水下推进器故障诊断方法及系统

1.本发明涉及水下设备控制技术领域，特别是涉及水下推进器故障诊断方法及系统。


背景技术：

2.水下机器人也称无人遥控潜水器，是一种工作于水下的极限作业机器人。水下环境恶劣危险，人的潜水深度有限，所以水下机器人已成为开发海洋的重要工具。推进器是水下机器人必备的动力部件，与水下机器人上其它设备相比，推进器要在高压、高盐环境下长时间高负荷运转，是深潜器主要执行且负荷最重的部件，因此，对推进器进行故障诊断以保障推进器安全可靠工作，是不可缺少的环节。
3.水下推进器水下辐射噪声的信息能够有效的反映其航速、螺旋桨的状态信息，但是由于auv运行在复杂的海洋背景声场中，存在复杂的干扰成分，影响系统对真实辐射噪声信号的监测。目前针对如何有效利用水下噪声信号对水下推进器进行故障诊断，尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种水下推进器故障诊断方法及系统，以提供一种表征能力强、抗噪性能好的信号处理算法和特征提取方法对水下推进器的水下噪声信号进行故障诊断。
5.第一方面，本发明实施例提供了一种水下推进器故障诊断方法，包括：数据集获取步骤，采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集，具体的，通过水听器获取所述水下噪声信号，所述水下噪声信号包括不同推进器故障状态及推进器不同转速下的水下噪声信号，通过数据分割得到不同故障状态下的数据样本，通过标记故障类型确定对应的故障状态，实现构建故障数据集，所述故障状态包括螺旋桨完好状态、螺旋桨竖直破损状态、螺旋桨轻微破损状态、螺旋桨严重破损状态、微生物附着螺旋桨状态、螺旋桨丢失。
6.故障特征获取步骤，将所述故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法fast-sc及一预训练的神经网络模型进行卷积特征提取，融合所述卷积特征及统计特征得到故障特征；故障结果获取步骤，利用所述故障特征训练所述神经网络模型，训练后的所述神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断，实时得到螺旋桨的故障类型并进行预警，监控水下机器人工作状态，以便于设备故障时及时修复或打捞水下机器人。
7.在其中一些实施例中，所述故障特征获取步骤进一步包括：谱相干性提取步骤，利用快速谱相关算法fast-sc将一维的水下噪声信号转换得到二维时频谱图，所述二维时频谱图中包括循环频率分布和谱频率分布；其中，fast-sc算
法是一种有效的信号分析方法，结合了循环谱相关性和短时傅里叶变换stft的周期相关性，快速谱相关定义为：其中，是指扫描谱相关，是循环频率，是载波频率；是载波频率分辨率；为接近循环频率的频率分辨率倍数，最大值为；为stft的窗宽，(
·
)为核函数，为stft窗的移动步长。
8.由快速谱相关算法可计算得到光谱相干性，光谱相干性可基于如下计算模型计算得到：。
9.卷积特征提取步骤，将所述二维时频谱图输入所述神经网络模型提取得到其卷积特征；统计特征提取步骤，将所述水下噪声信号基于统计提取得到所述水下噪声信号的统计特征，从而通过统计方法提取统计特征；特征融合步骤，将卷积特征和统计特征相加进行融合，得到所述故障特征。
10.在其中一些实施例中，所述统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。
11.在其中一些实施例中，该方法还包括：模型预训练步骤，基于所述故障数据集使用随机梯度下降sgd优化器对所述卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。
12.在其中一些实施例中，所述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层，所述卷积层用于对所述二维时频谱图进行特征提取，所述池化层用于进行特征选择和信息过滤，所述全连接层用于将所述故障特征中卷积特征和统计特征综合起来，所述softmax层用于进行逻辑回归分类后输出故障类型。
13.第二方面，本发明实施例提供了一种水下推进器故障诊断系统，包括：数据集获取模块，配置为采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集，具体的，通过水听器获取所述水下噪声信号，所述水下噪声信号包括不同推进器故障状态及推进器不同转速下的水下噪声信号，通过数据分割得到不同故障状态下的数据样本，通过标记故障类型确定对应的故障状态，实现构建故障数据集，所述故障状态包括螺旋桨完好状态、螺旋桨竖直破损状态、螺旋桨轻微破损状态、螺旋桨严重破损状态、微生物附着螺旋桨状态、螺旋桨丢失。
14.故障特征获取模块，配置为将所述故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法fast-sc及一预训练的神经网络模型进行卷积特征提取，融合所述卷积特征及统计特征得到故障特征；故障结果获取模块，配置为利用所述故障特征训练所述神经网络模型，训练后的所述神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断，实时得到螺旋桨的故障类型并进行预警，监控水下机器人工作状态，以便于设备故障时及时修复或打捞水下机器人。
15.在其中一些实施例中，所述故障特征获取模块进一步包括：谱相干性提取模块，配置为利用快速谱相关算法fast-sc将一维的水下噪声信号转换得到二维时频谱图，所述二维时频谱图中包括循环频率分布和谱频率分布；其中，fast-sc算法是一种有效的信号分析方法，结合了循环谱相关性和短时傅里叶变换stft的周期相关性，快速谱相关定义为：其中，是指扫描谱相关，是循环频率，是载波频率；是载波频率分辨率；为接近循环频率的频率分辨率倍数，最大值为；为stft的窗宽，(
·
)为核函数，为stft窗的移动步长。
16.由快速谱相关算法可进而计算得到光谱相干性，光谱相干性可基于如下计算模型计算得到：。
17.卷积特征提取模块，配置为将所述二维时频谱图输入所述神经网络模型提取得到其卷积特征；统计特征提取模块，配置为将所述水下噪声信号基于统计提取得到所述水下噪声信号的统计特征，从而通过统计方法提取统计特征；特征融合模块，配置为将卷积特征和统计特征相加进行融合，得到所述故障特征。
18.在其中一些实施例中，所述统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。
19.在其中一些实施例中，该系统还包括：模型预训练模块，配置为基于所述故障数据集使用随机梯度下降sgd优化器对所述卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。
20.在其中一些实施例中，所述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层，所述卷积层用于对所述二维时频谱图进行特征提取，所述池化层用于进行特征选择和信息过滤，所述全连接层用于将所述故障特征中卷积特征和统计特征综合起来，所述softmax层用于进行逻辑回归分类后输出故障类型。
21.相比于相关技术，本发明实施例提供的水下推进器故障诊断方法及系统，针对复杂的海洋声场环境，通过采集推进器螺旋桨的水下噪声信号，通过循环平稳分析中的fast-sc方法和统计方法对信号特征提取，结合深度学习方法实现特征融合和推进器故障诊断，该方法只使用单一传感器获取声音数据，降低系统资源消耗，成本低、精度高、鲁棒性能好。
22.本发明的一个或多个实施例的细节在以下附图和描述中提出，以使本发明的其他特征、目的和优点更加简明易懂。
附图说明
23.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是根据本发明实施例的水下推进器故障诊断方法的流程图；图2是根据本发明实施例的水下推进器故障诊断方法的分步骤流程图；图3是根据本发明实施例的水下噪声信号的示意图；图4是根据本发明实施例的网络训练过程中准确度的变化示意图；图5是根据本发明实施例的网络训练过程中损失值loss的变化示意图；图6是根据本发明实施例的水下推进器故障诊断的结构框图。
24.图中：1、数据集获取模块；2、模型预训练模块；3、故障特征获取模块；4、故障结果获取模块；301、谱相干性提取模块；302、卷积特征提取模块；303、统计特征提取模块；304、特征融合模块。
具体实施方式
25.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行描述和说明。
26.由于信号的二阶统计量不仅可以更好地表征周期性脉冲特征，而且可以在一定程度上抑制随机噪声。因此，基于二阶统计量的循环谱相关分析作为分析循环平稳信号的有力工具，可以通过将一维信号转换为α(循环频率)
‑ꢀ
f(谱频率)平面的二维谱图来提取周期脉冲特征。antonij等人提出了一种新的基于短时傅里叶变换stft的循环谱相关快速估计器，即快速谱相关(fast-sc)。它不仅计算效率高，而且可以任意细化频率分辨率，提高循环平稳信号的分析精度。
27.mobilenet是谷歌提出来的移动端分类网络。在v1中mobilenet应用了深度可分离卷积(depth-wise seperable convolution)并提出两个超参来控制网络容量，这种卷积背后的假设是跨channel相关性 和跨spatial相关性的解耦。深度可分离卷积能够节省参数量，在保持移动端可接受的模型复杂性的基础上达到了相当的高精度。而在v2中，mobilenet应用了新的单元：inverted residual with linear bottleneck，主要的改动是
为 bottleneck 添加了 linear 激活输出以及将残差网络的 skip-connection 结构转移到低维 bottleneck 层。
28.本实施例提供了一种水下推进器故障诊断方法。图1-图2是根据本发明实施例的水下推进器故障诊断方法的流程图，如图1-图2所示，该流程包括如下步骤：数据集获取步骤s1，采集水下推进器的螺旋桨的水下噪声信号，如图3所示，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集，具体的，通过水听器获取水下噪声信号，水下噪声信号包括不同推进器故障状态及推进器不同转速下的水下噪声信号，通过数据分割得到不同故障状态下的数据样本，通过标记故障类型确定对应的故障状态，实现构建故障数据集，故障状态包括螺旋桨完好状态、螺旋桨竖直破损状态、螺旋桨轻微破损状态、螺旋桨严重破损状态、微生物附着螺旋桨状态、螺旋桨丢失。
29.模型预训练步骤s2，基于故障数据集使用随机梯度下降sgd优化器对卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。可选的，故障数据集中训练集、验证集和测试集的比例配置为8:1:1，通过验证测试集在网络正确分类的样本数与总样本数的比值作为准确率评测指标对网络进行评测，评测指标数值越大，网络模型效果越好，反之，网络模型效果越差；本实施例将卷积神经网络的batchsize设置为64，初始学习率设置为0.01，每训练100个epoch衰减为原来的十分之一，一个epoch等于使用训练集中的全部样本训练一次的过程，本实施例称一个epoch为一轮。参考图4、图5所示，本发明实施例的准确度经过多轮训练后无限接近于100%、损失值loss经过多轮训练后无限接近于0，模型训练效果较好。
30.故障特征获取步骤s3，将故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法fast-sc及一预训练的神经网络模型进行卷积特征提取，融合卷积特征及统计特征得到故障特征；其中，故障特征获取步骤s3进一步包括：谱相干性提取步骤s301，利用快速谱相关算法fast-sc将一维的水下噪声信号转换得到二维时频谱图，本实施例中该二维时频谱图的尺寸为224
×
224，二维时频谱图中包括循环频率分布和谱频率分布，从而利用循环平稳分析表征能力强、抗噪性能好的优点，提取水下噪声信号的谱相干性，提取水下噪声信号的循环平稳特征，利用循环平稳特征作为水下推进器螺旋桨的故障诊断参考特征；卷积特征提取步骤s302，将二维时频谱图输入神经网络模型提取得到其卷积特征；统计特征提取步骤s303，将水下噪声信号基于统计提取得到水下噪声信号的统计特征，从而通过统计方法提取统计特征；统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合；特征融合步骤s304，将卷积特征和统计特征相加进行融合，得到故障特征。尽管本技术实施例通过相加的方式进行特征融合，特征融合的方式也可以采用拼接、点加等方式实现。
31.故障结果获取步骤s4，利用故障特征训练神经网络模型，训练后的神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断，实时得到螺旋桨
的故障类型并进行预警，监控水下机器人工作状态，以便于设备故障时及时修复或打捞水下机器人。神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层，卷积层用于对二维时频谱图进行特征提取，池化层用于进行特征选择和信息过滤，全连接层用于将故障特征中卷积特征和统计特征综合起来，softmax层用于进行逻辑回归分类后输出故障类型。可选的，本发明实施例采用的神经网络模型为mobilenet v2网络，mobilenet v2是一种轻量型卷积神经网络，使用深度可分离卷积，可将二维时频谱图输出为1
×1×
1280的卷积特征。如下表1所示，本发明实施例的mobilenet v2网络的结构包括10层，表中input代表每一层输入的尺寸，operator代表每一层网络的种类，其中bottleneck代表倒残差结构、conv2d代表标准卷积、avgpool代表池化层。t代表bottleneck扩展倍数，c代表输出通道数，n代表该卷积层叠加层数，s代表卷积步数，网络结构的输入图像尺寸是224
×
224，输出为1
×1×
1280。
32.表1谱相干性提取步骤s301中利用快速谱相关算法fast-sc将一维的水下噪声信号转换得到二维时频谱图，fast-sc算法是一种有效的信号分析方法，结合了循环谱相关性和短时傅里叶变换stft的周期相关性，快速谱相关定义为：其中，是指信号的扫描谱相关，是循环频率，是载波频率；是载波频率分辨率；为接近循环频率的频率分辨率倍数，最大值为；为stft的窗宽，(
·
)为核函数，为stft窗的移动步长。
33.由快速谱相关算法可进而计算得到光谱相干性，光谱相干性可基于如下计算模型计算得到：。
34.具体的，利用快速谱相关算法fast-sc将一维的水下噪声信号转换得到二维时频谱图的具体实现过程如下步骤所示：步骤a：以采样频率fs=128000hz为例，配置每帧信号长度取采样时间t=1s、信号长度为128000，输入参数，在stft中选择合适的窗口函数，设置窗口长度和最大循环频率；步骤b：对水下噪声信号计算离散信号的短时傅里叶变换stft：其中，（
…
,是指第个离散频率，
△
f为频率分辨率，为窗函数的长度，r为相邻窗函数的时移量；步骤c：计算光谱相关性：初始化,其中，是窗口的中间时间索引。
35.循环计算：forforforforend步骤d：幅度校准：其中，是窗函数的个数；步骤e：根据光谱相关性计算光谱相干性，
；基于如上步骤s1~s4，本发明实施例的水下推进器故障诊断方法，通过采集推进器螺旋桨的水下噪声信号，通过循环平稳分析中的fast-sc方法和统计方法对信号特征提取，结合深度学习方法实现特征融合和推进器故障诊断，通过卷积神经网络将循环平稳特征及统计特征相融合，在谱相干性和统计特效两个维度充分利用水下噪声信号的数据特性，提高故障诊断的准确度；该方法只需要使用水听器传感器采集水下噪声信号即可进行故障诊断，不需要额外部署其他传感器，占用水下机器人控制系统的系统资源较少；本发明实施例利用循环平稳分析提取水下噪声信号的谱相干性进行特征提取，实现高精度的故障诊断，在复杂场景下具有较高的鲁棒性，满足水下机器人受自然条件影响水下工况复杂的场景需求。
36.需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
37.本实施例还提供了一种水下推进器故障诊断系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
38.图6是根据本发明实施例的水下推进器故障诊断系统的结构框图，如图6所示，该系统包括：数据集获取模块1、模型预训练模块2、故障特征获取模块3及故障结果获取模块4。
39.数据集获取模块1配置为采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集，具体的，通过水听器获取水下噪声信号，水下噪声信号包括不同推进器故障状态及推进器不同转速下的水下噪声信号，通过数据分割得到不同故障状态下的数据样本，通过标记故障类型确定对应的故障状态，实现构建故障数据集，故障状态包括螺旋桨完好状态、螺旋桨竖直破损状态、螺旋桨轻微破损状态、螺旋桨严重破损状态、微生物附着螺旋桨状态、螺旋桨丢失。
40.模型预训练模块2配置为基于故障数据集使用随机梯度下降sgd优化器对卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。可选的，故障数据集中训练集、验证集和测试集的比例配置为8:1:1，通过验证测试集在网络正确分类的样本数与总样本数的比值作为准确率评测指标对网络进行评测，评测指标数值越大，网络模型效果越好，反之，网络模型效果越差；卷积神经网络的batchsize设置为64，初始学习率设置为0.01，每训练100个epoch衰减为原来的十分之一，一个epoch等于使用训练集中的全部样本训练一次的过程，本实施例称一个epoch为一轮。
41.故障特征获取模块3配置为将故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法fast-sc及一预训练的神经网络模型进行卷积特征提取，融合卷积特征及统计特征得到故障特征。故障特征获取模块3包括：谱相干性提取模块301、卷积特征提取模块302、统计特征提取模块303及特征融合模块304，其中，谱相干性提取模块301，配
置为利用快速谱相关算法fast-sc将一维的水下噪声信号转换得到二维时频谱图，二维时频谱图中包括循环频率分布和谱频率分布，从而利用循环平稳分析表征能力强、抗噪性能好的优点，提取水下噪声信号的谱相干性，提取水下噪声信号的循环平稳特征，利用循环平稳特征作为水下推进器螺旋桨的故障诊断参考特征；卷积特征提取模块302配置为将二维时频谱图输入神经网络模型提取得到其卷积特征；统计特征提取模块303配置为将水下噪声信号基于统计提取得到水下噪声信号的统计特征，从而通过统计方法提取统计特征；特征融合模块304配置为将卷积特征和统计特征相加进行融合，得到故障特征，其中，统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。
42.故障结果获取模块4配置为利用故障特征训练神经网络模型，训练后的神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断，实时得到螺旋桨的故障类型并进行预警，监控水下机器人工作状态，以便于设备故障时及时修复或打捞水下机器人。
43.上述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层，卷积层用于对二维时频谱图进行特征提取，池化层用于进行特征选择和信息过滤，全连接层用于将故障特征中卷积特征和统计特征综合起来，softmax层用于进行逻辑回归分类后输出故障类型。本发明实施例采用的神经网络模型为mobilenet v2网络。
44.基于如上模块，本发明实施例的水下推进器故障诊断系统只需要使用水听器传感器采集水下噪声信号即可进行故障诊断，不需要额外部署其他传感器，占用水下机器人控制系统的系统资源较少；本发明实施例利用循环平稳分析提取水下噪声信号的谱相干性进行特征提取，实现高精度的故障诊断，在复杂场景下具有较高的鲁棒性，满足水下机器人受自然条件影响水下工况复杂的场景需求。
45.以上实施例描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种水下推进器故障诊断方法，其特征在于，包括：数据集获取步骤，采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集；故障特征获取步骤，将所述故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法及一预训练的神经网络模型进行卷积特征提取，融合所述卷积特征及统计特征得到故障特征；故障结果获取步骤，利用所述故障特征训练所述神经网络模型，训练后的所述神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断。2.根据权利要求1所述的水下推进器故障诊断方法，其特征在于，所述故障特征获取步骤进一步包括：谱相干性提取步骤，利用快速谱相关算法将一维的水下噪声信号转换得到二维时频谱图，所述二维时频谱图中包括循环频率分布和谱频率分布；卷积特征提取步骤，将所述二维时频谱图输入所述神经网络模型提取得到其卷积特征；统计特征提取步骤，将所述水下噪声信号基于统计提取得到所述水下噪声信号的统计特征；特征融合步骤，将卷积特征和统计特征相加进行融合，得到所述故障特征。3.根据权利要求2所述的水下推进器故障诊断方法，其特征在于，所述统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。4.根据权利要求1所述的水下推进器故障诊断方法，其特征在于，该方法还包括：模型预训练步骤，基于所述故障数据集使用随机梯度下降sgd优化器对所述卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。5.根据权利要求2所述的水下推进器故障诊断方法，其特征在于，所述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层。6.一种水下推进器故障诊断系统，其特征在于，包括：数据集获取模块，配置为采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集；故障特征获取模块，配置为将所述故障数据集中的水下噪声信号进行统计特征提取，并利用快速谱相关算法及一预训练的神经网络模型进行卷积特征提取，融合所述卷积特征及统计特征得到故障特征；故障结果获取模块，配置为利用所述故障特征训练所述神经网络模型，训练后的所述神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断。7.根据权利要求6所述的水下推进器故障诊断系统，其特征在于，所述故障特征获取模块进一步包括：谱相干性提取模块，配置为利用快速谱相关算法将一维的水下噪声信号转换得到二维时频谱图，所述二维时频谱图中包括循环频率分布和谱频率分布；卷积特征提取模块，配置为将所述二维时频谱图输入所述神经网络模型提取得到其卷
积特征；统计特征提取模块，配置为将所述水下噪声信号基于统计提取得到所述水下噪声信号的统计特征；特征融合模块，配置为将卷积特征和统计特征相加进行融合，得到所述故障特征。8.根据权利要求7所述的水下推进器故障诊断系统，其特征在于，所述统计特征包括：最大值、最小值、平均值、峰峰值、方差、标准差、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差其一或其任意组合。9.根据权利要求6所述的水下推进器故障诊断系统，其特征在于，该系统还包括：模型预训练模块，配置为基于所述故障数据集使用随机梯度下降sgd优化器对所述卷积神经网络的参数进行训练，通过预先定义模型的超参数，将交叉熵损失作为损失函数，以最小化损失值loss为目标迭代网络的参数，当损失值下降幅度在预设范围内，则停止训练。10.根据权利要求7所述的水下推进器故障诊断系统，其特征在于，所述神经网络模型为卷积神经网络，包括卷积层、池化层、全连接层、softmax层。

技术总结
本发明涉及水下设备控制技术领域，特别是涉及水下推进器故障诊断方法及系统，其中，该方法包括：数据集获取步骤，采集水下推进器的螺旋桨的水下噪声信号，根据预设时间间隔进行数据分割并标记故障类型，得到故障数据集；故障特征获取步骤，将水下噪声信号进行统计特征提取，并利用快速谱相关算法及预训练的神经网络模型进行卷积特征提取，融合卷积特征及统计特征得到故障特征；故障结果获取步骤，利用故障特征训练神经网络模型，训练后的神经网络模型部署于水下机器人，以实时获取螺旋桨的水下噪声信号并进行故障诊断。通过本发明，实现了有效利用水下噪声信号对水下推进器进行故障诊断，成本低、精度高、鲁棒性能好。鲁棒性能好。鲁棒性能好。


技术研发人员：于泽 秦平 高爽 刘继鑫 柴鹏远
受保护的技术使用者：中国海洋大学
技术研发日：2023.06.09
技术公布日：2023/7/12