基于数据驱动的服务机器人航迹推算子系统故障诊断方法研究与实现

摘要

近年来，随着人工智能、云计算等技术的快速发展，家庭服务机器人的相关研究和产业化进程得到了极大的促进。家庭服务机器人工作在动态、复杂、半结构化的家庭环境中，其服务对象可能是老人、孩子或残障人士等自我保护能力较弱的群体。因此，与工业机器人强调快速、高效和精密不同，家庭服务机器人更重视其可靠性、安全性和智能水平。目前，除智能水平不足以外，服务机器人较低的可靠性和安全性也是制约其真正走向大众家庭的主要因素之一。
　　服务机器人故障诊断方法研究是提升其安全性和可靠性的有效途径，但现有服务机器人的相关研究工作大多集中在导航控制以及外部环境的智能感知（如人的行为理解、家庭场景理解）等领域，针对服务机器人内部环境感知（即服务机器人自身健康状态监测与故障诊断）的研究较少。本文以提高服务机器人安全性和可靠性为目标，设计机器人故障诊断软硬件平台作为实验手段，以家庭服务机器人航迹推算子系统几类常见的故障诊断问题为例，采用基于数据驱动的智能故障诊断方法，按照“数据来源-诊断方法”的层次，重点针对服务机器人故障诊断的关键难点问题展开相关研究，具体如下:
　　(1)完备的故障样本数据集是基于数据驱动的智能故障诊断方法研究的基础。针对服务机器人领域不存在标准的故障诊断软硬件实验平台且没有公开可用的故障样本数据库这一难题，本文给出了服务机器人航迹推算子系统故障诊断硬件平台设计方案，为基于数据驱动的故障诊断算法研究提供了真实故障样本;提出了一种基于概率置信模型的服务机器人高精度视觉定位方法，降低了机器人位姿信息测量不精确对故障诊断算法的影响;另外，为了方便故障样本获取，设计了一套服务机器人故障仿真软件平台，该平台能够实现故障模拟及注入、仿真场景3D可视化、数据采集以及故障诊断算法验证等功能。
　　(2)提出了一种基于多模型感知和决策融合的服务机器人故障诊断算法。服务机器人是一种层次化的复杂机电一体化智能设备，自身装备有多种异构传感器，加之动态的工作环境和多样的服务任务，这些内外部因素共同决定了服务机器人故障诊断的复杂性。为了解决单主元模型无法全面感知服务机器人系统运行信息的问题，本文提出了一种基于多主元模型和决策融合的服务机器人航迹推算子系统故障诊断方法:首先，建立多个主元模型，实现故障检测及故障特征提取;然后，采用一种改进的粒子群算法完成多分类概率型支持向量机的参数优化，实现故障的初步分离;最后，基于混淆矩阵定义一种新的BPA赋值方法，利用DS证据理论实现初步故障分离结果的决策层融合。通过多主元模型的建立、基于改进粒子群算法的参数优化以及决策融合的引入，所提诊断方法有效提升了服务机器人航迹推算子系统的故障诊断精度。
　　(3)定义了一种新的广义高斯核函数，给出了所提核函数正定对称性的理论证明，验证了其满足Mercer条件。基于UCI基准测试集以及机器人故障样本数据对所提核函数和现有核函数的分类能力进行了对比。实验结果表明，所提核函数是经典高斯核函数的一种广义形式，具有更好的分类能力。通过引入新的广义高斯核函数以及对前文所提故障诊断架构的优化，改进后的故障诊断方法进一步提升了服务机器人航迹推算子系统的故障诊断精度。
　　(4)针对支持向量机训练时间复杂度高、无法高效处理大规模样本数据的问题，提出了一种基于GPU运算和支持向量挑选算法的快速SVM训练方法。该方法可以加速故障诊断模型的训练过程，提高诊断算法的实时性。该方法的优势在于:一方面，通过支持向量挑选算法可以在尽可能多的保留支持向量的前提下高效约减训练样本;另一方面，充分利用GPU的并行运算能力，通过预计算核矩阵以减少其在参数寻优、交叉验证及SMO过程中的重复计算次数。通过多组人工数据集和机器人故障诊断实验说明了所提方法的有效性。

目录

声明

摘要

中英文专业名词对照表

第一章 绪论

1．1 论文选题背景及研究意义

1．2 家庭服务机器人研究现状

1．2．1 国外家庭服务机器人研究现状

1．2．2 国内家庭服务机器人研究现状

1．2．3 家庭服务机器人发展现状总结

1．3 机器人故障诊断研究现状

1．3．1 故障诊断基本概念及方法简述

1．3．2 机器人故障诊断方法研究现状

1．3．3 基于数据驱动的故障诊断方法研究现状

1．3．4 机器人故障诊断研究现状总结

1．4 论文主要研究内容及章节安排

1．4．1 主要研究内容及创新点

1．4．2 论文章节安排

第二章 服务机器人故障诊断硬件平台设计与实验研究

2．1 引言

2．2 服务机器人系统构成及常见故障分析

2．2．1 服务机器人系统构成

2．2．2 服务机器人常见故障分析

2．3 航迹推算子系统故障诊断硬件平台设计与实现

2．3．1 驱动子系统分析与设计

2．3．2 航迹推算感知子系统分析与设计

2．3．3 高精度视觉定位传感器及工作方法

2．4 航迹推算子系统硬件平台测试实验

2．4．1 基于视觉的定位传感器测试

2．4．2 航迹推算子系统传感信息采集测试

2．4．3 服务机器人航迹推算子系统总体测试

2．5 本章小结

第三章 服务机器人故障诊断软件仿真平台设计与实验研究

3．1 引言

3．2 总体设计方案

3．2．1 机器人专用仿真软件对比

3．2．2 服务机器人故障诊断软件仿真平台需求分析

3．2．3 服务机器人故障诊断软件仿真平台总体设计方案

3．3 仿真场景建模及控制器设计

3．3．1 机器人本体及仿真环境建模

3．3．2 仿真控制器设计

3．4 故障模拟及注入方法

3．4．1 感知子系统故障模拟方法

3．4．2 驱动及机械子系统故障模拟方法

3．4．3 基于超级控制器的故障注入

3．5 故障仿真实验

3．5．1 故障模拟及注入实验

3．5．2 故障诊断软件仿真平台测试

3．6 本章小结

第四章 基于多模型感知及决策融合的机器人故障诊断方法研究

4．2 轮式服务机器人航迹推算子系统故障机理分析

4．3 基于多PCA模型及SVM-DS融合决策的故障诊断算法

4．3．1 算法整体架构

4．3．2 故障特征提取与检测指标确定

4．3．3 基于改进PSO优化的MP-SVM故障初步分离

4．3．4 基于混淆矩阵的基本信度赋值及决策层融合方法

4．4 实验及分析

4．4．1 实验设备及条件

4．4．2 算法建模过程与分析

4．4．3 故障检测与故障分离结果及分析

4．5 本章小结

第五章 基于广义高斯核函数的服务机器人故障诊断方法研究

5．1 引言

5．2 一种新的广义高斯核函数的定义及其正定对称性证明

5．2．1 核函数的分类及构造方法

5．2．2 一种新的广义高斯核函数的定义

5．2．3 广义高斯核函数正定对称性证明

5．3 广义高斯核函数的分类性能验证

5．4 基于广义高斯核函数的机器人故障诊断方法

5．4．1 算法整体架构

5．4．2 算法实现

5．4．3 故障诊断实验及分析

5．5 本章小结

第六章 一种快速SVM训练方法及其在故障诊断中的应用

6．1 引言

6．2．2 SVM训练加速方法

6．2．3 存在的问题分析

6．3 基于支持向量挑选和GPU并行运算的快速SVM训练方法

6．3．1 整体思路

6．3．2 支持向量挑选算法

6．3．3 基于GPU的核矩阵快速解算

6．4 支持向量挑选及机器人故障诊断实验

6．4．1 基于人工数据集的支持向量挑选算法测试

6．4．2 机器人故障诊断实验

6．5 本章小结

7．1 总结

7．2 展望

参考文献

致谢

攻读博士学位期间发表的学术论文

攻读博士期间获得的发明专利

攻读博士学位期间参加的科研项目

攻读博士学位期间所获奖励