移动机器人故障诊断与容错控制的研究

论文摘要

随着计算机技术、电子技术、控制理论、机械工程等学科的发展和新材料、新元件的应用,移动机器人技术日新月异。移动机器人已被广泛应用在工业、农业、军事、太空探索、深海探索、医疗、救援和日常生活等各个方面。现代工农业、军事等领域日趋复杂以及人们对生产生活质量的不断追求,使得对移动机器人要求越来越高,机器人技术也越来越先进、复杂。从简单应用到智能化、从人工参预到自组织运行、从已知环境到未知环境应用、从单机器人操作到多机器人协调工作和编队工作等等,这些应用都对移动机器人的稳定性提出了一定要求。如果移动机器人在带故障状态下运行,一方面会使移动机器人的寿命缩短,另一方面还可能带来不利影响,有时可能产生灾难性的后果。实际工程运行表明,移动机器人容易出现故障。即使花费大量人力物力精心设计和制造的移动机器人,在面对未知的、复杂的应用环境时,也经常会出现故障。特别是应用在太空、深海或危险环境中,移动机器人出现故障时人们无法直接维修或维修代价太高,因此移动机器人故障诊断与容错控制技术的研究具有重要意义。本文在国内外学者对移动机器人故障诊断研究的基础上,结合移动机器人应用发展的趋势,引用了相关领域的新技术,对未知环境下的移动机器人故障诊断、移动机器人并发故障诊断、编队运行的移动机器人故障诊断与容错控制、群集（flocking）中的移动机器人故障诊断与容错控制进行了研究。本文的主要研究成果如下：1、分析了移动机器人故障的分类、产生原因,故障诊断的意义、研究现状以及各种移动机器人的诊断方法、特点、需要解决的问题和研究趋势；2、提出了一种基于支持向量机（SVM）的未知环境下移动机器人故障诊断的方法。支持向量机故障诊断的关键是提取特征向量、支持向量机参数选取、降低噪声对支持向量机的影响以及剔除孤立点等。针对支持向量机对噪声敏感的特点,提出了小波变换的方法重构采样信号并提取特征,用网格搜索与交叉验证的方法优化支持向量机的参数,采用投票方式的多支持向量机对故障特征进行分类。提高了故障诊断的适应性和分类正确率。3、针对移动机器人可能同时并发多种故障的特点,提出了基于模糊核聚类（KFCM）的移动机器人并发故障诊断技术。采用针对单发故障的卡尔曼滤波器对采样信号进行滤波,利用整合先验知识的模糊核聚类方法对滤波残差信号进行模糊分类,利用数据点对各聚类中心的模糊隶属度,诊断机器人是否发生了某一类故障,或者某两类并发故障。在“先锋3”号移动机器人上对12种单故障与并发故障进行了诊断并与FCM方法进行了对比,结果证明了该方法比FCM具有更好的诊断效果。4、研究了移动机器人在SBC、SSC跟随规则的编队方式运行时的故障诊断与容错控制。根据SBC跟随规则和SSC跟随规则,设计了相应的分布式扩展卡尔曼滤波器对信号进行滤波,根据滤波残差进行故障诊断。提出了编队控制时的容错控制策略和避障算法。弥补了Diagle等人算法中机器人出现故障或遭遇障碍物时无法维持编队的缺陷。分析了大量移动机器人在编队控制时可能组成的复杂网络上故障传播模型,提出了基于复杂网络传播模型的目标免疫算法,能降低故障在大规模编队网络中传播的概率。5、以α-网格模型的群集为研究对象,采用几个群集相关性能指标,研究群集中移动机器人出现故障时对群集性能的影响。提出了基于数据通信和数据关联的群集故障诊断和容错控制算法。将故障机器人看成障碍物,提出了运用栅格地图记录信息和和采用各类agent模拟受力关系的方法对复杂形状障碍物的避障算法。不仅克服了Olfati-Saber算法总对凹多边形、长墙状的障碍物无法避障的缺点,而且该算法无需事先知道机器人运行环境的先验知识,具有一定的优越性。

论文目录

• 致谢
• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 机器人概述
• 1.2 机器人故障诊断研究的意义
• 1.3 移动机器人故障诊断的研究进展
• 1.3.1 故障诊断的基本概念与定义
• 1.3.2 研究历史与现状
• 1.3.3 研究范围及内容
• 1.3.4 故障诊断方法
• 1.4 本文内容和结构
• 第二章 基于支持向量机的机器人故障诊断
• 2.1 引言
• 2.2 小波变换与支持向量机
• 2.2.1 小波变换降噪
• 2.2.2 支持向量机
• 2.3 基于网格搜索与交叉验证的SVM参数优化算法
• 2.4 支持向量机特征提取
• 2.4.1 基于模糊控制的机器人漫游策略
• 2.4.2 正常状态与故障状态下机器人的运行数据
• 2.4.3 特征向量提取
• 2.4.4 实验结果
• 2.5 讨论与比较
• 2.5.1 讨论
• 2.5.2 与其他方法的比较
• 2.6 结论
• 第三章 基于核模糊聚类的并发故障诊断
• 3.1 引言
• 3.2 移动机器人运动模型的建立
• 3.3 卡尔曼滤波
• 3.4 基于聚类的移动机器人故障诊断算法
• 3.4.1 模糊C均值聚类
• 3.4.2 核模糊C均值聚类
• 3.4.3 整合先验知识的KFCM的并发故障诊断算法
• 3.5 实验结果与分析
• 3.5.1 基于FCM故障诊断结果
• 3.5.2 KFCM的故障诊断结果
• 3.5.3 诊断结果分析
• 3.5.4 算法比较
• 3.6 本章小结
• 第四章 移动机器人编队运行中的故障诊断与容错控制
• 4.1 引言
• 4.2 多机器人编队控制策略与基于EKF的故障诊断算法
• 4.2.1 SSC跟随算法（l-l编队跟随规则）
• 4.2.2 SBC跟随算法（l-φ编队跟随规则）
• 4.3 基于编队控制的分布式扩展卡尔曼滤波器
• 4.3.1 基于SBC跟随规则的分布式扩展卡尔曼滤波器
• 4.3.2 基于SSC跟随规则的分布式扩展卡尔曼滤波器
• 2的故障诊断结果'>4.3.3 对机器人R₂的故障诊断结果
• 2,R₄故障的诊断结果'>4.3.4 对机器人R₂,R₄故障的诊断结果
• 4.4 改进算法Ⅰ——机器人编队故障诊断与容错控制算法
• 2故障时的故障诊断与容错控制的结果'>4.4.1 机器人R₂故障时的故障诊断与容错控制的结果
• 2故障时的故障诊断与容错控制的结果'>4.4.2 机器人R₂故障时的故障诊断与容错控制的结果
• 2与R₄故障时的故障诊断与容错控制的结果'>4.4.3 机器人R₂与R₄故障时的故障诊断与容错控制的结果
• 4.5 改进算法Ⅱ——有障碍物区域的控制与避障
• 4.6 复杂网络上的故障传播
• 4.7 与其他算法的比较
• 4.8 本章小结
• 第五章 多智能体群集中的故障诊断与容错控制
• 5.1 基于α-网格的群集
• 5.1.1 基于α-网格的群集模型
• 5.1.2 群集性能指标
• 5.1.3 基于α-网格的群集算法
• 5.1.4 正常情况（有leader）下的群集
• 5.2 机器人故障对群集性能的影响
• 5.2.1 leader（γ-agent）出现通信故障时群集的"发散"现象
• 5.2.2 机器人出现故障时群集中的"拐骗"现象
• 5.2.3 机器人出现故障时群集中的"阻挡"现象
• 5.3 可调参数对群集的影响
• 5.3.1. 可调参数h
• 5.3.2 可调参数r
• 5.3.3 可调参数d
• 5.4 故障环境下群集中的容错控制与避障的算法
• 5.4.1 容错控制与避障的基本策略
• 5.4.2 容错控制与避障算法
• 5.4.3 仿真研究
• 5.5 讨论与比较
• 5.5.1 讨论
• 5.5.2 与其他群集算法的比较
• 5.6 小结
• 第六章 结论与展望
• 6.1 全文总结
• 6.2 未来展望
• 参考文献
• 攻读博士学位期间主要研究成果