UUV用推进器健康基线构建及性能衰减预测方法研究.pdfVIP

UUV用推进器健康基线构建及性能衰减预测方法研究

摘要

在UUV所有子系统中，推进器是UUV必须的动力组成部分。与UUV其它元器件

相比，推进器需要在恶劣环境下长时间高强度工作，是UUV所有子系统中工作强度最

大且工作负荷最重的部件。因此，UUV用推进器的健康状态是保证UUV正常任务的基

础。目前，针对UUV推进器健康状态的评估方法多为接触式，且检查周期较长。虽然

能满足UUV推进器一定程度的健康运行需求，但是极大地增加了UUV维修/运行时间

比，降低了UUV的任务效率。因此，本文开展了UUV用推进器健康基线构建与性能

衰减预测方面的研究，以实现对UUV用推进器的高效检测和维修预测。

首先，本文确定了UUV推进器常用的5种类型，并且分析了UUV推进器作为旋

转机械的机械振动特性，据此进一步介绍了UUV推进器常发生的6种故障，阐明了机

械振动信号可以用来表征UUV推进器的健康状态。

其次，针对机械振动信号，结合国内外研究方法，本文开展了时域特征分析，频

域特征分析，以及时频域特征分析。最终选择基于希尔伯特-黄变换的时频域特征提取

方法，对机械振动信号幅值进行故障特征提取；通过希尔伯特图，边际谱图分析发现

机械振动信号正常状态与故障状态具有显著差异；基于此，结合瞬时幅值的线性相关

性，稳定性，故障敏感度分析，最终将瞬时幅值的均方根值，作为表征推进器机械振

动信号的健康因子。

随后，根据健康因子，本文采用双带宽阈值模型构建了UUV用推进器的健康基线，

结合梯度下降阈值带宽系数估计方法。将健康基线模型应用在某型号推进器的历史机

械振动全寿命数据上。最终发现，当推进器运行至微故障点与临界故障监测点之间时，

健康因子频繁超出健康基线，并最终彻底突破健康基线，在此基础上进行了健康状态

评价，量化了健康状态，便于开展性能衰减预测。

最后，在已构建UUV推进器机械振动信号健康因子与健康状态评价的基础上，本

文基于神经网络进行了性能衰减预测方法的研究。得益于长短时记忆网络在处理时间

序列数据时的优势，本文又采取了先对历史性能衰减曲线进行变分模态分解，再输入

长短时记忆网络的方法，进一步提高了长短时记忆网络在处理UUV推进器性能衰减预

测问题时的性能，改进过后均方根误差(RMSE)由2.39%降到1.64%。

关键字：UUV推进器；健康基线；故障特征提取；性能衰减预测

哈尔滨工程大学专业学位硕士学位论文

Abstract

OfallthesubsystemsoftheUUV,thethrusteristhemostcriticalpowercomponent.Com

paredwithotherUUVequipment,thethrusterneedstooperateunderhighpressureandhighs

-altforalongtimeandhighload,andisthemostintensiveandheavycomponentofallsubsys

temsofUUV.Therefore,thehealthstateofthepropellerforUUVisthebasisforensuringthe

normalmissionofUUV.Atpresent,mostoftheassessmentmethodsforthehealthstatusofU

-UVpropellersarecontacttype,andtheinspectionperiodislong.Althoughitcanmeetthehe

-althyoperationneedsofUUVthrusterstoacertainextent,itgreatlyincreasestheUUVmaint

-enance/operationtimeratioandreducesthetaskefficiencyofUUV.Therefore,thispapercarr

-ied