水下机器人动力学建模与推进器故障诊断方法

"水下机器人动力学模型修正与推进器故障诊断的研究，主要涉及自治式水下机器人（AUV）的动力学建模、海流影响、模型修正、故障诊断策略以及信息融合技术的应用。" 在水下机器人领域，准确的动力学模型是进行有效控制和故障诊断的基础。张铭钧和褚振忠的研究考虑了外部海流对自治式水下机器人运动的影响，建立了一个更符合实际情况的海流作用下的动力学模型。海流作为海洋环境中重要的动态因素，对AUV的运动状态有显著影响，因此在模型中纳入这一因素可以提高模型的精确性和实用性。 然而，由于海洋环境的复杂性和建模的局限性，水下机器人的动力学模型往往存在建模不精确的问题。为解决这一问题，研究者提出了基于径向基神经网络（RBF）的动力学模型修正方法。RBF神经网络以其强大的非线性逼近能力，能够有效处理模型中的不确定性，从而修正模型误差，提高模型的精度。 在模型修正的基础上，研究者利用修正后的动力学模型构建了滑模状态观测器，用于估计水下机器人的状态。当推进器出现故障时，各自由度的状态估计残差会发生变化。通过分析这些残差的变化，他们提出了一个基于残差状态的信息融合推进器故障诊断策略。这种方法结合了不同来源的信息，提高了故障识别的准确性和鲁棒性。 文章中还提到了已有的故障诊断方法，如文献[2]中采用的小脑模型神经网络进行推进器故障在线辨识，以及文献[4]中结合滑模观测器和模糊诊断的方法。但这些方法在面对建模误差和样本不足的情况下，可能会导致故障漏检或误检。 实验部分，研究者对自治式水下机器人进行了单个推进器故障及多个推进器并发故障的海上实验，验证了所提诊断方法的有效性。这些实验证明了提出的诊断策略在应对实际海洋环境中可能出现的故障情况时，能够提供可靠的故障识别能力。 该研究通过结合海流模型、RBF神经网络模型修正和信息融合的故障诊断策略，提升了水下机器人系统的自主故障诊断能力，对于保障AUV的安全运行和任务完成具有重要意义。关键词包括水下机器人、故障诊断、信息融合和滑模观测器，表明了研究的主要内容和技术手段。