摘要
水下机器人广泛应用于军事与民用领域，其中推进器是水下机器人的重要设备，需要对其进行实时监测诊断，以确保水下机器人安全航行。基于深度学习的故障诊断方法能够进行“端到端”的诊断，不依赖任何专家经验，且不受AUV具体架构的限制，具有很好的泛化性能，是当前的主流方法。本文以一维残差收缩网络作为骨干网络，重点针对强噪声干扰问题、小样本问题、基于单传感器信号的诊断结果具有不确定性的问题进行研究，具体工作总结如下： （1）为了提高噪声干扰环境下的AUV推进器故障诊断准确率，本文在一维残差收缩网络(1d-DRSN)的基础上进行了改进，提出了一种基于多尺度深度残差收缩网络的AUV推进器故障诊断模型。首先采用宽卷积层增加输入信号的通道数、降低信号的维度；接着在特征提取层利用不同尺度的1d-DRSN对宽卷积层的输出进行特征提取和信息融合，其中利用残差收缩网络的跨层连接优势提高了网络的深度，利用软阈值函数去除样本信号中的噪声干扰；最后通过全连接层实现故障信号的分类。实验表明，与DCNN、ResNet、1d-DRSN相比，本文提出的模型具有更好的抗噪性能，并且故障诊断准确率最高，能够用于噪声干扰环境下的AUV推进器故障诊断。 （2）针对上部分所提方法在小样本情况下诊断效果不佳的问题，建立了一种基于孪生深度残差收缩网络的AUV推进器故障诊断模型。模型的输入由单个样本变成两两随机匹配的样本对，实现了样本量的倍增；模型的特征提取模块为两个结构相同参数共享的一维残差收缩网络，提高了模型在强噪声干扰下的故障特征提取能力；最后通过相似度计算模块得到两样本间的欧式距离。实验结果表明，相较于传统的深度学习方法，本文所提模型在AUV推进器小样本情况下的故障诊断精度更高。 （3）针对单传感器信号容易受到外界噪声的干扰，可能不足以准确的表征出AUV推进器的健康状况，从而导致故障诊断的结果具有不确定性的问题。本文提出了一种基于多源信号融合与深度残差收缩网络的AUV推进器故障诊断模型。该模型有三个独立的通道，将不同方向陀螺仪采集的角速度信号作为各通道的输入向量；运用残差收缩网络自适应的去除各传感器信号的噪声干扰，并提取有用的故障特征；最后引入全连接层对各通道信号的特征进行融合诊断，输出诊断结果。实验结果表明，本文提出的多源信号融合诊断模型的准确率达到100%，有效的消除了故障诊断过程中的不确定性，并且在小样本情况下有着很好的抗噪性能，具备实际场景应用的可行性。
NETL