增益故障，监测系统发现并判别故障种类后进行了信号恢复，图14中点划线为仿真故障数据曲线，实线为传感器实际输出曲线，虚线为信号恢复曲线仿真结果表明，对于传感器常见的几种故障，该方法诊断恢复效果比较理想，能够实现多故障诊断和信号恢复5结束语以径向基函数网络为基础，提出了一种模拟传感器动态特性的神经网络预测方法，建立水下机器人传感器故障诊断模型当多个传感器同时发生故障时，根据自身的信号特征即可判断出各传感器的状态，解决了传感器系统的多故障偶合问题；在信号恢复模型建模中，提出了一种以信号相关性为分组原则的传感器分组法，对每个传感器建立单独的信号恢复网络，实现了多故障传感器的信号恢复计算机仿真结果验证了所提方法的有效性和可行性该方法对其他水下装置的传感器状态监测具有参考和借鉴意义参考文献1刘军华智能传感器系统m西安西安电子科技大学出版社，1999liu junhuaintelligent fcensorsystemmxianxi dianuniversity press，19992sim0nh神经网络原理m，叶世伟译北京机械工业出版社，xx3张颖伟，王福利基于联合神经网络的冗余传感器故障诊断和信号重构j信息与控制，xx，32 (2)169171ZHANG Yingwei，WANG Ful1Redundant sensK)r faultdetection and signal reconstructionbase d on associated neuralworksJInformati onand Control，xx，32 (2)1691714FANG Fang，WEI Le，SUN WanyunSimulation ofsensor faultdiag noses basedonthe neuralwork observergroupJComputer Simulation，xx，18 (4)24 28、5wANG Yujia，ZHANG MingjunStudy ofmodel offuzzy neuralworks applied tOsystem conditionmonitoringlJ JJournal ofMarine Scienceand Application，xx，1 (2)42456张铭钧水下机器人M北京海洋出版社，2000ZHANG MingjunUnderwater robotsMBeijingOcean Press，20007李建平，田逢春小波分析与信号处理M重庆重庆出版社，1997LI Jianping，TIA NFengchunW aveletanalysis andsign alprocessMChongqin gChongqing Press，19978JAC()Bs RAIncreased ratesof convergence throughlearnin