《DS證據(jù)理論信息融合信息處理方法.ppt》由會員分享，可在線閱讀，更多相關《DS證據(jù)理論信息融合信息處理方法.ppt（28頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1,第7講:DS信息融合技術,1.DS信息融合的基本算法2.DS證據(jù)理論信息融合應用3.各種信息融合算法比較分析4.ROV推進器故障辨識CMAC信息融合方法,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,7.4水下機器人推進器故障辨識信息融合,早期，針對水下機器人推進裝置的故障，只是簡單的處理為無故障和完全失效兩種情況，這是相當粗糙的。對此近年來EdinO.和GeoffR.等將廣泛應用于飛行容錯的控制矩陣偽逆重構方法引入無人水下機器人推進器故障診斷與容錯控制之中，并將推進器故障分為推進器不同程度的擁堵故障(jammed)及推進器完全失效等多種故障模式，使水下機器人的推進器容錯控制更接近于系統(tǒng)的實際運行狀態(tài)，提高了容錯控制的應用范圍和控制性能；最近，一些學者研究了具有快速收斂特性的水下機器人神經(jīng)網(wǎng)絡故障診斷模型，并將其與水下機器人容錯控制律重構相結合，提出一種快速集成水下機器人故障診斷與容錯控制方法。,17,EdinO.等將自組織神經(jīng)網(wǎng)絡的推進器故障模式識別策略與控制律的控制矩陣偽逆重構方法相結合，研究了開架式無人水下機器人推進器集成故障診斷與容錯控制，并針對“FALCON”和“URIS”兩種ROV水下機器人的不同推進器結構布置，給出了水平面和垂直面容錯控制實驗和仿真結果。但是在以上所有無人水下機器人推進器故障診斷與容錯控制中，均假設推進器處于正常、完全故障或幾種固定故障模式，而實際的推進器擁堵故障與外界環(huán)境密切相關，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引入推進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CA-CMAC信息融合在線故障辨識模型，利用多維信息融合技術來提高故障辨識的精度，同時應用CA-CMAC的連續(xù)輸出特性，解決常規(guī)故障診斷方法對推進器擁堵故障連續(xù)變化不能診斷的缺陷。,18,7.1OUTLAND1000推進器布置實驗及數(shù)據(jù)采集均來源于無人開架水下機器人OUTLAND1000。OUTLAND1000水下機器人的推進器配置。圖2為OUTLAND1000水下機器人推進器配置圖，它共有4個推進器，2個尾推(尾部水平舵推)：控制機器人前后推進和左右轉向；一個處于重心的垂直推進器：控制機器人潛浮運動；一個側推：原處于機器人中間的側面位置，正對機器人重心，控制機器人橫移，在我們實驗系統(tǒng)中，為了配合研究水下機器人的容錯控制進行了改裝，將其平移至機器人前端距重心7公分的位置。在故障診斷實驗中，它處于停轉狀態(tài)。圖3是對應的尾部推進器實物圖片。,19,7.2水下機器人推進器故障水下機器人的水下運動是靠推進器來實現(xiàn)的，而最普遍使用的推力裝置是由驅動電機加螺旋槳組成。推進器故障也是水下機器人系統(tǒng)的常見故障源之一。推進器的故障模式主要可以分為兩大類:①內部故障：主要指推進器內部器件故障及控制器的連接出現(xiàn)故障。如：電機轉軸溫度超限﹑控制信號通信中斷﹑總線電壓下降等。②外部故障：它主要指水下機器人在水下工作時，由外部復雜多變的環(huán)境引起的推進器故障。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器外部故障的診斷。,20,7.2.1推進器故障設置為了模擬推進器擁堵故障模式，在OUTLAND1000運行于定向巡航狀態(tài)下，在后置推進器1（右側）設置不同程度擁堵故障：①正常狀況：擁堵系數(shù)=0.0；②輕微擁堵1：擁堵系數(shù)=0.25,在后置推進器上繞15cm線索；③輕微擁堵2：擁堵系數(shù)=0.30,在后置推進器上繞20cm線索；④中等擁堵3：擁堵系數(shù)=0.50,在后置推進器上繞30cm線索；⑤嚴重擁堵4：擁堵系數(shù)=0.75,在后置推進器上繞45cm線索；⑥完全失效：擁堵系數(shù)=1.0,將推進器的螺旋槳全部卸下。,21,此處，將推進器無擁堵（正常狀況）的擁堵故障系數(shù)設為“0”，而將完全失效故障的擁堵系數(shù)設為“1”。也有反過來設定的，這在本質上沒有區(qū)別，主要是在容錯控制矩陣重構時，要區(qū)別對待這兩種假設。通過向OUTLAND1000尾部推進器發(fā)送一定大小的前后推進控制電壓，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，設置不同程度故障模式，由于右邊推進器部分故障，它將失去一部分推力，這樣與左邊推進器的推力不平衡，從而產(chǎn)生轉動力矩，故障越大，推力損失越大，其轉動力矩越大，機器人轉動的速率也越大。實驗數(shù)據(jù)也較好地驗證了以上推論；另外，在相同大小的故障模式下，機器人輸入控制電壓的變化對機器人的狀態(tài)也有一定影響。OUTLAND1000的轉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推進器故障在線辨識OUTLAND1000推進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器反饋轉速或輸入控制信號，由于OUTLAND1000的推進器反饋轉速不可測，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)”，訓練CA-CMAC。訓練好的CA-CMAC可以作為在線故障辨識器使用。,23,將現(xiàn)場實測的方向變化率、控制信號輸入訓練好的CA-CMAC，其輸出即為反應推進器故障狀況的擁堵系數(shù)。容錯控制時，根據(jù)擁堵系數(shù)估算出該推進器的推力損失，與前置推進器（側推移位的推進器）、正常后置推進器一起，計算轉動力矩之和，利用OUTLAND1000力矩之和為零，推算出新的推力配置，進而計算出控制電壓分配，可以實現(xiàn)水下機器人巡航狀態(tài)的容錯控制。,24,7.3OUTLAND1000水下機器人推進器故障辨識實驗及結果分析對OUTLAND1000實驗系統(tǒng)的每一種故障模式，用前面所述的幾組電壓分別進行故障信號測試，可以用其中的①、②、④、⑤作故障樣本，用③、⑥來檢驗訓練后神經(jīng)網(wǎng)絡的故障識別效果。表4-1為樣本實驗數(shù)據(jù)，表4-2為訓練后的CA-CMAC故障識別結果,25,4.2推進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器的直推控制信號，其變化范圍為[-1,+1]；第二欄是OUTLAND1000的轉向變化率，首先在推進器故障時，通過加入不同推進電壓記錄機器人羅經(jīng)輸出信號，將相鄰方向信號相減除以采樣周期，可得機器人轉向變化率；通過人為設置不同故障模式可以得到表1樣本數(shù)據(jù)，進而訓練CA-CMAC神經(jīng)網(wǎng)絡，即可得到推進器擁堵故障辨識器。,26,表1：故障樣本實驗數(shù)據(jù),27,表2是應用實際測試的擁堵數(shù)據(jù)對訓練的CA-CMAC神經(jīng)網(wǎng)絡進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)絡故障辨識結果，SOM神經(jīng)網(wǎng)絡輸出是離散型的，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)絡訓練樣本中未出現(xiàn)，CA-CMAC能輸出一個接近實際故障大小的具體數(shù)據(jù)，而對SOM來說診斷結果就是“中等擁堵3”：=0.5，這與實際故障大小誤差較大；對“完全失效”故障(s=1)，CA-CMAC輸出結果為0.9左右，接近實際故障大小s=1，而SOM診斷結果只能為“嚴重擁堵4”故障模式s=0.75，兩者的診斷結果差距就更大了?？梢姳疚脑O計的CA-CMAC故障擁堵辨識器可以較好完成水下機器人推進器連續(xù)變化擁堵故障辨識任務。,