一種多機器人系統故障診斷方法
【技術領域】
[0001] 本發明涉及故障診斷領域，尤其是涉及一種多機器人系統故障診斷方法，通過對 多機器人系統的信號進行分析，繼而實現機器人的故障診斷。
【背景技術】
[0002] 機器人是人類20世紀最偉大的發明之一，在短短的半個世紀內發生了翻天覆地 的變化，機器人技術使傳統的工業生產面貌發生了根本性變化，對人類的社會產生了深遠 的影響，發展機器人技術已經成為高技術領域中最具有代表性的戰略目標之一。機器人作 業分單機器人及多機器人，單機器人對于信息的獲取、處理及控制能力等方面都是有限的， 人們考慮由多機器人組成的系統通過協調操作來共同完成單機器人所難以完成的工作。
[0003] 在多機器人系統中，故障診斷也是一門非常重要的技術。首先，多機器人系統是一 個復雜系統，系統的運行狀態是多樣化的，故障診斷的對象也就變得比較復雜。其次，多機 器人系統通常是配合工作的，故障的影響是對整個系統的，一種良好的故障診斷方法可以 提高多機器人系統的可靠性。
[0004] 故障診斷（FD)全名是狀態監測與故障診斷（CMFD)。基于解析冗余的故障診斷技 術被公認為是這一技術的起源。所謂解析冗余，是指被診斷對象的可測變量之間（如輸入 與輸出間、輸出與輸出間、輸入與輸入間）存在的冗余的函數關系。故障診斷在過去的十 幾年里得到了迅速的發展，一些新的理論和方法，如遺傳算法、神經網絡、小波分析、模糊理 論、自適應理論、數據融合等均在這里得到了成功的應用。
[0005] 1.基于小波分析的故障診斷方法
[0006] 小波分析是20世紀80年代中期發展起來的新的數學理論和方法，它被認為是傅 立葉分析方法的突破性進展。小波分析最初由法國學者Daubeches和Callet引入信號處理 領域，它具有許多優良的特性。小波變換的基本思想類似于Fourier變換，就是用信號在一 簇基函數張成空間上的投影表征該信號。小波分析優于博立葉之處在于：小波分析在時域 和頻域同時具有良好的局部化性質。小波分析方法是一種窗口大小（即窗口面積）固定但 其形狀、時間窗和頻率都可以改變的時頻局部化分析方法。即在低頻部分具有較高的頻率 分辨率和較低的時間分辨率。因此，小波變換被譽為分析信號的顯微鏡，小波分析在信號處 理、圖像處理、話音分析、模式識別、量子物理、生物醫學工程、計算機視覺、故障診斷及眾多 非線性科學領域都有廣泛的應用。動態系統的故障通常會導致系統的觀測信號發生變化。 所以我們可以利用連續小波變換檢測觀測信號的奇異點來檢測出系統的故障，其基本原理 是利用信號在奇異點附近的Lipschitz指數，可以利用小波變換區分噪聲和信號邊沿，有 效地檢測出強噪聲背景下的信號邊沿（援變或突變）。
[0007] 2.專家系統故障診斷方法
[0008] 專家系統故障診斷方法，是指計算機在采集被診斷對象的信息后，綜合運用各種 規則（專家經驗），進行一系列的推理，必要時還可以隨時調用各種應用程序，運行過程中 向用戶索取必要的信息后，就可快速地找到最終故障或最有可能的故障，再由用戶來證實。 此種方法國內外已有不少應用。專家系統的故障診斷系統由數據庫、知識庫、人機接口、推 理機等組成，其各部分的功能為：
[0009] 數據庫：對于在線監視或診斷系統，數據庫的內容是實時檢測到的工作數據；對 于離線診斷，數據庫可以是故障時檢測數據的保存，也可是人為檢測的一些特征數據，即存 放推理過程中所需要和產生的各種信息。
[0010] 知識庫：存放的知識可以是系統的工作環境，系統知識（反映系統的工作機理及 結構知識）；規則庫則存放一組組規則，反映系統的因果關系，用來故障推理。知識庫是專 家領域知識的集合。
[0011] 人機接口：人與專家系統打交道的橋梁和窗口，是人機信息的交接點。
[0012] 推理機：根據獲取的信息綜合運用各種規則進行故障診斷，輸出診斷結果，是專家 系統的組織控制結構。
[0013] 3.基于數據融合的故障診斷方法
[0014] 數據融合是針對一個系統中使用多個傳感器這一問題而展開的一種信息處理的 新的研究方向。數據融合將各種途徑、任意時間和任意空間上獲取的信息作為一個整體進 行綜合分析處理，為決策及控制奠定基礎，產生比單一信息源、單一處理機制更精確、更完 全的估計和判決。數據融合模型一般可表為三級結構。數據融合模型的每一級內部又可有 相應子結構，其中，第一級為原始信息融合層，其輸入是由信息源提供的各種原始數據，其 輸出是特征提取的結果或某種局部決策。第二級為特征融合層，它以原始信息融合層的輸 出作為輸入，其輸出為目標的局部標識。第三級是決策融合層，其輸入為特征融合層的輸 出，并以全局決策作為本層的輸出。全局決策一般既要有硬決策，如故障類別、部位、程度， 也要給出軟決策，如可信度。
[0015] 由于正交小波變換只對信號的低頻部分做進一步分解，而對高頻部分也即信號的 細節部分不再繼續分解，所以小波變換能夠很好地表征一大類以低頻信息為主要成分的信 號，但它不能很好地分解和表示包含大量細節信息（細小邊緣或紋理）的信號，如非平穩機 械振動信號、遙感圖像、地震信號和生物醫學信號等。雖然小波變換的變種算法一一小波包 變換可以對高頻部分提供更精細的分解，但是小波分析方法其實是一種偏向于信號處理的 方法，不是一種全面的故障診斷和故障預測的方法。小波分析方法缺乏對故障等級的判定 方法，也沒有對機器性能退化進行建模。
[0016] 專家系統故障診斷方法的原理是基于規則的推理。專家通常會使用這樣的表達來 解釋解決問題的過程："在什么一什么情況下，我如何一如何做。"這樣的表達可以被很自然 地表達為IF、THEN產生式規則。專家系統的優點是結構統一、知識與處理相分離，適合處理 不完整、不確定的知識。但專家系統有3個主要的缺點：
[0017] ⑴規則之間的關系不透明。盡管單條規則都比較簡單，也是自釋性的，大量規則 間的邏輯關系卻可能不透明。在基于規則的系統中，難以觀察單條規則如何對整個策略起 作用，原因在于基于規則的專家系統缺乏分層的知識表達。
[0018] (2)低效的搜索策略。推理引擎在每個周期中搜索所有的規則。當規則很多時（多 于100條規則），系統速度會很慢。基于規則的大型系統可能就不適用于實時應用。
[0019] (3)沒有學習能力。一般的基于規則的專家系統都不具備從經驗中學習的能力。人 類專家知道何時打破規則，而專家系統并不能自動修改知識庫，例如調整規則、添加規則。 修改和維護系統的任務仍然由知識工程師來做。
[0020] 相對前兩種方法，基于數據融合的方法更加綜合一些，在該方法下，數據在多個層 次相互作用，是一種更加嚴謹有效的方法。
【發明內容】
[0021] 本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種魯棒性強、診斷 結果精確、適用范圍廣的多機器人系統故障診斷方法。
[0022] 本發明的目的可以通過以下技術方案來實現：
[0023] 一種多機器人系統故障診斷方法，包括如下步驟：
[0024] 1)獲取實時的機器人運動數據；
[0025] 2)采用小波包變換對所述運動數據進行特征提取；
[0026] 3)將經過特征提取后的待診斷數據輸入訓練好的故障診斷模型，求取當前機器人 運動數據對應的實時似然概率；
[0027] 4)根據所述實時似然概率與狀態閾值間的關系，獲取多機器人系統當前所處的隱 性狀態，獲取故障診斷結果。
[0028] 所述小波包變換具體為：對獲取的機器人運動數據進行多層小波包分解，輸出各 小波分量的能量值。
[0029] 所述故障診斷模型的訓練過程具體為：
[0030] 301)建立隱馬爾科夫模型；
[0031] 302)隨機初始化隱馬爾科夫模型的參數，所述參數包括狀態轉移矩陣、混淆矩陣 和概率向量；
[0032] 303)獲取正常狀態下機器人運動數據，采用前向-后向算法調整隱馬爾科夫模型 的參數，訓練獲得故障診斷模型；
[0033] 304)采用多個隱性狀態下的運動數據作為故障診斷模型的輸入，求取各隱性狀態 的似然概率，作為各隱性狀態對應的狀態閾值。
[0034] 所述隱性狀態包括正常態、輕度退化態、中度退化態、高度退化態和故障態。
[0035] 所述步驟4)中，根據所述實時似然概率所處各狀態閾值的區間確定多機器人系 統當前所處的隱性狀態。
[0036] 還包括步驟：5)根據所述故障診斷結果預測多機器人系統的工作狀態。
[0037] 所述步驟5)具體為：
[0038] 501)根據Weibull分布生成機器人系統的運行數據，并對所述運行數據進行故