水下机器人软件可靠性及故障诊断方法研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (18): 226-230.

水下机器人软件可靠性及故障诊断方法研究

张汝波，史长亭，杨婷

哈尔滨工程大学　计算机科学与技术学院，哈尔滨　150001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-21 发布日期:2011-06-21

Research on software reliability and fault diagnosis of AUV

ZHANG Rubo，SHI Changting，YANG Ting

College of Computer Science and Technology，Harbin Engineering University，Harbin 150001，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-21 Published:2011-06-21

摘要/Abstract

摘要： 针对于智能水下机器人在软件系统故障诊断过程中广泛存在的不确定性和复杂关联性，采用改进的软件FMEA方法，对AUV智能规划决策控制系统进行了可靠性分析和研究，在总结了AUV主要软件故障模式的基础上，提出了一种基于FMEA的三层贝叶斯网络诊断模型。通过贝叶斯网络的推理机制，分别对单一故障和复合故障进行了推理实验。实验结果表明，采用上述方法能有效地提高水下机器人系统软件可靠性以及故障诊断能力。

关键词: 智能水下机器人, 软件可靠性, 失效模式影响分析, 故障诊断

Abstract: As for the uncertainty and complex association in the process of fault diagnosis of Autonomous Underwater Vehicle（AUV） software system，an improved Failure Mode and Effects Analysis（FMEA） method is applied in the intelligent planning and decision-making control system.On the basis of analyzing main software failure mode，a three-layered Bayesian diagnosis model is proposed.By the inference mechanism of Bayesian Networks，experiments of single fault and multi-fault are given separately，and the results prove that the above methods can effectively improve the reliability of AUV system，as well as the ability of fault diagnosis.

Key words: Autonomous Underwater Vehicle（AUV）, software reliability, Failure Mode and Effects Analysis（FMEA）, fault diagnosis

张汝波，史长亭，杨婷. 水下机器人软件可靠性及故障诊断方法研究[J]. 计算机工程与应用, 2011, 47(18): 226-230.

ZHANG Rubo，SHI Changting，YANG Ting. Research on software reliability and fault diagnosis of AUV[J]. Computer Engineering and Applications, 2011, 47(18): 226-230.

[1]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[4]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[5]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[6]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[7]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[8]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[9]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[10]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[11]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[12]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[13]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[14]	王得雪，林意，陈俊杰. 协同训练算法在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2020, 56(12): 273-278.
[15]	贾宝惠，黄琳，李耀华，蔺越国. 轴承故障诊断FastICA算法性能优化方法[J]. 计算机工程与应用, 2019, 55(8): 208-214.