Thruster Fault Signal Diagnosis of Underwater Vehicle

水下机器人作业过程中,推进器会因为异物缠绕和桨叶受损而出现故障。传统推进器故障诊断方法,主要通过比较水下机器人运动状态的测量值和估计值之间的差别来诊断故障,诊断精度受水下机器人数学模型的影响较大,且无法在故障出现早期对运动状态影响较小时实现诊断。为实现推进器故障的早期诊断,提出了一种基于小波包变换和遗传算法优化BP神经网络的推进器故障诊断方法。首先,利用小波包变换对推进器电流信号进行分解,并计算分解后电流信号的能量谱;然后筛选在不同推进器故障状态下差别较明显的能量谱分量,组成表征推进器故障的特征向量。最后采用基于遗传算法优化的BP神经网络训练故障分类器,实现故障的识别。实验结果表明,上述方法能够有效利用推进器故障的瞬时特征,对水下机器人推进器故障诊断具有良好的效果