基于深度学习的深海载人潜水器推进器故障融合诊断研究

The thruster is the main component of the manned submersible，and the thruster bear the heaviest load. Fast and accurate diagnosis the fault is the key technology for the safe of Manned Submersible. The underwater environment is very complicated, and HOV is a strongly coupled system with nonlinearity and uncertainty ,cause false alarm and other problems which reduces the speed and accuracy of the thruster fault diagnosis. This project intends to carry out the following four aspects of research in combination with the operation data of the JIAOLONG:First of all, First of all, combined with the operation data of JIAOLONG, carry out data preprocessing, fault feature extraction and parameter optimization model and algorithm application research, data interface and data classification processing; secondly, to carry out research on algorithm model thruster fault detection and isolation deep learning based on the research of deep learning model and the classification of thruster fault detection, and carry out offline training and parameter adjustment; thirdly, considering the data of multi parameter information and oceanauts experience factors, carry out research and decision fusion algorithm for model based on identification of fault.Based on the above research,the feasibility of the semi-physical simulation platform of the JIAOLONG and checkout feasibility of the research method. Through the project research, we can provide high precision and fast diagnosis for the propulsion system of manned submersible, improve the reserves of theoretical methods, and improve the safety and reliability of deep-sea manned devices.

推进器是载人潜器的主要执行且负荷最重的部件，对其故障的精准诊断是载人潜器安全运行的关键技术。深海环境的复杂和载人潜器自身的非线性、强耦合特征导致推进器故障诊断成为研究的难点。针对推进器故障诊断时易出现虚警、识别间隙报警等问题，本项目拟利用深度学习的方法开展以下四个方面的研究：首先，开展蛟龙号故障数据的预处理及故障特征提取，实现数据归类和归一化；其次，结合推进器故障数据特征，构建基于深度学习的推进器故障检测和分类模型，完成离线训练和模型参数优化；再次，建立潜航员人因决策模型，构建人因决策和深度学习的融合决策模型，实现对故障的快速准确辨识。在此基础上，搭建一套在线推进器故障诊断系统，并利用蛟龙号半物理仿真平台和水池试验验证方法的可行性。本项目的完成，可为载人潜器推进器系统故障高精度快速诊断提供理论方法储备，进一步提高深海载人装备的安全性和可靠性。

推进器作为载人潜水器主要的动力装置，构造复杂且直接与海水接触，负荷最高，是深海载人潜水器最主要的故障来源之一。利用载人潜器载人故障识别的优势，发挥历史数据优势，利用深度学习方法对载人潜水器推进器故障诊断方法进行研究，对提高深海载人潜器水下可靠性具有重要的意义。.本项目研究按计划执行，开展了基于深度学习方法的深海载人潜器推进器故障诊断理论的研究工作。在此基础上，研发了故障诊断系统，并在蛟龙号等潜器日常检修中进行了应用试验。具体开展的研究工作主要包括四个方面：.第一，基于蛟龙号165潜次运行数据和推进器故障数据，对故障模式和机理进行了梳理分析，构建了磁耦合推进器故障模式分类库；基于PCA主元分析方法，对蛟龙号运行数据进行了降维处理，研究了基于PCA方法的数据降维模型，构建了基于密聚类方法（DBSCAN）的数据分类模型，基于随机森林（RFR）模型构建了载人潜器推进器故障数据增强模型，基于以上方法构建了蛟龙号推进系统故障数据集。.第二，开展了训练数据前利用滤波器减少噪声影响，完成了推进器故障诊断CNN深度学习模型研究，通过卷积对数据特征进行提取，并进行激活函数、池化、舍弃等工作，最后利用全连接神经网络对模型进行了有效训练。.第三，通过 Delphi法建立深潜作业故障评判风险三级指标，采用层次分析法确定各指标权重。构建了基于风险矩阵法的因素严重度和可能性等级，进而确定了风险度等级和数值。采用Broda 序值法构建潜航员人因故障决策模型。.第四，基于微型控制系统和推进器扩展接口模式搭建了深海潜器推进器故障在线诊断系统，开展了系列的水池故障诊断试验，根据典型故障类型，开展了不同堵转系数情况下的推进器故障诊断算法的验证，研究取得了海量的推进器故障诊断数据，验证了算法的可行性。.本项目的完成，可为载人潜器推进器系统故障高精度快速诊断提供理论方法储备，进一步提高深海载人装备的安全性和可靠性。