基于RBF與OS-ELM神經(jīng)網(wǎng)絡的AUV傳感器在線故障診斷

段 杰, 李 輝, 陳自立, 龔時華, 趙朝聞

?

基于RBF與OS-ELM神經(jīng)網(wǎng)絡的AUV傳感器在線故障診斷

段 杰, 李 輝, 陳自立, 龔時華, 趙朝聞

(中國船舶重工集團公司 第705研究所昆明分部, 云南 昆明, 650118)

傳感器是自主式水下航行器(AUV)的重要組成部分, 實時準確地對AUV傳感器進行在線故障診斷, 對提高AUV的安全性具有重要意義。文中通過對機器學習算法的分析, 建立了基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡的AUV傳感器預測器, 該預測器具有較高的實時性和準確性; 在此基礎上, 首次將在線貫序?qū)W習機(OS-ELM)算法應用于傳感器在線故障診斷, 進一步提高了預測器的實時性和準確性。文中還利用某AUV傳感器實航數(shù)據(jù), 分別對2種故障診斷模型進行了仿真和對比分析, 結(jié)果表明, 結(jié)合RBF神經(jīng)網(wǎng)絡算法的OS-ELM神經(jīng)網(wǎng)絡預測器, 其預測精度和實時性較RBF神經(jīng)網(wǎng)絡預測器更高, 而且性能更穩(wěn)定, 可為AUV控制系統(tǒng)各傳感器在線故障診斷方案設計提供參考。

自主式水下航行器(AUV); 徑向基函數(shù)(RBF); 在線貫序?qū)W習機(OS-ELM); 神經(jīng)網(wǎng)絡; 在線故障診斷; 傳感器

0 引言

傳感器作為自主式水下航行器(autonomous undersea vehicle, AUV)控制系統(tǒng)的重要組成部分, 相當于人的感覺器官, 對AUV完成正常的水下作業(yè)任務起到非常關鍵的作用。但AUV的大部分傳感器直接處于海水中, 相對較脆弱, 極易出現(xiàn)故障。因此, 保障AUV有效完成既定任務的前提是其傳感器系統(tǒng)的可靠性與準確性, AUV傳感器的故障診斷是其可靠性控制不可忽視的重要環(huán)節(jié)。

神經(jīng)網(wǎng)絡具有很強的非線性辨識能力, 被廣泛地應用于智能控制、模式識別、信號處理、數(shù)據(jù)挖掘、衛(wèi)生醫(yī)療和金融等領域, 同時也是故障診斷的方法之一。目前神經(jīng)網(wǎng)絡故障診斷方法應用最廣泛的是誤差反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡[1-2],而應用于AUV傳感器的故障診斷方法主要有: 基于主元分析的故障診斷方法[3]、灰色預測動態(tài)預測故障診斷方法[4]、基于滑模觀測器的故障診斷方法[5]、基于有限沖激響應(finite impulse response, FIR)濾波器的故障診斷方法[6]和基于BP神經(jīng)網(wǎng)絡的故障診斷方法[7]等, 這些方法的故障診斷準確性或依賴于訓練樣本的普遍性, 或依賴于精確的數(shù)學模型, 且都采用離線學習/在線工作的方式。由于實際中的故障情況瞬息萬變, 如果訓練樣本不能覆蓋所有的故障模式, 將會使泛化性變差, 預測不再準確。文中所采用改進的徑向基函數(shù)(radial basis function, RBF)神經(jīng)網(wǎng)絡和在線貫序?qū)W習機(online sequential extreme lear- ning machine, OS-ELM)神經(jīng)網(wǎng)絡算法均為在線學習算法, 可將現(xiàn)場實測數(shù)據(jù)源源不斷地輸入神經(jīng)網(wǎng)絡模型作為訓練樣本, 解決了樣本覆蓋度不夠廣的問題, 也提高了故障診斷與預測的準確性。RBF神經(jīng)網(wǎng)絡具有逼近非線性函數(shù)的能力極佳, 收斂速度快且不易陷入局部極小點的優(yōu)點。改進的RBF神經(jīng)網(wǎng)絡在線故障診斷模型區(qū)別于傳統(tǒng)的RBF神經(jīng)網(wǎng)絡故障診斷方法[8-9], 其訓練樣本是動態(tài)可變的, 訓練的同時也在進行傳感器信號預測與診斷。

文中首次嘗試將新興的OS-ELM算法用于AUV傳感器的故障診斷, OS-ELM方法準確地說是真正意義上的在線學習算法, 由于改進的RBF神經(jīng)網(wǎng)絡訓練算法雖然在功能上實現(xiàn)了在線學習, 但只是讓訓練樣本隨著時間實現(xiàn)動態(tài)遞推, 算法層面上還是屬于離線范疇。因此, OS-ELM從算法原理上就實現(xiàn)了在線學習/在線工作, 其收斂性、泛化性都比改進的RBF神經(jīng)網(wǎng)絡算法更好。

1 徑向基函數(shù)神經(jīng)網(wǎng)絡

1.1 概述

RBF神經(jīng)網(wǎng)絡具有類似生物神經(jīng)元的局部響應機制, 是由3層構(gòu)成的單隱層神經(jīng)網(wǎng)絡: 第1層是輸入層, 節(jié)點數(shù)量和輸入維數(shù)相等; 第2層是隱含層, 節(jié)點數(shù)量不確定; 第3層是輸出層, 節(jié)點數(shù)量和輸出數(shù)據(jù)維數(shù)相等[10]。RBF神經(jīng)網(wǎng)絡將RBF作為其隱含層的激勵函數(shù)。

RBF神經(jīng)網(wǎng)絡采用差異性的學習策略, 隱含層基于特定的非線性準則調(diào)整, 輸出層基于線性最優(yōu)策略調(diào)整。文中采取自組織選取中心的方法對神經(jīng)網(wǎng)絡進行訓練。自組織選取中心方法由Moody等[11]于1989年提出。

1.2 權值學習

文中的RBF神經(jīng)網(wǎng)絡權值的學習使用用最小均方(least mean square, LMS)誤差算法。但LMS算法的輸入為RBF神經(jīng)網(wǎng)絡隱含層的輸出, 因為輸入層與隱含層之間是沒有權值連接的, 這里的權值學習針對的是隱含層與輸出層之間的權值。RBF神經(jīng)網(wǎng)絡算法的流程如圖2所示。

網(wǎng)絡的代價函數(shù)

因此

進一步求得

可求出權值的更新迭代公式

1.3 RBF神經(jīng)網(wǎng)絡的改進

文中將RBF神經(jīng)網(wǎng)絡模型作了微小改進, 以實現(xiàn)樣本數(shù)據(jù)的動態(tài)遞推。如圖3所示, 在RBF神經(jīng)網(wǎng)絡的輸入層之前加入1個延時模塊, 使神經(jīng)網(wǎng)絡的輸入層能接收傳感器的歷史信號, 并將這些歷史數(shù)據(jù)和當前傳感器的輸出值作為訓練樣本。

2 在線貫序?qū)W習機(OS-ELM)算法

OS-ELM是文獻[12]基于極限學習機(extreme learning machine, ELM)[13]設計的在線增量式快速學習算法, 它適用于單隱層神經(jīng)網(wǎng)絡。OS-ELM把神經(jīng)網(wǎng)絡的訓練問題轉(zhuǎn)變成線性方程組問題, 這和以往的訓練算法有著本質(zhì)性的差異[14]。

OS-ELM算法的隱層節(jié)點不需要迭代式的調(diào)整。因此, 以ELM算法構(gòu)建的神經(jīng)網(wǎng)絡的隱層神經(jīng)單元個數(shù)和偏置可隨機產(chǎn)生, 隱層與輸入層之間的權值也是隨機的。文中將隱層神經(jīng)元的激勵函數(shù)設置為RBF函數(shù), 隱層節(jié)點個數(shù)隨機產(chǎn)生。

2.1 初始學習階段

文中選取RBF函數(shù)作為激勵函數(shù), 對于1組輸入數(shù)據(jù)只有1個神經(jīng)元被激活, 而其他神經(jīng)元的激活程度可忽略, 故將RBF函數(shù)作為激勵函數(shù)將以局部逼近的方式讓算法收斂, 避免了全局逼近造成的收斂速度緩慢和落入局部極小點的問題。因此, 將RBF算法的局部響應原理與OS-ELM算法相結(jié)合, 滿足了在線診斷實時性的需求。

此時, 根據(jù)廣義逆的計算方法得

根據(jù)廣義逆的計算方法

其中

2.2 在線學習階段

而

可知

由以上各式可得在線學習的遞推公式

3 傳感器故障在線診斷

3.1 RBF神經(jīng)網(wǎng)絡故障診斷模型

3.2 OS-ELM神經(jīng)網(wǎng)絡故障診斷模型

利用OS-ELM單隱層神經(jīng)網(wǎng)絡預測器對傳感器在線故障診斷仍使用某AUV的深度傳感器實航數(shù)據(jù)作為訓練樣本。與上述模型不同的是, OS-ELM單隱層神經(jīng)網(wǎng)絡預測器是多輸入、單輸出模型, 即每次訓練時的樣本輸入是1組向量, 樣本目標輸出是1個單值。

若誤差, 則將此時的采樣數(shù)據(jù) 作為神經(jīng)網(wǎng)絡的輸入, 作為神經(jīng)網(wǎng)絡的目標輸出, 組成新的學習樣本, 并根據(jù)OS-ELM的在線遞推公式更新權值, 然后進行下一個時間點傳感器輸出的預測。否則, 如果在連續(xù)5個時間點內(nèi), 則斷定傳感器發(fā)生故障。利用OS-ELM神經(jīng)網(wǎng)絡預測器對傳感器故障在線診斷的原理如圖5所示。

由以上表述可以看出, 2個模型采用了不同的樣本選取策略, 由于RBF本身并不是在線學習算法, 所以每次訓練, 其訓練樣本都是1個包含了許多歷史信息的矩陣, 以提高其預測的準確性, 但這也帶來了更多的計算量。而OS-ELM算法是在線學習算法, 它每次訓練的樣本只需要1組向量即可, 其歷史信息保存在每次更新的權值中, 這就減少了繁冗的計算, 提高了診斷模型的預測速度。

4 仿真分析

為驗證RBF神經(jīng)網(wǎng)絡和OS-ELM算法的有效性, 采用某AUV的深度傳感器實航數(shù)據(jù)進行仿真試驗, 如表1所示。

表1 深度傳感器實航數(shù)據(jù)

如圖6~圖8所示, 選取深度傳感器2 000個時刻的數(shù)據(jù), 分別用RBF神經(jīng)網(wǎng)絡預測模型、OS-ELM單隱層神經(jīng)網(wǎng)絡預測模型和線性自適應預測算法模型對其進行實時跟蹤預測。

由圖可知, RBF神經(jīng)網(wǎng)絡在某些時刻有較大的波動, 但總體平穩(wěn), 對數(shù)據(jù)上升與下降趨勢實現(xiàn)很好地跟蹤, 可對傳感器的數(shù)據(jù)進行有效地實時預測。OS-ELM單隱層神經(jīng)網(wǎng)絡模型沒有出現(xiàn)較大波動, 總體上能跟蹤數(shù)據(jù)升降趨勢, 有較強的實時預測能力。經(jīng)測試, OS-ELM的隱層為24層時, 預測能力最佳。線性自適應預測算法也可對數(shù)據(jù)進行實時有效地跟蹤, 因為某AUV屬于大型AUV, 其出現(xiàn)高速機動的情況較少, 所以傳感器的觀測數(shù)據(jù)趨近于線性, 因而線性自適應預測算法也可在AUV下潛、上浮和直航時實現(xiàn)深度傳感器數(shù)據(jù)的實時追蹤。

圖6 傳感器實際輸出與RBF神經(jīng)網(wǎng)絡預測輸出曲線

圖8 傳感器實際輸出與線性自適應算法預測輸出曲線

Fig. 9Predictive error curve of RBF neutral network

圖10 OS-ELM 神經(jīng)網(wǎng)絡預測誤差曲線

Fig. 10Predictive error curve of OS- ELM neutral network

Fig. 11Predictive error curve of li- near adaptive algorithm

AUV直航時選取500個時刻的數(shù)據(jù), 在第210個時間點起的10個時間點內(nèi)人為注入故障, 將這段時間傳感器的值設置為4.15 m, 使速度傳感器的輸出值突變, 來模擬傳感器漂移故障, 由圖12、圖13可知, RBF神經(jīng)網(wǎng)絡的預測輸出曲線在第210個時間點附近出現(xiàn)較大波動, 均方誤差曲線也出現(xiàn)較大波動, 且均方誤差數(shù)值已連續(xù)5個時間點大于閾值, 故RBF神經(jīng)網(wǎng)絡預測模型判定傳感器出現(xiàn)故障。

閾值的選取也是不可忽視的問題, 閾值選取得合理與否, 直接影響了故障判斷的準確性, 若設置過小, 則輕微的擾動都會被錯判為故障, 若設置過大, 則故障可能不會被檢測出來。仿真過程中, 經(jīng)多次試驗, 最終將閾值選為0.02, 選為該值后2個神經(jīng)網(wǎng)絡故障診斷模型判定故障時都較為合理準確。

在第210個時間點起的10個時間點內(nèi)人為注入故障, 將這段時間傳感器的值設置為4.15 m, 使速度傳感器的輸出值突變, 來模擬傳感器漂移故障, 由圖14、圖15可知, OS-ELM單隱層神經(jīng)網(wǎng)絡的預測輸出曲線在第210個時間點附近出現(xiàn)較大波動, 且均方誤差曲線也出現(xiàn)了較大波動, 均方誤差數(shù)值已連續(xù)5個時間點大于閾值, 故OS-ELM單隱層神經(jīng)網(wǎng)絡預測模型均判定傳感器出現(xiàn)故障。

從選取的第500個時間點起至最后一點人為注入故障, 將這段時間傳感器的輸出值設置為恒值, 模擬傳感器的卡死故障, 如圖16和圖17所示, AUV此時處于下潛狀態(tài), RBF神經(jīng)網(wǎng)絡的預測輸出曲線在第500點開始出現(xiàn)劇烈波動, 均方誤差也出現(xiàn)了大幅波動, 且從第500個時間點開始數(shù)值均大于所設定的閾值, 故RBF神經(jīng)網(wǎng)絡預測模型判定傳感器出現(xiàn)故障。

AUV下潛時將第500個時間點至最后1個時間點間的傳感器輸出設置為1個恒值, 模擬傳感器的卡死故障, 由圖18和圖19可知, OS-ELM神經(jīng)網(wǎng)絡的預測輸出曲線在第500點開始不斷波動后與傳感器輸出一致, 均方誤差也在該時刻出現(xiàn)了大幅波動, 且從第500個時間點起連續(xù)5個時間點均方誤差都大于所設定的閾值, 故OS-ELM神經(jīng)網(wǎng)絡預測模型判定傳感器出現(xiàn)故障。

如圖20和圖21所示, AUV上浮時在第150個時間點人為注入故障, 將其值改為4.2 m, 模擬傳感器的擾動故障, RBF神經(jīng)網(wǎng)絡預測輸出在150個時刻出現(xiàn)了波動, 均方誤差曲線也從該時刻起連續(xù)5個時間點出現(xiàn)波動且大于閾值, 故RBF神經(jīng)網(wǎng)絡預測模型判定傳感器出現(xiàn)故障。

如圖22和圖23所示, AUV上浮時, 設置故障情況如上所述, 由圖可知, OS-ELM神經(jīng)網(wǎng)絡預測輸出曲線在故障點開始出現(xiàn)上下波動, 均方誤差曲線也從故障點開始出現(xiàn)波動, 且其數(shù)值已連續(xù)5個時間點大于閾值, 故OS-ELM神經(jīng)網(wǎng)絡判定傳感器出現(xiàn)故障。

由以上仿真試驗可知, RBF神經(jīng)網(wǎng)絡和OS-ELM神經(jīng)網(wǎng)絡在AUV水下直航、上浮和下潛的過程中均能較好地實時預測深度傳感器的輸出, 而OS-ELM神經(jīng)網(wǎng)絡具有更高的預測精度和更快的收斂速度。在AUV水下航行、上浮和下潛的過程中, 分別模擬了傳感器的擾動故障、漂移故障和卡死故障, 仿真結(jié)果表明, RBF和OS-ELM神經(jīng)網(wǎng)絡對傳感器數(shù)值的突變反應敏感, 可實時檢測出傳感器故障, 且OS-ELM較RBF具有更好的預測能力和實時性。

以上2種神經(jīng)網(wǎng)絡在線故障診斷模型可以應用于AUV控制系統(tǒng)的傳感器, 如加速度計、多普勒、陀螺儀和深度傳感器等, 從仿真結(jié)果可以看出, 2種診斷模型都可以檢測傳感器的擾動故障、漂移故障和卡死故障這類具有突變性的故障類型。

Fig.22Curves of actual output of sensor with disturbance fault and predi- ctive output of OS-ELM neural network

Fig.23Predictive output error of OS- ELM neural network when se- nsor disturbance fault occurs

5 結(jié)束語

文中建立了基于RBF神經(jīng)網(wǎng)絡的AUV傳感器預測器, 并首次將OS-ELM算法應用于AUV傳感器在線故障診斷。通過采用2種故障診斷模型對某AUV傳感器實航數(shù)據(jù)進行仿真和對比分析, 可以看出: RBF神經(jīng)網(wǎng)絡和OS-ELM神經(jīng)網(wǎng)絡都能很好地預測出傳感器下一時刻的輸出值, 其中OS-ELM具有更好的預測能力和更快的預測速度; 當設定科學的閾值后, 對神經(jīng)網(wǎng)絡進行訓練, 確保它能夠預測AUV傳感器的輸出, 基于預測結(jié)果和真實輸出之間的誤差, 判斷AUV傳感器是否發(fā)生故障, 從而可以有效地實現(xiàn)AUV傳感器的在線故障診斷。

綜上所述, 基于OS-ELM算法的單隱層神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡都可以較好地應用于AUV絕大多數(shù)傳感器的在線預測與在線故障診斷, 從而提高AUV的安全性。文中的研究方法是基于數(shù)據(jù)驅(qū)動的, 并未融合其他故障診斷方法, 如基于主元分析方法、基于貝葉斯網(wǎng)絡方法、基于小波分析方法等, 在以后的工作中, 可嘗試將多種故障診斷方法相融合, 使故障診斷更準確。

[1] 陳艾琴, 劉乾, 朱大奇. 基于BP神經(jīng)網(wǎng)絡的水下機器人推進器故障辨識算法[J]. 電腦知識與技術, 2009, 5(19): 5214-5216.

Chen Ai-qin, Liu Qian, Zhu Da-qi. A Fault Identification Algorithm of Thrusters for Unmanned Underwater Vehi- cles Based on BP Neural Networks[J]. Computer Know- ledgeand Technology, 2009, 5(19): 5214-5216.

[2] 朱大奇, 陳楚瑤, 顏明重. 基于CA-CMAC的快速傳感器故障診斷方法[J]. 電子學報, 2008, 36(8): 1646-1650.Zhu Da-qi, Chen Chu-yao, Yan Ming-zhong. Fast Sensor Fault Diagnosis Method Based on CA-CMAC[J]. Acta El- ectronica Sinica, 2008, 36(8): 1646-1650.

[3] 胡暾, 趙哲身, 鄭毅. 基于主元分析的傳感器故障檢測與診斷[J]. 儀表技術, 2005(6): 30-32.

Hu Tun, Zhao Zhe-shen, Zheng Yi. Fault Detection and Diagnosis for Sensors Based On PAC[J]. Instrumentation Technology, 2005(6): 30-32.

[4] 嚴浙平, 陳濤, 秦政, 等. 灰色動態(tài)預測在AUV傳感器故障診斷中的應用[J]. 傳感技術學, 2008, 21(6): 1002- 1006.

Yan Zhe-ping, Chen Tao, Qin Zheng, et al. Application of Sensor Fault Diagnosis Based on Grey Dynamic Prediction for AUV[J]. Chinese Journal of Sensors and Actuators, 2008, 21(6): 1002-1006.

[5] 崔榮鑫, 徐德民, 潘瑛, 等. 基于滑模觀測器的AUV傳感器故障檢測[J]. 彈箭與制導學報, 2004, 24(4): 233- 240.

Cui Rong-xin, Xu De-ming, Pan Ying, et al. AUV Sensor Fault Detection Based on Sliding Observer[J]. Journal of Pr- ojectiles, Rockets, Missiles and Guidance, 2004, 24(4): 233- 240.

[6] 朱大奇, 胡震. 水下機器人故障診斷與容錯控制技術[M]. 北京: 國防工業(yè)出版社, 2012.

[7] 劉曉琴, 王大志, 楊青. 一種基于BP神經(jīng)網(wǎng)絡的傳感器故障診斷方案[J]. 沈陽理工大學學報, 2006, 25(4): 16-19, 46.

Liu Xiao-qin, Wang Da-zhi, Yang Qing. A Fault Diagnosis Approach to Sensor Based on BP Neural Network[J]. Trans- actionsof Shenyang Ligong University, 2006, 25(4): 16-19, 46.

[8] 邵向潮, 何永強, 蔡鵑, 等. 基于RBF神經(jīng)網(wǎng)絡的溫度傳感器故障診斷[J]. 吉首大學學報(自然版), 2010, 31(2): 79-82.

Shao Xiang-chao, He Yong-qiang, Cai Juan, et al. Resea- rch on Fault Diagnosis of Temperature Sensor Based on RBF Neural Network[J]. Journal of Jishou University(N- atural Science Edition), 2010, 31(2): 79-82.

[9] 王玉甲, 張銘均, 金志賢. 水下機器人傳感器及推進器狀態(tài)監(jiān)測系統(tǒng)[J]. 機械工程學報, 2006, 42(s1): 214-218.

Wang Yu-jia, Zhang Ming-jun, Jin Zhi-xian. Condition Monitorting System for Sensors and Thrusters of AUV[J]. Chinese Journal of Mechanical Engineering, 2006, 42(s1): 214-218.

[10] 陳明. Matlab神經(jīng)網(wǎng)絡原理與實例精解[M]. 北京: 清華大學出版社, 2015.

[11] Moody J, Darken C. Fast Learning in Networks of Locally-tuned Processing Units[J]. Neural Computation, 1989 (1): 281-294.

[12] Liang N Y, Huang G B, Saratchandran P, et al. A Fast and Accurate Online Sequential Learning Algorithm for Feed- forward Networks[J]. IEEE Transactions on Neural Netw- orks, 2006, 17(6): 1411-1423.

[13] Huang G B, Zhu Q Y, Siew C K. Extreme Learning Mach- ine: Theory and Application[J]. Neurocomputing, 2006, 70(1): 489-501.

[14] 尹剛, 張英堂, 李志寧, 等. 改進在線貫序極限學習機在模式識別中的應用[J]. 計算機工程, 2012, 38(8): 164- 166.Yin Gang, Zhang Ying-tang, Li Zhi-ning, et al. Applicati- on of Modified Online Sequential Extreme Learning Mac- hine in Pattern Recognition[J]. Computer Engineering, 2012, 38(8): 164-166.

(責任編輯: 楊力軍)

Online Fault Diagnosis of AUV Sensor Based on RBF and OS-ELM Neural Networks

DUAN Jie, LI Hui, CHEN Zi-li, GONG Shi-hua, ZHAO Chao-wen

(Kunming Branch of the 705 Research Institute, China Shipbuilding Industry Corporation, Kunming 650106, China)

Sensor is an important component part of an autonomous undersea vehicle(AUV). Real-time and accurate online fault diagnosis of AUV sensors is of great significance to improve the safety of an AUV. This study analyzes the machine learning algorithms, and builds a radial basis function(RBF) neural network-based AUV sensor predictor with highaccuracy and real-time performance. Subsequently, the online sequential extreme learning machine(OS-ELM) algorithm is applied to the online sensor fault diagnosis to improve the real time performance and accuracy of the predictor. Two kinds of fault diagnosis models are simulated and compared by using the sea trial data of AUV sensor, and the results show that the prediction accuracy and real-time performance of the OS-ELM neural network predictor with RBF neural network algorithm are higher than that of RBF neural network predictor. This research may provide a reference for the design of on-line fault diagnosis scheme of AUV control system.

autonomous undersea vehicle(AUV); radial basis function(RBF); online sequential extreme learning machine(OS-ELM); neural network; online fault diagnosis; sensor

U674.941; TP183

A

2096-3920(2018)02-0157-09

10.11993/j.issn.2096-3920.2018.02.010

段杰, 李輝, 陳自立, 等. 基于RBF與OS-ELM神經(jīng)網(wǎng)絡的AUV傳感器在線故障診斷[J]. 水下無人系統(tǒng)學報, 2018, 26(2): 157-165.

2017-06-26;

2017-10-01.

段 杰(1992-), 男, 在讀碩士, 主要研究方向為武器系統(tǒng)與運用工程.