基于數(shù)據(jù)驅(qū)動的服務(wù)機器人航跡推算子系統(tǒng)故障診斷方法研究與實現(xiàn).pdf

1、近年來，隨著人工智能、云計算等技術(shù)的快速發(fā)展，家庭服務(wù)機器人的相關(guān)研究和產(chǎn)業(yè)化進程得到了極大的促進。家庭服務(wù)機器人工作在動態(tài)、復(fù)雜、半結(jié)構(gòu)化的家庭環(huán)境中，其服務(wù)對象可能是老人、孩子或殘障人士等自我保護能力較弱的群體。因此，與工業(yè)機器人強調(diào)快速、高效和精密不同，家庭服務(wù)機器人更重視其可靠性、安全性和智能水平。目前，除智能水平不足以外，服務(wù)機器人較低的可靠性和安全性也是制約其真正走向大眾家庭的主要因素之一。
　　服務(wù)機器人故障診斷方法

2、研究是提升其安全性和可靠性的有效途徑，但現(xiàn)有服務(wù)機器人的相關(guān)研究工作大多集中在導(dǎo)航控制以及外部環(huán)境的智能感知（如人的行為理解、家庭場景理解）等領(lǐng)域，針對服務(wù)機器人內(nèi)部環(huán)境感知（即服務(wù)機器人自身健康狀態(tài)監(jiān)測與故障診斷）的研究較少。本文以提高服務(wù)機器人安全性和可靠性為目標(biāo)，設(shè)計機器人故障診斷軟硬件平臺作為實驗手段，以家庭服務(wù)機器人航跡推算子系統(tǒng)幾類常見的故障診斷問題為例，采用基于數(shù)據(jù)驅(qū)動的智能故障診斷方法，按照“數(shù)據(jù)來源-診斷方法”的層次，

3、重點針對服務(wù)機器人故障診斷的關(guān)鍵難點問題展開相關(guān)研究，具體如下:
　　(1)完備的故障樣本數(shù)據(jù)集是基于數(shù)據(jù)驅(qū)動的智能故障診斷方法研究的基礎(chǔ)。針對服務(wù)機器人領(lǐng)域不存在標(biāo)準(zhǔn)的故障診斷軟硬件實驗平臺且沒有公開可用的故障樣本數(shù)據(jù)庫這一難題，本文給出了服務(wù)機器人航跡推算子系統(tǒng)故障診斷硬件平臺設(shè)計方案，為基于數(shù)據(jù)驅(qū)動的故障診斷算法研究提供了真實故障樣本;提出了一種基于概率置信模型的服務(wù)機器人高精度視覺定位方法，降低了機器人位姿信息測量不精確對

4、故障診斷算法的影響;另外，為了方便故障樣本獲取，設(shè)計了一套服務(wù)機器人故障仿真軟件平臺，該平臺能夠?qū)崿F(xiàn)故障模擬及注入、仿真場景3D可視化、數(shù)據(jù)采集以及故障診斷算法驗證等功能。
　　(2)提出了一種基于多模型感知和決策融合的服務(wù)機器人故障診斷算法。服務(wù)機器人是一種層次化的復(fù)雜機電一體化智能設(shè)備，自身裝備有多種異構(gòu)傳感器，加之動態(tài)的工作環(huán)境和多樣的服務(wù)任務(wù)，這些內(nèi)外部因素共同決定了服務(wù)機器人故障診斷的復(fù)雜性。為了解決單主元模型無法全面感

5、知服務(wù)機器人系統(tǒng)運行信息的問題，本文提出了一種基于多主元模型和決策融合的服務(wù)機器人航跡推算子系統(tǒng)故障診斷方法:首先，建立多個主元模型，實現(xiàn)故障檢測及故障特征提取;然后，采用一種改進的粒子群算法完成多分類概率型支持向量機的參數(shù)優(yōu)化，實現(xiàn)故障的初步分離;最后，基于混淆矩陣定義一種新的BPA賦值方法，利用DS證據(jù)理論實現(xiàn)初步故障分離結(jié)果的決策層融合。通過多主元模型的建立、基于改進粒子群算法的參數(shù)優(yōu)化以及決策融合的引入，所提診斷方法有效提升了服

6、務(wù)機器人航跡推算子系統(tǒng)的故障診斷精度。
　　(3)定義了一種新的廣義高斯核函數(shù)，給出了所提核函數(shù)正定對稱性的理論證明，驗證了其滿足Mercer條件。基于UCI基準(zhǔn)測試集以及機器人故障樣本數(shù)據(jù)對所提核函數(shù)和現(xiàn)有核函數(shù)的分類能力進行了對比。實驗結(jié)果表明，所提核函數(shù)是經(jīng)典高斯核函數(shù)的一種廣義形式，具有更好的分類能力。通過引入新的廣義高斯核函數(shù)以及對前文所提故障診斷架構(gòu)的優(yōu)化，改進后的故障診斷方法進一步提升了服務(wù)機器人航跡推算子系統(tǒng)的故障

7、診斷精度。
　　(4)針對支持向量機訓(xùn)練時間復(fù)雜度高、無法高效處理大規(guī)模樣本數(shù)據(jù)的問題，提出了一種基于GPU運算和支持向量挑選算法的快速SVM訓(xùn)練方法。該方法可以加速故障診斷模型的訓(xùn)練過程，提高診斷算法的實時性。該方法的優(yōu)勢在于:一方面，通過支持向量挑選算法可以在盡可能多的保留支持向量的前提下高效約減訓(xùn)練樣本;另一方面，充分利用GPU的并行運算能力，通過預(yù)計算核矩陣以減少其在參數(shù)尋優(yōu)、交叉驗證及SMO過程中的重復(fù)計算次數(shù)。通過多組