1.一种基于预测节拍动态调整的水下推进器故障诊断方法,其特征在于,包括以下步骤:(1)采集水下机器人的动态信号;
(2)建立灰色预测模型;获取当前时刻动态信号的时间序列,对时间序列进行灰色预测,得到预测轨迹;对动态信号进行多路径灰色预测,建立多路径灰色融合预测模型;获取当前时刻动态信号的时间序列,对时间序列进行重叠采样,得到多个单支路径序列,对每个单支路径序列进行灰色预测,得到多个单支路径预测结果,基于K均值聚类分析将多个单支路径预测结果融合为一条路径的预测轨迹;
(3)基于修正贝叶斯算法从预测轨迹中提取故障特征,得到故障特征预测序列;
(4)获取故障特征预测序列的斜率K,选取故障特征预测序列中第N个预测节拍的特征值,N的计算公式为:其中,a、b为实验得到的常数,从故障特征预测序列选取一个预测节拍的特征值,作为当前时刻的故障特征值;
(5)将选取的故障特征值带入到故障辨识模型,所述故障辨识模型通过水下推进器故障试验建立,进行水下推进器故障辨识,得到水下推进器当前时刻的故障程度;建立故障辨识模型的具体内容为:进行水下推进器故障试验,获取水下机器人动态信号,基于修正贝叶斯算法从动态信号中提取故障特征,基于模糊支持向量域描述算法利用故障特征建立故障辨识模型;
(6)获取下一时间节拍的时间序列,重复步骤(2)至步骤(5),得到推进器下一时间节拍的故障程度。
2.根据权利要求1所述的水下推进器故障诊断方法,其特征在于,所述步骤(2)中获取当前时刻动态信号的时间序列,对时间序列进行重叠采样,得到多个单支路径序列的具体步骤为:(2.1)采用长度为
(2.2)对时间序列
3.根据权利要求2所述的水下推进器故障诊断方法,其特征在于,所述对每个单支路径序列进行灰色融合预测的具体步骤为:(2.3)对每个单支路径序列
(2.4)基于灰色预测理论将小波尺度分量
(2.5)在预测数据序列
4.根据权利要求3所述的水下推进器故障诊断方法,其特征在于,所述灰色预测理论具体为:对原始序列
其中,
建立微分方程:
建立灰色预测模型:
通过最小二乘法求解
由预测方程进行累计还原得到预测序列。
5.根据权利要求3所述的水下推进器故障诊断方法,其特征在于,基于K均值聚类分析将多个单支路径预测结果基于修正贝叶斯算法从融合路径
6.一种权利要求1至5任意一项所述水下推进器故障诊断方法的诊断系统,其特征在于,包括采集模块,用于采集水下机器人的动态信号;
模型建立模块:用于建立灰色预测模型;获取当前时刻动态信号的时间序列,对时间序列进行灰色预测,得到预测轨迹;
故障特征值获取模块,用于基于修正贝叶斯算法从预测轨迹中提取故障特征,得到故障特征预测序列;获取故障特征预测序列的斜率K,选取故障特征预测序列中第N个预测节拍的特征值,N的计算公式为:其中,a、b为实验得到的常数,从故障特征预测序列选取一个预测节拍的特征值,作为当前时刻的故障特征值;
故障辨识模块,用于将选取的故障特征值带入到故障辨识模型,所述故障辨识模型通过水下推进器故障试验建立,进行水下推进器故障辨识,得到水下推进器的故障程度。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求5中任意一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求5中任意一项所述的方法的步骤。