DS證據(jù)理論信息融合信息處理方法.ppt

1,第7講: DS信息融合技術(shù),1. DS信息融合的基本算法 2. DS證據(jù)理論信息融合應(yīng)用 3. 各種信息融合算法比較分析 4. ROV推進(jìn)器故障辨識CMAC信息融合方法,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,7.4 水下機(jī)器人推進(jìn)器故障辨識信息融合,早期，針對水下機(jī)器人推進(jìn)裝置的故障，只是簡單的處理為無故障和完全失效兩種情況，這是相當(dāng)粗糙的。對此近年來Edin O. 和 Geoff R.等將廣泛應(yīng)用于飛行容錯的控制矩陣偽逆重構(gòu)方法引入無人水下機(jī)器人推進(jìn)器故障診斷與容錯控制之中，并將推進(jìn)器故障分為推進(jìn)器不同程度的擁堵故障(jammed)及推進(jìn)器完全失效等多種故障模式，使水下機(jī)器人的推進(jìn)器容錯控制更接近于系統(tǒng)的實(shí)際運(yùn)行狀態(tài)，提高了容錯控制的應(yīng)用范圍和控制性能；最近，一些學(xué)者研究了具有快速收斂特性的水下機(jī)器人神經(jīng)網(wǎng)絡(luò)故障診斷模型，并將其與水下機(jī)器人容錯控制律重構(gòu)相結(jié)合，提出一種快速集成水下機(jī)器人故障診斷與容錯控制方法。,17,Edin O.等將自組織神經(jīng)網(wǎng)絡(luò)的推進(jìn)器故障模式識別策略與控制律的控制矩陣偽逆重構(gòu)方法相結(jié)合，研究了開架式無人水下機(jī)器人推進(jìn)器集成故障診斷與容錯控制，并針對“FALCON”和“URIS”兩種ROV水下機(jī)器人的不同推進(jìn)器結(jié)構(gòu)布置，給出了水平面和垂直面容錯控制實(shí)驗(yàn)和仿真結(jié)果。但是在以上所有無人水下機(jī)器人推進(jìn)器故障診斷與容錯控制中，均假設(shè)推進(jìn)器處于正常、完全故障或幾種固定故障模式，而實(shí)際的推進(jìn)器擁堵故障與外界環(huán)境密切相關(guān)，其故障的大小是不確定的、連續(xù)變化的，將其簡化為幾種固定模式，與實(shí)際故障情況有較大差距，也必將影響故障辨識的精度。 對此，此處將信息融合故障診斷技術(shù)引入推進(jìn)器擁堵故障在線辨識之中，提出基于信度分配小腦神經(jīng)網(wǎng)絡(luò)CA-CMAC信息融合在線故障辨識模型，利用多維信息融合技術(shù)來提高故障辨識的精度，同時應(yīng)用CA-CMAC的連續(xù)輸出特性，解決常規(guī)故障診斷方法對推進(jìn)器擁堵故障連續(xù)變化不能診斷的缺陷。,18,7.1 OUTLAND1000推進(jìn)器布置 實(shí)驗(yàn)及數(shù)據(jù)采集均來源于無人開架水下機(jī)器人OUTLAND1000。OUTLAND1000水下機(jī)器人的推進(jìn)器配置。圖2為OUTLAND1000水下機(jī)器人推進(jìn)器配置圖，它共有4個推進(jìn)器，2個尾推(尾部水平舵推)：控制機(jī)器人前后推進(jìn)和左右轉(zhuǎn)向；一個處于重心的垂直推進(jìn)器：控制機(jī)器人潛浮運(yùn)動；一個側(cè)推：原處于機(jī)器人中間的側(cè)面位置，正對機(jī)器人重心，控制機(jī)器人橫移，在我們實(shí)驗(yàn)系統(tǒng)中，為了配合研究水下機(jī)器人的容錯控制進(jìn)行了改裝，將其平移至機(jī)器人前端距重心7公分的位置。在故障診斷實(shí)驗(yàn)中，它處于停轉(zhuǎn)狀態(tài)。圖3是對應(yīng)的尾部推進(jìn)器實(shí)物圖片。,19,7.2 水下機(jī)器人推進(jìn)器故障 水下機(jī)器人的水下運(yùn)動是靠推進(jìn)器來實(shí)現(xiàn)的，而最普遍使用的推力裝置是由驅(qū)動電機(jī)加螺旋槳組成。推進(jìn)器故障也是水下機(jī)器人系統(tǒng)的常見故障源之一。推進(jìn)器的故障模式主要可以分為兩大類: 內(nèi)部故障：主要指推進(jìn)器內(nèi)部器件故障及控制器的連接出現(xiàn)故障。如：電機(jī)轉(zhuǎn)軸溫度超限控制信號通信中斷總線電壓下降等。 外部故障：它主要指水下機(jī)器人在水下工作時，由外部復(fù)雜多變的環(huán)境引起的推進(jìn)器故障。如由于螺旋槳附著物而引起的擁堵故障(Jammed)，螺旋槳斷裂故障（完全失效）等。在這兩類故障中，以外部故障最為常見，本課題主要研究推進(jìn)器外部故障的診斷。,20,7.2.1 推進(jìn)器故障設(shè)置 為了模擬推進(jìn)器擁堵故障模式，在OUTLAND1000運(yùn)行于定向巡航狀態(tài)下，在后置推進(jìn)器1（右側(cè)）設(shè)置不同程度擁堵故障： 正常狀況：擁堵系數(shù)=0.0； 輕微擁堵1：擁堵系數(shù)=0.25, 在后置推進(jìn)器上繞15cm線索； 輕微擁堵2：擁堵系數(shù)=0.30, 在后置推進(jìn)器上繞20cm線索； 中等擁堵3：擁堵系數(shù)=0.50, 在后置推進(jìn)器上繞30cm線索； 嚴(yán)重?fù)矶?：擁堵系數(shù)=0.75, 在后置推進(jìn)器上繞45cm線索； 完全失效：擁堵系數(shù)=1.0, 將推進(jìn)器的螺旋槳全部卸下。,21,此處，將推進(jìn)器無擁堵（正常狀況）的擁堵故障系數(shù)設(shè)為“0”，而將完全失效故障的擁堵系數(shù)設(shè)為“1”。也有反過來設(shè)定的，這在本質(zhì)上沒有區(qū)別，主要是在容錯控制矩陣重構(gòu)時，要區(qū)別對待這兩種假設(shè)。通過向OUTLAND1000尾部推進(jìn)器發(fā)送一定大小的前后推進(jìn)控制電壓，如v=0.25、v=0.5、v=0.75 、v=-0.25、v=-0.5、v=-0.75，對每一個控制電壓，設(shè)置不同程度故障模式，由于右邊推進(jìn)器部分故障，它將失去一部分推力，這樣與左邊推進(jìn)器的推力不平衡，從而產(chǎn)生轉(zhuǎn)動力矩，故障越大，推力損失越大，其轉(zhuǎn)動力矩越大，機(jī)器人轉(zhuǎn)動的速率也越大。實(shí)驗(yàn)數(shù)據(jù)也較好地驗(yàn)證了以上推論；另外，在相同大小的故障模式下，機(jī)器人輸入控制電壓的變化對機(jī)器人的狀態(tài)也有一定影響。OUTLAND1000的轉(zhuǎn)向速率信號可以通過有串行通信接口的筆記本電腦讀出。,22,7.2.2推進(jìn)器故障在線辨識 OUTLAND1000推進(jìn)器故障大小辨識可以采用雙參數(shù)CA-CMAC信息融合診斷方法。雙參數(shù)的第一個參數(shù)是方向變化率，另一個可以是故障推進(jìn)器反饋轉(zhuǎn)速或輸入控制信號，由于OUTLAND1000的推進(jìn)器反饋轉(zhuǎn)速不可測，我們在融合處理時，采用控制電壓信號作為CMAC的另外一個輸入；輸出分別是“正常狀況、各種擁堵狀況、完全失效故障的擁堵規(guī)劃系數(shù)”，訓(xùn)練CA-CMAC。 訓(xùn)練好的CA-CMAC可以作為在線故障辨識器使用。,23,將現(xiàn)場實(shí)測的方向變化率、控制信號輸入訓(xùn)練好的CA-CMAC，其輸出即為反應(yīng)推進(jìn)器故障狀況的擁堵系數(shù)。容錯控制時，根據(jù)擁堵系數(shù)估算出該推進(jìn)器的推力損失，與前置推進(jìn)器（側(cè)推移位的推進(jìn)器）、正常后置推進(jìn)器一起，計(jì)算轉(zhuǎn)動力矩之和，利用OUTLAND1000力矩之和為零，推算出新的推力配置，進(jìn)而計(jì)算出控制電壓分配，可以實(shí)現(xiàn)水下機(jī)器人巡航狀態(tài)的容錯控制。,24,7.3 OUTLAND1000水下機(jī)器人推進(jìn)器故障辨識實(shí)驗(yàn)及結(jié)果分析 對OUTLAND1000實(shí)驗(yàn)系統(tǒng)的每一種故障模式，用前面所述的幾組電壓分別進(jìn)行故障信號測試，可以用其中的、作故障樣本，用、來檢驗(yàn)訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的故障識別效果。表4-1為樣本實(shí)驗(yàn)數(shù)據(jù)，表4-2為訓(xùn)練后的CA-CMAC故障識別結(jié)果,25,4.2 推進(jìn)器信息融合故障辨識 表1第一欄輸入控制信號為尾部推進(jìn)器的直推控制信號，其變化范圍為-1,+1；第二欄是OUTLAND1000的轉(zhuǎn)向變化率，首先在推進(jìn)器故障時，通過加入不同推進(jìn)電壓記錄機(jī)器人羅經(jīng)輸出信號，將相鄰方向信號相減除以采樣周期，可得機(jī)器人轉(zhuǎn)向變化率；通過人為設(shè)置不同故障模式可以得到表1樣本數(shù)據(jù)，進(jìn)而訓(xùn)練CA-CMAC神經(jīng)網(wǎng)絡(luò)，即可得到推進(jìn)器擁堵故障辨識器。,26,表1：故障樣本實(shí)驗(yàn)數(shù)據(jù),27,表2是應(yīng)用實(shí)際測試的擁堵數(shù)據(jù)對訓(xùn)練的CA-CMAC神經(jīng)網(wǎng)絡(luò)進(jìn)行故障辨識效果測試，從表2可以看出，雖然存在一些誤差，但是無論是故障樣本中已出現(xiàn)的模式如“中等擁堵3”，還是在故障樣本中未出現(xiàn)的模式如“輕微擁堵2”和“完全失效”，其CA-CMAC故障辨識器輸出均接近實(shí)際的擁堵系數(shù)。 另外，為了比較所提算法的優(yōu)越性，表2還同時給出了的SOM神經(jīng)網(wǎng)絡(luò)故障辨識結(jié)果，SOM神經(jīng)網(wǎng)絡(luò)輸出是離散型的，故障大小接近0.5的情況輸出0.5，接近0.25的情況輸出為0.25，所以對表2中的“輕微擁堵2”故障模式和“完全失效”故障模式，它的診斷結(jié)果只能在=0, =0.75, =0.5, =0.25這四個數(shù)字中選擇一個接近的輸出，這必然大大影響其故障辨識精度。這種情況下其故障辨識器，便如以往的一樣，只能診斷出固定的幾種故障。,28,不如CA-CMAC故障辨識器可以在線的識別各種連續(xù)變化的故障情況。如表2中，“輕微擁堵2”故障（s=0.3），由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本中未出現(xiàn)，CA-CMAC能輸出一個接近實(shí)際故障大小的具體數(shù)據(jù)，而對SOM來