1、水下機器人是人類探索和開發(fā)海洋資源的重要載體,隨著海洋開發(fā)進(jìn)程的加快,水下機器人技術(shù)受到人們的關(guān)注并得到快速發(fā)展。自主式水下機器人(AUV:Autonomous Underwater Vehicle)無人無纜工作在海洋環(huán)境,安全性是其研制和實用化過程中的重要問題之一,狀態(tài)監(jiān)測與故障診斷是決定AUV安全性的基礎(chǔ)和關(guān)鍵技術(shù),研究AUV狀態(tài)監(jiān)測與故障診斷技術(shù)對于提高AUV的智能化水平、加快其實用化進(jìn)程具有重要的科學(xué)研究意義和實際應(yīng)用價值。

2、r>　　本文針對AUV故障診斷中基于數(shù)學(xué)模型方法診斷誤差較大以及基于故障決策樹進(jìn)行推進(jìn)器故障程度辨識精度較低的問題,主要從AUV的灰色定性模型建立、運行模式識別、推進(jìn)器故障程度辨識三方面進(jìn)行研究。
　　研究AUV灰色定性建模方法。由于AUV工作在復(fù)雜海洋環(huán)境,AUV自身的非線性特性以及受海流等隨機干擾,使得很難基于純定量的方法建立精確的解析模型;同時,純定性仿真方法建模時忽略了AUV系統(tǒng)有用的定量信息,使得在建模過程中產(chǎn)生的預(yù)測狀

3、態(tài)奇異行為分支較難過濾。因此,基于純定量方法和純定性方法進(jìn)行AUV的故障診斷通常會出現(xiàn)隨模型誤差大而出現(xiàn)誤診的現(xiàn)象。針對該問題,本文將定性定量信息相結(jié)合,提出一種基于灰色定性仿真的AUV建模方法。該方法通過分析系統(tǒng)運行過程中各變量自身及變量之間的相互關(guān)系,來推導(dǎo)系統(tǒng)可能的后繼狀態(tài),通過概率灰數(shù)、高階導(dǎo)數(shù)以及持續(xù)時間的引入對后繼狀態(tài)奇異行為分支進(jìn)行過濾,建立AUV正常運行以及典型故障模式下的灰色定性模型。基于AUV實驗樣機正常運行及典型故

4、障模式下的水池實驗獲得實驗數(shù)據(jù),對比分析實驗數(shù)據(jù)與灰色定性模型的一致性,驗證本文AUV灰色定性建模方法的有效性。
　　研究AUV運行模式識別方法。針對AUV觀測變量多對在線診斷精度影響較大的問題,提出一種基于灰色關(guān)聯(lián)分析的AUV運行模式識別方法,該方法對在線觀測序列與各灰色定性模型序列進(jìn)行關(guān)聯(lián)度計算,通過判別計算所得關(guān)聯(lián)度的大小來識別AUV的運行狀態(tài)。針對基于灰色關(guān)聯(lián)分析方法進(jìn)行AUV模式識別過程中抗外部干擾較弱的問題,提出一種加

5、權(quán)平均的灰色關(guān)聯(lián)度綜合評價方法,將AUV運行過程中相同定性狀態(tài)個數(shù)作為權(quán)值系數(shù)融入關(guān)聯(lián)度計算過程中,以增加系統(tǒng)動態(tài)信息。將定性化后的水池實驗數(shù)據(jù)與各灰色定性模型進(jìn)行相應(yīng)的關(guān)聯(lián)度計算和綜合評價指數(shù)計算,通過比較實際運行情況各觀測變量與各模型相應(yīng)變量關(guān)聯(lián)度的大小,驗證本文基于灰色關(guān)聯(lián)分析方法進(jìn)行AUV模式識別的有效性,通過比較實際運行情況與各模型綜合評價指數(shù)的大小,驗證本文基于加權(quán)平均灰色關(guān)聯(lián)度綜合評價方法進(jìn)行AUV模式識別的有效性。

6、>　　研究AUV推進(jìn)器故障程度辨識方法。由于AUV觀測變量較多,準(zhǔn)確地選取包含故障程度信息的觀測變量進(jìn)行建模,對故障程度辨識結(jié)果影響較大。針對該問題,本文提出故障情況下對包含故障程度信息的觀測變量的選取方法,通過對各觀測變量的選取得到與故障程度相關(guān)的特征變量。針對基于故障決策樹方法進(jìn)行推進(jìn)器故障程度辨識時辨識精度較低的問題,本文提出一種將三維曲面擬合與特征變量分形盒維數(shù)計算相結(jié)合的推進(jìn)器故障程度辨識方法。該方法通過對勻速直航過程中右主推