DS证据理论信息融合信息处理方法.ppt

1,第7讲:DS信息融合技术,1.DS信息融合的基本算法2.DS证据理论信息融合应用3.各种信息融合算法比较分析4.ROV推进器故障辨识CMAC信息融合方法,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,7.4水下机器人推进器故障辨识信息融合,早期，针对水下机器人推进装置的故障，只是简单的处理为无故障和完全失效两种情况，这是相当粗糙的。对此近年来EdinO.和GeoffR.等将广泛应用于飞行容错的控制矩阵伪逆重构方法引入无人水下机器人推进器故障诊断与容错控制之中，并将推进器故障分为推进器不同程度的拥堵故障(jammed)及推进器完全失效等多种故障模式，使水下机器人的推进器容错控制更接近于系统的实际运行状态，提高了容错控制的应用范围和控制性能；最近，一些学者研究了具有快速收敛特性的水下机器人神经网络故障诊断模型，并将其与水下机器人容错控制律重构相结合，提出一种快速集成水下机器人故障诊断与容错控制方法。,17,EdinO.等将自组织神经网络的推进器故障模式识别策略与控制律的控制矩阵伪逆重构方法相结合，研究了开架式无人水下机器人推进器集成故障诊断与容错控制，并针对“FALCON”和“URIS”两种ROV水下机器人的不同推进器结构布置，给出了水平面和垂直面容错控制实验和仿真结果。但是在以上所有无人水下机器人推进器故障诊断与容错控制中，均假设推进器处于正常、完全故障或几种固定故障模式，而实际的推进器拥堵故障与外界环境密切相关，其故障的大小是不确定的、连续变化的，将其简化为几种固定模式，与实际故障情况有较大差距，也必将影响故障辨识的精度。对此，此处将信息融合故障诊断技术引入推进器拥堵故障在线辨识之中，提出基于信度分配小脑神经网络CA-CMAC信息融合在线故障辨识模型，利用多维信息融合技术来提高故障辨识的精度，同时应用CA-CMAC的连续输出特性，解决常规故障诊断方法对推进器拥堵故障连续变化不能诊断的缺陷。,18,7.1OUTLAND1000推进器布置实验及数据采集均来源于无人开架水下机器人OUTLAND1000。OUTLAND1000水下机器人的推进器配置。图2为OUTLAND1000水下机器人推进器配置图，它共有4个推进器，2个尾推(尾部水平舵推)：控制机器人前后推进和左右转向；一个处于重心的垂直推进器：控制机器人潜浮运动；一个侧推：原处于机器人中间的侧面位置，正对机器人重心，控制机器人横移，在我们实验系统中，为了配合研究水下机器人的容错控制进行了改装，将其平移至机器人前端距重心7公分的位置。在故障诊断实验中，它处于停转状态。图3是对应的尾部推进器实物图片。,19,7.2水下机器人推进器故障水下机器人的水下运动是靠推进器来实现的，而最普遍使用的推力装置是由驱动电机加螺旋桨组成。推进器故障也是水下机器人系统的常见故障源之一。推进器的故障模式主要可以分为两大类:内部故障：主要指推进器内部器件故障及控制器的连接出现故障。如：电机转轴温度超限控制信号通信中断总线电压下降等。外部故障：它主要指水下机器人在水下工作时，由外部复杂多变的环境引起的推进器故障。如由于螺旋桨附着物而引起的拥堵故障(Jammed)，螺旋桨断裂故障（完全失效）等。在这两类故障中，以外部故障最为常见，本课题主要研究推进器外部故障的诊断。,20,7.2.1推进器故障设置为了模拟推进器拥堵故障模式，在OUTLAND1000运行于定向巡航状态下，在后置推进器1（右侧）设置不同程度拥堵故障：正常状况：拥堵系数=0.0；轻微拥堵1：拥堵系数=0.25,在后置推进器上绕15cm线索；轻微拥堵2：拥堵系数=0.30,在后置推进器上绕20cm线索；中等拥堵3：拥堵系数=0.50,在后置推进器上绕30cm线索；严重拥堵4：拥堵系数=0.75,在后置推进器上绕45cm线索；完全失效：拥堵系数=1.0,将推进器的螺旋桨全部卸下。,21,此处，将推进器无拥堵（正常状况）的拥堵故障系数设为“0”，而将完全失效故障的拥堵系数设为“1”。也有反过来设定的，这在本质上没有区别，主要是在容错控制矩阵重构时，要区别对待这两种假设。通过向OUTLAND1000尾部推进器发送一定大小的前后推进控制电压，如v=0.25、v=0.5、v=0.75、v=-0.25、v=-0.5、v=-0.75，对每一个控制电压，设置不同程度故障模式，由于右边推进器部分故障，它将失去一部分推力，这样与左边推进器的推力不平衡，从而产生转动力矩，故障越大，推力损失越大，其转动力矩越大，机器人转动的速率也越大。实验数据也较好地验证了以上推论；另外，在相同大小的故障模式下，机器人输入控制电压的变化对机器人的状态也有一定影响。OUTLAND1000的转向速率信号可以通过有串行通信接口的笔记本电脑读出。,22,7.2.2推进器故障在线辨识OUTLAND1000推进器故障大小辨识可以采用双参数CA-CMAC信息融合诊断方法。双参数的第一个参数是方向变化率，另一个可以是故障推进器反馈转速或输入控制信号，由于OUTLAND1000的推进器反馈转速不可测，我们在融合处理时，采用控制电压信号作为CMAC的另外一个输入；输出分别是“正常状况、各种拥堵状况、完全失效故障的拥堵规划系数”，训练CA-CMAC。训练好的CA-CMAC可以作为在线故障辨识器使用。,23,将现场实测的方向变化率、控制信号输入训练好的CA-CMAC，其输出即为反应推进器故障状况的拥堵系数。容错控制时，根据拥堵系数估算出该推进器的推力损失，与前置推进器（侧推移位的推进器）、正常后置推进器一起，计算转动力矩之和，利用OUTLAND1000力矩之和为零，推算出新的推力配置，进而计算出控制电压分配，可以实现水下机器人巡航状态的容错控制。,24,7.3OUTLAND1000水下机器人推进器故障辨识实验及结果分析对OUTLAND1000实验系统的每一种故障模式，用前面所述的几组电压分别进行故障信号测试，可以用其中的、作故障样本，用、来检验训练后神经网络的故障识别效果。表4-1为样本实验数据，表4-2为训练后的CA-CMAC故障识别结果,25,4.2推进器信息融合故障辨识表1第一栏输入控制信号为尾部推进器的直推控制信号，其变化范围为-1,+1；第二栏是OUTLAND1000的转向变化率，首先在推进器故障时，通过加入不同推进电压记录机器人罗经输出信号，将相邻方向信号相减除以采样周期，可得机器人转向变化率；通过人为设置不同故障模式可以得到表1样本数据，进而训练CA-CMAC神经网络，即可得到推进器拥堵故障辨识器。,26,表1：故障样本实验数据,27,表2是应用实际测试的拥堵数据对训练的CA-CMAC神经网络进行故障辨识效果测试，从表2可以看出，虽然存在一些误差，但是无论是故障样本中已出现的模式如“中等拥堵3”，还是在故障样本中未出现的模式如“轻微拥堵2”和“完全失效”，其CA-CMAC故障辨识器输出均接近实际的拥堵系数。另外，为了比较所提算法的优越性，表2还同时给出了的SOM神经网络故障辨识结果，SOM神经网络输出是离散型的，故障大小接近0.5的情况输出0.5，接近0.25的情况输出为0.25，所以对表2中的“轻微拥堵2”故障模式和“完全失效”故障模式，它的诊断结果只能在=0,=0.75,=0.5,=0.25这四个数字中选择一个接近的输出，这必然大大影响其故障辨识精度。这种情况下其故障辨识器，便如以往的一样，只能诊断出固定的几种故障。,28,不如CA-CMAC故障辨识器可以在线的识别各种连续变化的故障情况。如表2中，“轻微拥堵2”故障（s=0.3），由于神经网络训练样本中未出现，CA-CMAC能输出一个接近实际故障大小的具体数据，而对SOM来说诊断结果就是“中等拥堵3”：=0.5，这与实际故障大小误差较大；对“完全失效”故障(s=1)，CA-CMAC输出结果为0.9左右，接近实际故障大小s=1，而SOM诊断结果只能为“严重拥堵4”故障模式s=0.75，两者的诊断结果差距就更大了。可见本文设计的CA-CMAC故障拥堵辨识器可以较好完成水下机器人推进器连续变化拥堵故障辨识任务。,