非線性Thau觀測下的水下機器人定速推進故障識別

摘" 要： 水下機器人在水中運動時受水流、湍流和渦流等流體動力學的復雜影響，會對推進系統產生非線性影響，使得工作狀態發生微小變化，難以準確估計其運行狀態，增加了故障識別的難度。為此，提出一種非線性Thau觀測下的水下機器人定速推進故障識別方法。利用無損卡爾曼濾波估計水下機器人定速推進器的狀態量；通過非線性Thau觀測算法，結合狀態量估計結果建立非線性Thau觀測器，識別定速推進故障；通過模糊神經網絡逼近非線性Thau觀測器內的有界非線性不確定性擾動，提升故障識別精度。實驗結果證明：該方法可有效估計水下機器人定速推進器的狀態量，并逼近非線性Thau觀測器的有界非線性不確定性擾動；而且可有效識別定速推進故障，故障識別精度較高。

關鍵詞： 非線性； Thau觀測； 水下機器人； 定速推進； 故障識別； 無損卡爾曼濾波； 模糊神經網絡

中圖分類號： TN713?34； TP242.3" " " " " " " " " "文獻標識碼： A" " " " " " " " " " 文章編號： 1004?373X（2024）20?0165?05

Fault identification of constant speed propulsion of underwater vehicle

under nonlinear Thau observation

ZHANG Bochong， HAN Shiqian， WANG Pingping

（School of Computer Science and Technology， Shenyang University of Chemical Technology， Shenyang 110142， China）

Abstract： The complex influence of hydrodynamics such as water flow， turbulence and eddy current on the underwater robot in the water has a nonlinear effect on the propulsion system， which makes the working state change slightly， and it is difficult to accurately estimate the operating state and increase the difficulty of fault identification. Therefore， a fault identification method for constant speed propulsion of underwater vehicle under nonlinear Thau observation is proposed. The lossless Kalman filter is used to estimate the state quantity of constant speed propeller of underwater vehicle. Based on the nonlinear Thau observation algorithm and state estimation results， a nonlinear Thau observer is established to identify the faults of constant speed propulsion. The bounded nonlinear uncertainty disturbance in the nonlinear Thau observer is approximated by means of fuzzy neural network to improve the fault identification accuracy. The experimental results show that the proposed method can effectively estimate the state quantity of the constant speed propeller of underwater vehicle， and approximate the bounded nonlinear uncertainty disturbance of the nonlinear Thau observer. This method can effectively identify the fault of constant speed propulsion， and the fault identification accuracy is high.

Keywords： nonlinearity; Thau observation; underwater wehicle; constant speed propulsion; fault identification; unscented Kalman filter; fuzzy neural network

0" 引" 言

定速推進器作為水下機器人的關鍵部件之一，負責為機器人提供穩定且可靠的推進力，保證其在水下環境中的正常運動[1]。然而，水下機器人在水中運動時受到復雜的水流、湍流和渦流等流體動力學影響，會對水下機器人的推進系統產生非線性影響，導致其推進系統的運行狀態存在不確定性和非線性特性[2]。同時，受復雜水動力學環境的影響，推進器工作狀態存在一定的細微變化，這進一步增加了對運行狀態進行準確估計的難度[3]。因此，需要研究適用于水下環境的定速推進器故障識別技術。

文獻[4]利用非監督學習算法分析機器人運行數據，通過計算數據間的差異性，識別出與正常狀態存在顯著差異的異常模式，從而自動識別機器人故障。由于非監督學習方法通過挖掘數據內在結構和關系來學習，難以準確捕捉和表達復雜的非線性關系，所以無法準確識別定速推進器非線性故障特征。呂郅珩等人結合模糊邏輯和神經網絡的優勢，有效識別推進系統故障[5]。模糊神經網絡通過引入模糊集合和模糊規則處理不精確和不確定的輸入信息，來提高故障識別的準確性。但在處理非線性問題時，模糊神經網絡過于復雜，使得訓練數據過度擬合，對故障模式識別能力較差。左延紅等人利用分數階偏微分方程描述機器人的動態特性，通過分析機器人狀態的分數階導數變化，更好地描述機器人的記憶效應，提高故障識別的敏感性[6]。但分數階偏微分方程的解表現出更為復雜的動態行為，包括振蕩、發散等不穩定現象，導致故障識別結果不穩定和不可靠，增加了誤報和漏報的風險。黃威等人利用深度學習技術構建故障識別模型，自動提取機器人運行數據中的深層特征，實現對故障類型的準確分類和識別[7]。但對于機器人推進器這樣的復雜系統，缺乏足夠的訓練數據會導致模型無法充分學習到非線性問題的特征，從而影響故障識別的準確性。

在以上研究的基礎上，本文提出一種非線性Thau觀測下的水下機器人定速推進故障識別方法，為水下機器人的安全穩定運行提供有力保障。非線性Thau觀測是一種狀態估計方法，利用非線性動態方程構建Thau觀測器來分析系統狀態。非線性Thau觀測器具有強大的非線性處理能力，同時也具備較高的故障敏感性和魯棒性，能夠快速響應推進器運行過程中的微小變化，及時發現潛在的故障隱患。

1" 水下機器人定速推進故障識別

1.1" 水下機器人定速推進器狀態估計

推進系統受到水下復雜的流體動力學影響，導致其運行狀態具有非線性特性，使得工作狀態變化微小并且難以準確估計。因此，引入無損卡爾曼濾波（Unscented Kalman Filter， UKF）方法，估計水下機器人定速推進器的狀態量，更好地反映推進系統的實際運行狀態，提高對非線性影響的適應能力，為故障識別提供更為可靠的基礎[8?10]。

令水下機器人定速推進器的橫滾角、縱傾角、偏航角分別為[?]、[θ]、[φ]，相應的角速度分別為[?]、[θ]、[φ]；增廣狀態量表示為[X=x，y，z，?，θ，φ，?，θ，φ]，其中，定速推進器的坐標是[（x，y，z）]。定速推進器的輸入狀態量是[U=v，α1，α2]，其中，橫、縱方向舵角分別為[α1]、[α2]；速度為[v]。令[t]時刻過程與觀測噪聲向量分別為[wt]、[gt]，以簡化形式描繪水下機器人定速推進器的狀態方程與觀測矩陣：

[X′t=X，U，wtYt=X′t，gt] （1）

利用UKF方法估計水下機器人定速推進器的狀態量，具體步驟如下。

1） 設置初始狀態，令水下機器人定速推進器的狀態協方差矩陣[11]是[Rt]。

2） 求解水下機器人定速推進器狀態量的樣本點[12?13]，公式如下：

[βt-1=X2t-1+X′tL+γ′Rt-YtL+γ′Rt] （2）

式中：[L]為水下機器人定速推進器狀態矩陣[X′t]的長度；[γ′]為比例系數。

3） 更新時間狀態，公式如下：

[βt=St?βt-1+A?WHt=Yt?βt+G] （3）

式中：[St]為[X′t]的轉移矩陣；[W]為[wt]的矩陣；[A]為[wt]的調整矩陣；[G]為[gt]的矩陣；[Ht]為測量矩陣。

4） 更新測量狀態，得到水下機器人定速推進器狀態量估計結果[14]。令殘差的協方差是[R1，t]，互協方差矩陣是[R2，t]，[t]時刻水下機器人定速推進器狀態量估計結果[X′t]公式如下：

[R1，t=?1Ht-?2HtR2，t=?1βt-?2βtX′t=?2βt+R2，tHt-?2HtR1，t] （4）

式中[?1]、[?2]為[R1，t]與[R2，t]對應的權值。

1.2" 基于非線性Thau觀測器的定速推進故障識別

水下機器人推進系統由于受到復雜水動力學影響，產生非線性效應，無法準確識別其故障。傳統的線性觀測器難以有效處理水下機器人推進系統的非線性特性，而非線性Thau觀測器能夠更好地適應非線性系統的工作模式，提高狀態估計的準確性和魯棒性。利用UKF方法獲得的水下機器人定速推進器的狀態量經過濾波處理后，會得到更為準確和可靠的狀態估計值，即[X′t]，為非線性Thau觀測器提供更可靠的輸入數據。因此，結合1.1節的狀態量估計結果[X′t+1]，建立非線性Thau觀測器。水下機器人定速推進故障主要包含4個類型，分別是上、下主推故障和左、右主推故障。為此，利用非線性Thau觀測器識別這4種水下機器人定速推進故障。

依據1.1節估計的水下機器人定速推進器狀態量[X′t]，建立定速推進器的運行過程模型，公式如下：

[Xt=CXt+fXt+Z1z1XtYt=BXt+Z2z2Xt] （5）

式中：[f·]為非線性函數；[z1Xt]、[z2Xt]為受水流速度變化、水質變化與外部物體干擾等影響，形成的狀態量與輸出量對應的不確定性擾動；[Z1]、[Z2]為擾動分布矩陣；[C]、[B]為已知維數矩陣；[Xt]為包含未知擾動的水下機器人定速推進器的整體狀態量；[Yt]為定速推進器的輸出量。

當水下機器人定速推進器存在故障時，整體狀態量與輸出量表示為：

[X't=CXt+fXt+κa1fa1+κa2fa2+ζXtY't=BXt+Ytκb1fb1+κb2fb2] （6）

式中：[fa1]、[fa2]、[fb1]、[fb2]為上、下、左、右主推故障的非線性函數；[κa1]、[κa2]為上、主推故障的分布矩陣；[κb1]、[κb2]為左、右主推故障的分布矩陣；[ζXt]為有界非線性不確定性擾動。

結合式（6）建立非線性Thau觀測器，公式如下：

[?X't=CX't+δY't+γZζX'tψY't=BX't] （7）

式中[γ]為非線性控制信號。

令水下機器人定速推進器狀態誤差是[eX=X't-?X't]，輸出誤差是[eY=Yt-ψY't]，則[γ]的計算公式如下：

[γ=-χOeYOeX，" " "eY≠00，" " eY=0] （8）

以[eY]為殘差信號[σt]，依據式（7）可得到：

[σt=BeX-κjfj] （9）

式中j為水下機器人定速推進器故障類型的編號，分別代表上、下、左、右主推故障。

依據識別水下機器人定速推進故障，識別準則如下：

1） 如果[σtlt;-v1t或σtlt;-θt]，則為上主推故障；

2） 如果[σtgt;v1t或σtgt;θt]，則為下主推故障；

3） 如果[σtgt;v2t或σtgt;φt]，則為左主推故障；

4） 如果[σtgt;v2t或σtlt;-φt]，則為右主推故障。

上述識別準則中，前、后方向速度殘差閾值是[v1t]、[v2t]；縱傾角、偏航角殘差閾值是[θt]、[φt]。

1.3" 非線性Thau觀測器的不確定性擾動逼近

在實際應用中，水下機器人的工作環境會受到各種外部因素的影響，引入系統中的非線性不確定性擾動會導致非線性Thau觀測器性能下降。通過模糊神經網絡對非線性不確定性擾動[ζXt]逼近，可以增強非線性Thau觀測器對系統變化的適應能力，提高系統的魯棒性。模糊神經網絡能夠有效地逼近復雜的非線性關系，并具有良好的適應能力和泛化能力，優化觀測器的性能，提高對非線性不確定性擾動的識別和處理能力，提升1.2節非線性Thau觀測器的水下機器人定速推進故障識別精度[15]。

在模糊神經網絡的隸屬度函數層，輸入1.2節非線性Thau觀測器內，第[i]個水下機器人定速推進器整體狀態量[Xit]，得到隸屬度函數為：

[μi=11+e-τiXit-μi] （10）

式中，[τi]、[μi]為第[i]個狀態量對應的隸屬度函數[μi]的標準方差與均值。

模糊化層的輸出結果為：

[ρkl=μiXit] （11）

式中[k]、[l]為模糊規則數編號，且[k≠l]。

經過反模糊化處理后，得到[ζXt]的逼近結果，公式如下：

[ζXt=λklρklYt] （12）

式中[λkl]為權重。

2" 實驗分析

以某水下機器人T200型號的定速推進器為實驗對象，以水池為實驗環境，為降低水池環境和真實海流環境的差異，在水池內安裝水下造流裝置，形成海流干擾。水下機器人定速推進故障識別的實驗環境如圖1所示。

實驗所用的水池尺寸為100 m×50 m×10 m，分別對應長、寬、高。實驗中水下機器人定速推進器的相關參數如表1所示。

水下造流裝置正下方的流場流速如圖2所示。

從圖2中可以看出，水下造流裝置正下方的流場流速主要在0.1～0.7 m/s波動，具有一定的波動性，可以模擬海流環境中的海流干擾。

水下機器人的定速推進系統通常通過推進器提供推力，從而控制水下機器人的速度。因此，從定速推進系統的角度來看，速度是對系統工作狀態和推進效果的直接反映，也是一個重要的系統特性代表。因此，利用本文方法估計水下機器人定速推進器的狀態量，以速度為例，估計結果如圖3所示。

從圖3中可以看出，本文方法可有效估計水下機器人定速推進器的速度，能夠為后續建立非線性Thau觀測器提供數據支持。

當水下機器人定速推進器存在下主推故障時，利用本文方法逼近非線性Thau觀測器的有界非線性不確定擾動，逼近結果如圖4所示。

從圖4中可以看出，本文方法可有效逼近非線性Thau觀測器內的有界非線性不確定擾動，有利于提升非線性Thau觀測器的水下機器人定速推進故障識別精度。利用本文方法對該定速推進器進行故障識別，故障識別結果如圖5所示。

從圖5中可以看出，當水下機器人定速推進器運行至30 s左右時，殘差信號突然上升，并超過了前向方向的速度殘差閾值以及縱傾角的殘差閾值，說明此時水下機器人定速推進故障為下主推故障，與實際相符，從而反映出本文方法的故障識別精度較高。這是因為本文方法利用了模糊神經網絡逼近非線性Thau觀測器內的有界非線性不確定性擾動，能夠適應復雜的系統特性，從而有效提升故障識別的精度，提高故障識別的準確性和穩定性。

3" 結" 論

本文提出一種基于非線性Thau觀測器的水下機器人定速推進故障識別方法，旨在提高水下機器人在復雜環境中的安全性和可靠性。實驗結果表明，該方法在定速推進故障識別方面取得了顯著的效果，能夠準確識別不同類型的故障，為水下機器人的安全運行提供了新的途徑。在未來的研究中，將進一步完善和優化該方法，為水下機器人的發展和應用做出更大的貢獻。

參考文獻

[1] 李亞鑫，陳順杰，王宇.基于康達效應的水下機器人矢量推進器設計與性能評價[J].船舶力學，2023，27（4）：498?507.

[2] 張鈺曼，吳海淼，侯紅娟.基于D?S證據理論和模糊理論的工業機器人健康狀態評估[J].機床與液壓，2022，50（8）：198?203.

[3] 李凌霄，王偉明，賀佳飛，等.基于DDPG的自主水下機器人角度控制研究[J].計算機仿真，2023，40（4）：422?426.

[4] MAHMUT K， METIN Y， INAR EYüP Y A. Unsupervised dissimilarity?based fault detection method for autonomous mobile robots [J]. Autonomous robots， 2023， 47（8）： 1503?1518.

[5] 呂郅珩，姚裕康，楊佩穎，等.基于模糊神經網絡的水下機器人推進系統故障診斷[J].船舶工程，2023，45（5）：116?122.

[6] 左延紅，姚燕生，耿國慶.分數階偏微分在工業機器人故障診斷中的應用[J].計算機集成制造系統，2023，29（4）：1137?1145.

[7] 黃威，袁廷翼，鄧百川，等.基于深度學習的機器人電路板自主故障檢測系統[J].電工電能新技術，2022，41（2）：72?80.

[8] 高升，馬廣富，郭延寧.基于自適應未知輸入觀測器的多故障快速重構[J].系統工程與電子技術，2022，44（7）：2364?2373.

[9] 李振東，李先祥，周星.基于小波包能量譜的工業機器人智能故障診斷[J].機床與液壓，2022，50（23）：194?198.

[10] 韓特，李彥夫，雷亞國，等.融合圖標簽傳播和判別特征增強的工業機器人關鍵部件半監督故障診斷方法[J].機械工程學報，2022，58（17）：116?124.

[11] 鄧健峰，王濤，程良倫.機器人故障診斷事理邏輯知識圖譜構建研究[J].計算機工程與應用，2023，59（13）：139?148.

[12] 黃俊杰，王鵬霏，張博文，等.執行器故障下的3?PRS并聯機器人動力學分析[J].機械設計，2022，39（11）：7?16.

[13] 張永貴，牟亞雄，馮飛翔.一種指數積公式的機器人建模與參數辨識[J].機械設計與制造，2023（12）：88?92.

[14] 蘭建斌，陳立平.基于改進SPBO算法的關節機器人動力學參數辨識[J].機床與液壓，2023，51（5）：1?7.

[15] 華長春，陳傳虎，陳健楠，等.基于干擾觀測器的水下機器人預定性能控制[J].控制與決策，2022，37（5）：1160?1166.

作者簡介：張博憧（1997—），男，山東德州人，在讀碩士研究生，研究方向為深度學習。

韓世遷（1973—），男，遼寧沈陽人，碩士研究生，副教授，副院長，研究方向為應用數學。

王萍萍（2000—），女，山東德州人，在讀碩士研究生，研究方向為深度學習。

DOI：10.16652/j.issn.1004?373x.2024.20.026

引用格式：張博憧，韓世遷，王萍萍.非線性Thau觀測下的水下機器人定速推進故障識別[J].現代電子技術，2024，47（20）：165?169.

收稿日期：2024?04?18" " " " " "修回日期：2024?05?21

基金項目：國家自然科學基金面上項目（62175453）