3. 导航系统故障诊断数据采集与预处理实战

水下机器人导航系统的故障诊断，成败往往不在诊断算法本身，而在进入算法之前的数据质量。真实航行中采集到的原始数据几乎不可能直接使用：DVL（多普勒计程仪）在底跟踪丢失时输出跳变，IMU 存在零偏与随机游走，深度计受波浪扰动，各传感器采样频率不同、时间戳基准不同，偶尔还有通信丢包造成的空档。本节以一台作业型 ROV 的典型导航数据包为对象，完整走一遍从原始记录到可诊断数据集的流程，重点讲清每一步"为什么做、怎么做、做到什么程度算合格"。

一、数据对象与采集约定

假设本次任务记录了一段约 600 s 的定深定向航行数据，传感器配置与采样特性如下（示例参数，用于说明处理逻辑）：

采集时统一使用机器人主控的单调时钟打时间戳，并额外记录一列"传感器本地时间"，便于后续检查时钟漂移。所有原始数据按"时间戳 + 传感器编号 + 通道值 + 状态字"的宽表落盘，状态字保留 DVL 有效位、罗经干扰位等硬件标志——这些标志在清洗阶段比数值本身更有价值。

二、数据清洗：先处理"不该存在"的记录

清洗的目标是去掉物理上不可能或明确无效的样本，而不是修正数值。具体动作包括：删除时间戳重复或倒序的记录；剔除状态字标记为无效的 DVL 帧；将超出量程的数值（如深度为负、DVL 速度绝对值大于 3 m/s）置为缺失而非直接删除，保留时间轴连续性；对短于 0.5 s 的通信丢包空档做标记，长空档则分段处理，避免后续插值跨越过长区间产生虚假平滑。

一个容易被忽略的点是单位与坐标系一致性。DVL 常输出机体坐标系速度，而诊断特征若要与航迹关联，需先用同期姿态角旋转到导航坐标系。本节约定：导航坐标系为北-东-地（NED），深度向下为正，航向以北为 0°、顺时针为正，全文与图示保持一致。

三、时间同步：把多速率数据放到同一时间轴

各传感器频率不同，直接按行拼接会产生错位。工程上常用做法是选定一个基准频率（本节取 20 Hz，与推进器指令一致），建立统一时间栅格，然后对每个传感器分别重采样：IMU 与推进器指令这类高频量采用零阶保持或线性插值；DVL 这类低频量在栅格点上若无新样本，则保持上一有效值并附加"数据年龄"字段；深度计与罗经用线性插值。插值前必须先完成清洗，否则无效帧会被插值"抹平"成看似合理的假数据。

时钟漂移检查可用一段静止悬停数据：若机器人实际静止，而由 IMU 积分得到的位置在缓慢漂移，同时 DVL 速度均值不为零，则提示时间对齐或零偏存在问题。下图给出本节完整的数据处理链路与各环节的输入输出关系。

四、野值剔除：区分"噪声"与"故障征兆"

野值剔除要格外谨慎，因为某些野值恰恰是故障的早期征兆，例如 DVL 在接近海底斜坡时出现的周期性速度跳变。推荐采用两级策略：第一级用滑动中值滤波（窗口 5 点）计算残差，残差超过 3 倍稳健标准差（用 MAD 估计，避免被野值污染）的样本标记为疑似；第二级用物理约束复核，例如相邻两帧速度差对应的加速度若超过 5 m/s²，则判定为野值并置为缺失，同时记录"野值事件"计数——这个计数本身就是有价值的诊断特征。

需要强调的是：置为缺失而非直接删除，是为了让后续插值和特征窗口仍能感知该时段数据不可靠。若某窗口内缺失比例超过 30%，该窗口应打上低质量标记，训练诊断模型时可降权或排除。

五、滤波与特征提取

滤波的目的不是把数据"磨平"，而是抑制与故障无关的频段。深度计受波浪影响的主频约 0.1～0.3 Hz，可用二阶巴特沃斯低通（截止 0.5 Hz）保留定深控制引起的真实变化；IMU 角速度则保留较宽带宽（截止 10 Hz），因为推进器异常引起的振动往往在 5～20 Hz。滤波后应检查相位滞后是否影响特征时序对齐，必要时采用零相位滤波（正反两次滤波）。

特征提取采用 5 s 窗口、1 s 步长，每个窗口输出一组特征：各通道均值与标准差、峰峰值、DVL 失锁帧占比、姿态角速率极值、深度波动幅值、野值事件数。以一段示例数据为例，正常航行窗口的 DVL 失锁占比通常低于 5%，而某段出现推进器缠绕后，失锁占比升至 40% 以上且深度标准差由 0.08 m 增至 0.35 m——这类组合特征比单一阈值更能区分故障类型。

六、形成可诊断数据集与质量验收

最终数据集每行对应一个时间窗口，字段包括窗口起止时间、特征向量、质量标记（正常/低质量）、以及人工或规则标注的故障标签（如"正常""DVL 失锁""推进器异常""罗经干扰"）。验收时至少检查三项：整体缺失率是否低于 2%；野值比例是否低于 1%；静止悬停段 60 s 内由 IMU 积分得到的位置漂移是否小于 0.5 m。三项均达标，才认为该数据集可用于后续故障诊断模型的训练与验证；任一项不达标，应回到对应环节调整阈值或窗口参数，而不是直接进入建模。

这套流程的价值在于把"看起来能用"的原始数据变成"知道哪里能用、哪里不能用"的结构化数据集。诊断算法再先进，也无法从被野值污染或时间错位的数据中稳定识别故障；反之，一份质量可控、特征明确的数据集，往往能让简单的阈值规则或浅层分类器就达到可用的诊断效果。