水下推進器電流轉速信號的模糊聚類故障檢測方法研究

張文霞，袁 健

（1.青島工學院機電工程學院，山東 青島 266300；2.齊魯工業(yè)大學（山東省科學院）海洋儀器儀表研究所，山東 青島 266100）

引 言

水下推進器是水面無人艇、水下無人航行器等海洋航行器的核心部件，其運行狀態(tài)關系整個航行器系統(tǒng)的可靠性和安全性.水面無人艇由于作業(yè)環(huán)境復雜，容易受海流、海浪、水中漂浮物等外界干擾而出現不可以預知的情況.水面無人艇在實際作業(yè)過程中，一旦出現推進器故障，輕則無法完成預定的作業(yè)任務，重則危及水面無人艇自身的安全[1]，導致水面無人艇丟失.因此，需要研究和開發(fā)能夠實現快速、可靠和高質量故障診斷的方法.水下推進器在工作環(huán)境惡劣情況下，由于水草等異物纏繞，極易引發(fā)推進器轉速降低，同時電流瞬時增大，甚至發(fā)生推進器堵轉[2].當推進器發(fā)生異物纏繞導致的故障時，應及時發(fā)現并排除因故障帶來的損失.因此，對水下推進器的運行狀態(tài)進行故障診斷對于提高水下航行器效率以及安全可靠性具有重要意義.

在水下推進器工作過程中，通過布置在水下推進器上的傳感器可測量得到推進器的電流、螺旋槳轉速等信號.由于水下推進器的故障信號受負荷、流體介質影響，具有較強的非平穩(wěn)性和較低的信噪比，如何從這種復雜的信號中提取故障特征一直是水下推進器故障診斷研究的熱點和難點[3].通常的故障提取方法有信號的狀態(tài)觀測器[4-5]、隱馬爾科夫模型[6]、小波時頻分析[7]、D-S 證據理論[8]、支持向量機[9]、經驗模態(tài)分解[10]以及神經網絡[11-12]等方法.水下推進器故障診斷技術往往對電壓和電流、振動、聲壓等單一信號進行特征提取后進行診斷.文獻[13]針對水下機器人復雜系統(tǒng)的不確定性給系統(tǒng)建模帶來的困難，提出了一種改進的小波神經網絡（WNN）來構建AUV 的運動模型，通過將神經網絡的輸出與實際狀態(tài)值進行比較獲得殘差，從殘差中提取故障檢測規(guī)則，執(zhí)行執(zhí)行器故障診斷.文獻[14]提出了一種基于模糊融合的UUV 螺旋槳系統(tǒng)故障診斷算法，利用灰色預測方法根據歷史電流預測電流，通過擬合控制電壓和電樞電流建立理論電流模型，考慮到控制電壓變化率和電流異常時間對擬合權重的影響，引入模糊理論對預測電流和理論電流進行融合得到了融合電流.文獻[15]針對電源噪聲引起小范圍內聚集過渡延遲故障，提出了一種聚類多過渡延遲故障（TDF）的診斷工具，使用相關系數來確定最佳聚類數，將K 均值算法應用到故障的聚類診斷中.雖然僅利用單一信號進行故障診斷也能夠取得較好的診斷效果，但有時不同的故障表現的特征可能相似，僅使用單一傳感器信號所獲得的信息有限，對故障特征分析不全面，故障診斷正確率提升較為困難，易造成誤診和漏診.

推進器異物纏繞故障發(fā)生時，除出現聲音異常外，同時推進器電流瞬時增高，推進器螺旋槳轉速急劇降低.該現象不同于推進器執(zhí)行調速時電流、螺旋槳轉速的變化，而且如果異物持續(xù)纏繞，電流和轉速在一定時間內保持為相對穩(wěn)定的數值.電流和轉速在推進器運行過程中不僅在空間（測點位置）上相關，而且在時間上也相關，電流和轉速相關性含有大量關于推進器健康狀況的信息，能夠反映設備的運行狀態(tài)和故障類型[16].本文提出了一種基于推進器電流、轉速信號相關分析與模糊C 均值聚類相結合的故障診斷方法，對采集到的水下推進器在不同狀態(tài)下的電流、轉速信號進行歸一化操作，計算歸一化后的電流、轉速信號的相關度并組成相關度矩陣，以相關度矩陣作為特征使用數據聚類方法進行診斷.結果表明該方法能夠充分考慮不同信號之間的相關性，相對單一測點診斷結果準確率有較大的提高.

1 理論基礎

1.1 信號相關度矩陣

針對單一測量傳感器無法充分利用水下推進器多源采集信息的問題，本文提出一種電流、轉速信號相關度矩陣的特征提取方法.該特征提取方法能夠充分利用推進器故障條件下電流和轉速信號之間的相關性，提取更深層次的特征，有效克服傳統(tǒng)單一故障診斷方法因特征提取不充分而導致的故障診斷正確率提升困難的缺點.下面介紹電流、轉速信號相關度矩陣特征提取方法的計算過程.

通過電流、轉速信號傳感器采集水下推進器在正常狀態(tài)下和故障狀態(tài)下的電流、轉速信號，做好標簽構成樣本數據集，對樣本數據中的每個樣本按照下面公式進行歸一化處理.

式中，xji為該樣本的第i 個傳感器信號的第j 個數值；為歸一化后該樣本的第i 個傳感器信號的第j 個數值；為該樣本的第i 個傳感器信號的平均值，為該樣本的第i 個傳感器信號的最小值；為該樣本的第i 個傳感器信號的最大值；n為該樣本的數據點個數.

其中，

ρii′（n）為采樣時刻k 時該樣本歸一化后第i 個傳感器信號（電流）與第i′個傳感器信號（轉速）的相關系數，當i＝i′時，ρii′（n）＝1.

將計算得到的電流、轉速傳感器信號相關系數組成2×2 的相關度信號矩陣R（k），矩陣元素的存儲規(guī)則以其中一個傳感器信號為基礎，將其與另外一個傳感器信號的相關系數組成一行或一列，形成的相關度信息矩陣為

式中，矩陣中的元素ρii′（n）是采樣時刻k 電流傳感器信號與轉速傳感器信號的相關系數，共有2 個傳感器信號；R（n）為采樣時刻k 所構成的電流和轉速傳感器信號的相關度矩陣.

可見，相關度矩陣R（n）中涵蓋電流和轉速信號之間相關性，能夠發(fā)現推進器不同狀態(tài)下的電流和轉速之間的潛在關系，提取的特征信息豐富.

1.2 相關系數的模糊C 均值聚類

模糊C 均值聚類方法是硬C 均值聚類方法的改進，其用隸屬度來確定數據點屬于某個類的程度，模糊C 均值聚類對推進器故障的模糊特征具有較好的分類能力.

選取水下推進器正常調速和推進器纏繞運行狀態(tài)下的數據進行相關性分析，得到N個相關系數數據和C＝2 種運行模式（C 為聚類數）.把N 個向量xi（i＝1，…，N）分為2 個模糊組，并通過減法聚類方法初始化聚類中心，求得每個聚類數據密度最大的聚集點作為該聚類中心[17].在每次迭代中通過引入加權因子υi使得非相似性指標的目標函數

達到最小.其中uij∈（0，1）為隸屬度，且，j＝1，…，N；dij＝ci－xj表示第i 個聚類中心ci與第j 個數據點xj之間的歐氏距離；m∈[1，∞)為加權指數；υi為加權因子，表示樣本對聚類的影響程度，且其中

將相關度矩陣的互相關系數作為故障特征輸入模糊聚類算法中，并優(yōu)化FCM 中的閾值參數，可診斷出是否發(fā)生纏繞故障.

2 故障診斷流程

本文提出的基于水下推進器電流和轉速相關分析與模糊聚類相結合的故障診斷流程，如圖1 所示.

具體診斷步驟為：

步驟1：模擬水下推進器纏繞故障情形，并利用電流和轉速傳感器采集水下推進器在不同狀態(tài)下的電流和轉速信號.

步驟2：對每個樣本的電流和轉速信號分別進行歸一化處理.

步驟3：計算每個樣本的任意兩個歸一化后的電流和轉速信號之間的相關系數.

步驟4：將得到的轉速和電流信號之間的相關系數組成相關度矩陣.

步驟5：將計算得到的電流和轉速信號的互相關度數據進行模糊聚類.

步驟6：根據設置的聚類閾值判別推進器是否發(fā)生故障.

3 推進器故障診斷試驗驗證

3.1 推進器故障模擬與傳感器信號采集

為驗證本文提出方法的有效性，分別采集推進器正常運轉和發(fā)生纏繞情形下的故障試驗數據進行驗證.試驗裝置為水下推進器故障故障模擬實驗臺，如圖2 所示.其中包括上位機（數據采集軟件）、下位控制箱、水下推進器（帶螺旋槳）、電壓電流和轉速傳感器等.上位機數據采集軟件采用VS2010 C# 開發(fā)，數據庫采用SQL Server2005 開發(fā)，采集界面如圖3 所示，上位機與下位控制箱通過232 串口進行數據通信，下位控制箱采用STM32 控制芯片研制，通過IO 口產生PWM 信號，并通過水密電纜與水下推進器的電子調速箱連接，電子調速箱中安裝有無刷電機調速器，其輸出三相PWM 電壓信號控制水下推進器電機正反轉.試驗時，水下推進器電機與電子調速箱固定在同一個基架上，驅動電機軸與螺旋槳軸之間采用的是剛性聯(lián)軸器相連.我們利用加持工具對推進器轉軸實現不同程度的緊固，從而實現對推進器螺旋槳纏繞故障的模擬.

圖2 水下推進器故障故障模擬實驗臺

圖3 上位機采集軟件采集的轉速和電流值（正常調速情況下Vs 故障情況下）

采樣頻率為10 Hz，分別采集正常和故障狀態(tài)下推進器的電流信號及推進器轉速信號.

正常調速狀態(tài)下電流和轉速傳感器時域波形圖如圖4-圖5 所示.故障狀態(tài)下電流和轉速傳感器時域波形如圖6-圖7 所示.2 種狀態(tài)下的電流和轉速信號時域波形相似，只是在信號幅度上有區(qū)別，很難通過時域波形來判斷是否發(fā)生故障.

圖4 正常調速下采集的電流信號時域波形圖

圖5 正常調速下采集的推進器轉速時域波形圖

圖6 發(fā)生纏繞故障時的電流信號變化時域波形圖

圖7 發(fā)生纏繞故障時的轉速信號變化時域波形圖

3.2 數據分析與故障診斷

利用相關度矩陣方法可以清晰的看出2 種狀態(tài)下電流和轉速信號的相關性信息，數值越大表示電流和轉速信號之間正相關性越強，數值越小表示兩個信號的負相關性越強.正常調速情況下，隨著轉速的增大，推進器電流也正向增大，轉速和電流之間是正向相關的關系，其相關度如圖8 所示；纏繞故障發(fā)生時，隨著故障的發(fā)生，推進器轉速下降并且呈現一定的波動情況，但是推進器的電流會反向增大，轉速和電流之間是反向相關關系，其相關度如圖9 所示.可以看出，不同狀態(tài)下的電流和轉速信號相關度矩陣圖區(qū)分較為明顯，表明提取的特征較為充分.

圖8 正常調速下的轉速和電流的相關性系數

圖9 故障情形下的轉速和電流的相關性系數

為驗證本文提出方法的有效性，與使用單一電流或轉速傳感器信號的SVM 故障診斷方法進行對比，分析不同方法的診斷準確度.基于電流和轉速相關分析的模糊聚類算法利用百度飛槳AI Studio 平臺來實現，采樣點數n＝60，模糊聚類數C＝2，隸屬度的初始值為隨機生成的0-1 之間的數值，容忍的最小誤差為1e-3，最大迭代數為200，加權指數m＝5.0.采用單一信號檢測時支持向量機故障檢測方法中的懲罰因子ξ＝10.0；采用相關系數檢測時支持向量機故障檢測方法中的懲罰因子ξ＝20.0.此懲罰因子的值設置的越大，樣本訓練準確率越高，但是泛化能力降低.

3.3 故障診斷結果

圖10-圖11 所示為不同方法診斷結果的混淆矩陣圖，所有正確的預測結果都在對角線上，所以從混淆矩陣中可以很直觀的看出哪里有錯誤，因為他們呈現在對角線外面.灰白色表示數值較大，黑色表示數值較小.表1 所示為本文所提出的方法與對比方法的診斷結果，其中轉速（Speed）、電流（Current）分別對應推進器轉速信號以及推進器電流信號.圖12 和圖13 中橫坐標為相關矩陣中的自相關系數，縱坐標為相關矩陣中的互相關系數，空心點表示正常的相關系數點，實心點表示發(fā)生纏繞故障的相關系數點.圖12 中SVM 方法的參數設置為：懲罰因子ξ＝10.0，內核為高斯核函數（rbf），誤差精度（閾值）為1e-3.從圖12 中可以看出，使用單一信號進行SVM 故障診斷結果較差，并且單一使用電流傳感器的數據的SVM 檢測結果要好于單一使用轉速傳感器的SVM 檢測結果.由診斷結果可以看出，僅使用單一傳感器轉速信號的SVM 診斷結果為67.1%，使用推進器電流信號的SVM 診斷結果為73.4%.圖13 中SVM 方法的參數設置為：懲罰因子ξ＝20.0，內核為高斯核函數（rbf），誤差精度（閾值）為1e-4.圖13 為本文方法與SVM 方法的檢測結果對比，使用本文提出的算法的故障診斷正確率達到94.8%，比使用單一傳感器信號的診斷結果提高較大，與誤差精度為1e-4 時的SVM 分類結果95.3%相當.此時由于閾值設置得較小，增大了該算法的計算時間，SVM 產生了一定程度的過擬合現象，故需要合理設置懲罰因子和誤差精度用以平衡分類精度和計算時間.

表1 故障診斷結果

圖10 采用單一傳感器檢測推進器故障混淆矩陣圖（左：電流，右：轉速）

圖11 采用本文方法的故障混淆矩陣圖

圖12 單一傳感器SVM 分類結果（左：電流，右：轉速）

圖13 相關系數分類結果（左：本文方法；右：SVM 方法）

由以上分析可知，單一的轉速信號和電流信號故障診斷效果差，特征提取不明顯.綜合利用推進器轉速和電流信息并考慮他們之間的相關性，能夠將不同傳感器信號提取到的故障特征進行有效的整合，從而提高故障診斷準確率.

4 結論

本文針對水下推進器異物纏繞故障診斷僅使用單一信號而存在的故障特征不全面、故障診斷正確率提升困難等問題，提出了一種基于水下推進器電流、轉速相關分析與模糊聚類相結合的故障診斷方法，并且利用水下推進器故障數據對所提出的方法進行了驗證.結果表明本文所提出的方法能有效提取到故障模式下的電流和轉速之間的相關性特征，在推進器故障診斷中相比僅使用單一電流信號和轉速信號的SVM 方法，故障診斷正確率提高較大.