【技术实现步骤摘要】
本专利技术涉及机器人系统故障检测领域，尤其是涉及一种针对外部干扰影响的多机器人系统故障检测方法。
技术介绍
1、机器人可以认为是一个独立的系统，该系统能感知所处环境获取信息，利用贮备的先验知识或利用不断更新的判断与策略，完成与环境之间的交互，并完成指定的任务。经过训练，单个机器人能在与环境的互动中逐渐进步、不断提升自身的能力以完成任务，然而在更加复杂的环境中，机器人的数目往往不局限于单个，同时仅凭单个机器人的能力也往往不能胜任复杂环境下的任务。一个自然的解决思路就是增加机器人的数量，通过组合多个经过训练的机器人，形成一个多机器人系统，以此解决单个机器人在复杂环境中能力不足的问题，从而适应更加复杂的环境。在这一研究领域，随着人工智能的发展，尤其是深度学习的发展，关于多机器人系统的研究与应用已经越来越多，比如电力系统诊断、无人机编队、多机械臂协同装配、卫星编队等。
2、多机器人系统是由多个机器人交互合作组成的系统，这就导致其中一个机器人如果出现故障，将可能导致整个的系统的崩溃。正是因为多机器人系统的这个特点，人们对于其安全性和可靠性的也提出了更高的要求，而关于多机器人系统的故障检测也逐渐受到了学者们的关注。随着相关研究的深入，关于多机器人系统的故障检测方法也在不断的增多，但大体上可以分为以下三类：基于模型的故障检测方法、基于数据驱动的故障检测方法、其他的故障检测方法。
3、(1)基于模型的故障检测方法
4、基于模型的故障检测方法是对模型已知的系统发展起来的故障检测方法。其主要组成是基于观测器的故障
5、(2)基于数据驱动的故障检测方法
6、基于数据驱动的故障检测方法是对模型未知的系统发展起来的故障检测方法。由于复杂的工艺流程中难以获得相关的动力学模型，或者建模过程繁琐、耗时、不准确等，基于数据驱动的故障检测方法受到了研究者的青睐。比较传统的数据驱动方法主成分分析法(pca)和偏最小二乘法(pls)是运用最广泛的，还有比较新颖的基于子空间辅助的数据驱动法。
7、(3)其他故障检测方法
8、随着深度学习和人工智能的快速发展，多机器人系统中的故障检测也取得了显著进展。传统的多机器人系统往往依赖于规则和经验来进行故障诊断，而现在，结合深度学习技术，使得多机器人系统能够在动态和复杂的环境中更加智能地进行故障检测。比如，一些方法将传统的故障诊断规则与深度学习的学习能力结合起来。在多机器人系统中，深度学习模型可以从大量的实时数据中学习并识别故障模式，从而提高故障检测的准确性和反应速度。
9、但现有的上述现有的多机器人系统故障检测算法仍在存在依赖绝对信息传感器，且整体复杂度高、易受干扰、准确性差的缺陷。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在依赖绝对信息传感器，且整体复杂度高、易受干扰、准确性差的缺陷而提供一种针对外部干扰影响的多机器人系统故障检测方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种针对外部干扰影响的多机器人系统故障检测方法，包括以下步骤：
4、在多机器人系统中的各个机器人上装配位置传感器，通过位置传感器实时测量自身及邻居机器人的相对距离信息；
5、根据各机器人测量获得的相对距离信息分别构建对应机器人的故障检测参考模型，并完成各机器人对应的改进的中间观测器的参数设计；
6、基于确定参数的中间观测器，获取中间观测器估计的值，并选取合适的残差生成算法，根据中间观测器估计的值进行残差生成；采用对应的残差评估规则，进行故障检测。
7、进一步地，机器人i的所述故障检测参考模型的表达式为：
8、
9、式中，a、b、bd、bf、c为系统矩阵，其取值由机器人i自身的物理机械结构决定，δai用于机器人间的模型异构，δai＝nifiei，ni和ei为已知矩阵，fi满足fitfi≤i，i为单位矩阵，xi(t)、ui(t)和zi(t)分别代表当前时刻机器人i的运动状态、控制信号和相对输出信息，di(k)和fi(k)分别为干扰信号及故障信号，为机器人i的所有邻居机器人的集合，xj(t)为当前时刻邻居机器人j的运动状态，为当前时刻机器人i的运动状态的导数项。
10、基于此，上述机器人i的参考模型可以转化为如下形式：
11、
12、式中，矩阵r为可逆矩阵，可结合下文设计合理选取。
13、进一步地，所述改进的中间观测器的表达式为：
14、
15、式中，k1、k2、h1、h2为待设计的参数变量，为当前时刻机器人i的运动状态的估计值，ξi(t)代表当前时刻机器人i的中间值，表达式为ξi(t)＝ri(t)-θrtxi(t)，θ为正数标量，而为ξi(t)的估计值，ζi(t)为当前时刻机器人i的与其邻居的输出误差反馈，表达式为为当前时刻机器人i的误差反馈的导数项，为当前时刻机器人i的运动状态的估计值的导数项，为当前时刻机器人i的残差信号的估计值，包含异构信息和故障信息的混合信号，即为当前时刻机器人i的异构信息。
16、进一步地，所述残差生成算法为通过设置正交补空间，隔离出故障信号，对应的计算表达式为：
17、
18、式中，为对隔离故障信号获得的残差信号，为机器人i的正交补空间。
19、进一步地，所述残差生成算法为对的两边乘以vr，得到平衡后的中间观测器的估计值，对应的计算表达式为：
20、
21、式中，为平衡后获得的残差信号，v为待设计调整向量。
22、进一步地，所述残差生成算法的处理过程中还设置性能指标，辅助完成向量v的设计，实现在故障灵敏度和对异构信息的鲁棒性之间取得平衡，所述性能指标的计算表达式为：
23、
24、式中，j为性能指标。
25、进一步地，所述残差评估规则的表达式为：
26、若若
27、式中，为由残差生成算法生成的当前时刻机器人i的残差结果，jth为阈值函数。
28、进一步地，所述阈值函数jth的根据最小化误报率，同时最大化对故障的敏感性进行选择。
29、进一步地，各个机器人装配的位置传感器为视觉传感器、雷达或激光雷达。
30、进一步地，所述多机器人系统为异构多机器人系统或同构多机器人系统。
31、与现有技术相比，本专利技术具有以下优点：
32、(1)本专利技术提供的一种针对外部干扰影响的异构多机器人系统的鲁棒故障检测方法仅依赖机载传感器的相对测量信息即可实现精确故障检测，并且其充分利用多机器人间同构和异构信息，完成了高精度、强本文档来自技高网...
【技术保护点】
1.一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，机器人i的所述故障检测参考模型的表达式为：
3.根据权利要求2所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，所述改进的中间观测器的表达式为：
4.根据权利要求3所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，所述残差生成算法为通过设置正交补空间，隔离出故障信号，对应的计算表达式为：
5.根据权利要求3所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，所述残差生成算法为对的两边乘以vR，得到平衡后的中间观测器的估计值，对应的计算表达式为：
6.根据权利要求3所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，所述残差生成算法的处理过程中还设置性能指标，辅助完成向量v的设计，实现在故障灵敏度和对异构信息的鲁棒性之间取得平衡，所述性能指标的计算表达式为：
7.根据权利要求1所述的一种针对
8.根据权利要求7所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，所述阈值函数Jth的根据最小化误报率，同时最大化对故障的敏感性进行选择。
9.根据权利要求1所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，各个机器人装配的位置传感器为视觉传感器、雷达或激光雷达。
10.根据权利要求1所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，所述多机器人系统为异构多机器人系统或同构多机器人系统。
...【技术特征摘要】
1.一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，机器人i的所述故障检测参考模型的表达式为：
3.根据权利要求2所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，所述改进的中间观测器的表达式为：
4.根据权利要求3所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，所述残差生成算法为通过设置正交补空间，隔离出故障信号，对应的计算表达式为：
5.根据权利要求3所述的一种针对外部干扰影响的多机器人系统故障检测方法，其特征在于，所述残差生成算法为对的两边乘以vr，得到平衡后的中间观测器的估计值，对应的计算表达式为：
6.根据权利要求3所述的一种针对外部干扰影响的多机器人系...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。