CN105095918A - 一种多机器人系统故障诊断方法 - Google Patents

Abstract

本发明涉及一种多机器人系统故障诊断方法，包括如下步骤：1)获取实时的机器人运动数据；2)采用小波包变换对所述运动数据进行特征提取；3)将经过特征提取后的待诊断数据输入训练好的故障诊断模型，求取当前机器人运动数据对应的实时似然概率；4)根据所述实时似然概率与状态阈值间的关系，获取多机器人系统当前所处的隐性状态，获取故障诊断结果。与现有技术相比，本发明具有鲁棒性强、诊断结果精确、适用范围广等优点。

Description

一种多机器人系统故障诊断方法

技术领域

本发明涉及故障诊断领域，尤其是涉及一种多机器人系统故障诊断方法，通过对多机器人系统的信号进行分析，继而实现机器人的故障诊断。

背景技术

机器人是人类20世纪最伟大的发明之一，在短短的半个世纪内发生了翻天覆地的变化，机器人技术使传统的工业生产面貌发生了根本性变化，对人类的社会产生了深远的影响，发展机器人技术已经成为高技术领域中最具有代表性的战略目标之一。机器人作业分单机器人及多机器人，单机器人对于信息的获取、处理及控制能力等方面都是有限的，人们考虑由多机器人组成的系统通过协调操作来共同完成单机器人所难以完成的工作。

在多机器人系统中，故障诊断也是一门非常重要的技术。首先，多机器人系统是一个复杂系统，系统的运行状态是多样化的，故障诊断的对象也就变得比较复杂。其次，多机器人系统通常是配合工作的，故障的影响是对整个系统的，一种良好的故障诊断方法可以提高多机器人系统的可靠性。

故障诊断(FD)全名是状态监测与故障诊断(CMFD)。基于解析冗余的故障诊断技术被公认为是这一技术的起源。所谓解析冗余，是指被诊断对象的可测变量之间(如输入与输出间、输出与输出间、输入与输入间)存在的冗余的函数关系。故障诊断在过去的十几年里得到了迅速的发展，一些新的理论和方法，如遗传算法、神经网络、小波分析、模糊理论、自适应理论、数据融合等均在这里得到了成功的应用。

1.基于小波分析的故障诊断方法

小波分析是20世纪80年代中期发展起来的新的数学理论和方法，它被认为是傅立叶分析方法的突破性进展。小波分析最初由法国学者Daubeches和Callet引入信号处理领域，它具有许多优良的特性。小波变换的基本思想类似于Fourier变换，就是用信号在一簇基函数张成空间上的投影表征该信号。小波分析优于博立叶之处在于：小波分析在时域和频域同时具有良好的局部化性质。小波分析方法是一种窗口大小(即窗口面积)固定但其形状、时间窗和频率都可以改变的时频局部化分析方法。即在低频部分具有较高的频率分辨率和较低的时间分辨率。因此，小波变换被誉为分析信号的显微镜，小波分析在信号处理、图像处理、话音分析、模式识别、量子物理、生物医学工程、计算机视觉、故障诊断及众多非线性科学领域都有广泛的应用。动态系统的故障通常会导致系统的观测信号发生变化。所以我们可以利用连续小波变换检测观测信号的奇异点来检测出系统的故障，其基本原理是利用信号在奇异点附近的Lipschitz指数，可以利用小波变换区分噪声和信号边沿，有效地检测出强噪声背景下的信号边沿(援变或突变)。

2.专家系统故障诊断方法

专家系统故障诊断方法，是指计算机在采集被诊断对象的信息后，综合运用各种规则(专家经验)，进行一系列的推理，必要时还可以随时调用各种应用程序，运行过程中向用户索取必要的信息后，就可快速地找到最终故障或最有可能的故障，再由用户来证实。此种方法国内外已有不少应用。专家系统的故障诊断系统由数据库、知识库、人机接口、推理机等组成，其各部分的功能为：

数据库：对于在线监视或诊断系统，数据库的内容是实时检测到的工作数据；对于离线诊断，数据库可以是故障时检测数据的保存，也可是人为检测的一些特征数据，即存放推理过程中所需要和产生的各种信息。

知识库：存放的知识可以是系统的工作环境，系统知识(反映系统的工作机理及结构知识)；规则库则存放一组组规则，反映系统的因果关系，用来故障推理。知识库是专家领域知识的集合。

人机接口：人与专家系统打交道的桥梁和窗口，是人机信息的交接点。

推理机：根据获取的信息综合运用各种规则进行故障诊断，输出诊断结果，是专家系统的组织控制结构。

3.基于数据融合的故障诊断方法

数据融合是针对一个系统中使用多个传感器这一问题而展开的一种信息处理的新的研究方向。数据融合将各种途径、任意时间和任意空间上获取的信息作为一个整体进行综合分析处理，为决策及控制奠定基础，产生比单一信息源、单一处理机制更精确、更完全的估计和判决。数据融合模型一般可表为三级结构。数据融合模型的每一级内部又可有相应子结构，其中，第一级为原始信息融合层，其输入是由信息源提供的各种原始数据，其输出是特征提取的结果或某种局部决策。第二级为特征融合层，它以原始信息融合层的输出作为输入，其输出为目标的局部标识。第三级是决策融合层，其输入为特征融合层的输出，并以全局决策作为本层的输出。全局决策一般既要有硬决策，如故障类别、部位、程度，也要给出软决策，如可信度。

由于正交小波变换只对信号的低频部分做进一步分解，而对高频部分也即信号的细节部分不再继续分解，所以小波变换能够很好地表征一大类以低频信息为主要成分的信号，但它不能很好地分解和表示包含大量细节信息(细小边缘或纹理)的信号，如非平稳机械振动信号、遥感图像、地震信号和生物医学信号等。虽然小波变换的变种算法——小波包变换可以对高频部分提供更精细的分解，但是小波分析方法其实是一种偏向于信号处理的方法，不是一种全面的故障诊断和故障预测的方法。小波分析方法缺乏对故障等级的判定方法，也没有对机器性能退化进行建模。

专家系统故障诊断方法的原理是基于规则的推理。专家通常会使用这样的表达来解释解决问题的过程：“在什么—什么情况下，我如何—如何做。”这样的表达可以被很自然地表达为IF、THEN产生式规则。专家系统的优点是结构统一、知识与处理相分离，适合处理不完整、不确定的知识。但专家系统有3个主要的缺点：

(1)规则之间的关系不透明。尽管单条规则都比较简单，也是自释性的，大量规则间的逻辑关系却可能不透明。在基于规则的系统中，难以观察单条规则如何对整个策略起作用，原因在于基于规则的专家系统缺乏分层的知识表达。

(2)低效的搜索策略。推理引擎在每个周期中搜索所有的规则。当规则很多时(多于100条规则)，系统速度会很慢。基于规则的大型系统可能就不适用于实时应用。

(3)没有学习能力。一般的基于规则的专家系统都不具备从经验中学习的能力。人类专家知道何时打破规则，而专家系统并不能自动修改知识库，例如调整规则、添加规则。修改和维护系统的任务仍然由知识工程师来做。

相对前两种方法，基于数据融合的方法更加综合一些，在该方法下，数据在多个层次相互作用，是一种更加严谨有效的方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种鲁棒性强、诊断结果精确、适用范围广的多机器人系统故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种多机器人系统故障诊断方法，包括如下步骤：

1)获取实时的机器人运动数据；

2)采用小波包变换对所述运动数据进行特征提取；

3)将经过特征提取后的待诊断数据输入训练好的故障诊断模型，求取当前机器人运动数据对应的实时似然概率；

4)根据所述实时似然概率与状态阈值间的关系，获取多机器人系统当前所处的隐性状态，获取故障诊断结果。

所述小波包变换具体为：对获取的机器人运动数据进行多层小波包分解，输出各小波分量的能量值。

所述故障诊断模型的训练过程具体为：

301)建立隐马尔科夫模型；

302)随机初始化隐马尔科夫模型的参数，所述参数包括状态转移矩阵、混淆矩阵和概率向量；

303)获取正常状态下机器人运动数据，采用前向-后向算法调整隐马尔科夫模型的参数，训练获得故障诊断模型；

304)采用多个隐性状态下的运动数据作为故障诊断模型的输入，求取各隐性状态的似然概率，作为各隐性状态对应的状态阈值。

所述隐性状态包括正常态、轻度退化态、中度退化态、高度退化态和故障态。

所述步骤4)中，根据所述实时似然概率所处各状态阈值的区间确定多机器人系统当前所处的隐性状态。

还包括步骤：5)根据所述故障诊断结果预测多机器人系统的工作状态。

所述步骤5)具体为：

501)根据Weibull分布生成机器人系统的运行数据，并对所述运行数据进行故障诊断；

502)根据运行数据和相应的故障诊断结果获取机器人系统工作过程中不断退化的数据；

503)根据步骤502)获得的数据训练隐马尔科夫模型，作为预测模型；

504)将步骤1)和步骤4)获得的数据作为历史运行状态，将历史运行状态和可能的预测结果连接起来组成多个预测序列，将所述多个预测序列带入预测模型中，分别求出对应的似然概率；

505)获取最大似然概率对应的预测序列，将该预测序列对应的预测结果作为最终的预测值。

与现有技术相比，本发明具有以下优点：

(1)本发明将多机器人系统中的运动数据的信号分析结果看作观测数据，这样，系统的内部状态和观测变量之间就被分离开来。因此，本发明故障诊断方法的鲁棒性更强，可以适应于更多的系统。在现有的很多故障诊断方法中，将设备的服役过程假设为一个马尔科夫过程，这是不严谨的，因为机器的状态往往是不能直接观测到的，即使观测到的数据也可能有一些随机性的噪声信息，这通常会干扰故障诊断的过程。

(2)本发明使用小波包变换作为特征提取的方法，与小波变换相比，小波包变换在高频频带具有更高的频率分辨率，是一种更精细的信号处理方法在使用小波包变换对信号进行分解时，每个节点的信号都被分解为近似部分(低频)与细节部分(高频)，它们的分析带宽降为原节点信号的分析带宽的一半。本发明并没有直接利用小波包分解的结果作为故障诊断的数据，而是仅仅把它作为一个信号预处理方法。在一个工作周期中，将运动信号分成多个小段，每个小段分别进行小波包分解。

(3)在故障诊断的过程中，本发明没有使用为每个故障状态建立单独的隐马尔科夫模型，而是建立了一个统一的故障诊断模型，以不同的阈值作为故障诊断的依据。其中的原因是，故障状态在小波包分解域中的状态是非常离散的，不同模型的信号模式很难被少数离散模型代表。相对来说，使用同一模型描述，以似然概率为依据的分析更加准确一些。

(4)本发明还可根据以前判断结果预测机器人以后的工作状态，也可作为对故障诊断方法的验证方法，该验证方法依据机器人退化模型建立，与故障诊断方法相互补充、相互验证。

附图说明

图1为本发明的流程示意图；

图2为一个三层小波包分解树；

图3为本发明运动数据的信号流示意图；

图4为隐马尔科夫模型的原理示意图；

图5为特征提取的过程中的小波分量信号示意图；

图6为本发明HMM的训练过程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1、图3所示，本实施例提供一种多机器人系统故障诊断方法，使用了隐马尔科夫模型(HMM)进行故障诊断和故障预测。其中，故障诊断是故障预测的前提条件，该方法首先对机器人的每一个工作周期进行故障诊断，然后根据以前判断结果预测机器人以后的工作状态，从而对机器人的运动控制器进行控制。该方法具体包括如下步骤：

1)获取实时的机器人运动数据，对于常见的SCARA型工业机器人，运动数据主要都是角度数据，在这种应用场景，主要的传感器就是编码器，它可以提供详细的角度信息；

2)采用小波包变换对所述运动数据进行特征提取；

3)将经过特征提取后的待诊断数据输入训练好的故障诊断模型，求取当前机器人运动数据对应的实时似然概率；

4)根据所述实时似然概率与状态阈值间的关系，获取多机器人系统当前所处的隐性状态，获取故障诊断结果；

5)根据所述故障诊断结果预测多机器人系统的工作状态。

1、隐马尔科夫模型

隐马尔科夫模型和马尔科夫过程是非常相似的。他们最大的区别在与，隐马尔科夫模型认为系统的状态往往是不能够被直接观测到。在某些情况下，我们希望找到的模式用马尔科夫过程描述还显得不充分。考虑一个比较简单的例子，一个隐士也许不能够直接获取到天气的观察情况，但是他有一些水藻。民间传说告诉我们水藻的状态与天气状态有一定的概率关系——天气和水藻的状态是紧密相关的。在这个例子中我们有两组状态，观察的状态(水藻的状态)和隐藏的状态(天气的状态)。我们希望为隐士设计一种算法，在不能够直接观察天气的情况下，通过水藻和马尔科夫假设来预测天气。隐马尔科夫模型就是用来解决类似的问题的方法。

在一些过程中一个观察序列与一个底层马尔科夫过程是概率相关的。在这些例子中，观察状态的数目可以和隐藏状态的数码不同。我们使用一个隐马尔科夫模型(HMM)对这些例子建模。这个模型包含两组状态集合和三组概率集合：

隐藏状态：一个系统的(真实)状态，可以由一个马尔科夫过程进行描述(例如，前文例子中的天气)。

观察状态：在这个过程中“可视”的状态，相当于例子中的海藻湿度。

初始向量：包含了(隐)模型在时间t＝1时一个特殊的隐藏状态的概率(初始概率)。

状态转移矩阵：包含了一个隐藏状态到另一个隐藏状态的概率，这个概念和马尔科夫过程中的状态转移概率矩阵是基本相同的。

混淆矩阵：包含了给定隐马尔科夫模型的某一个特殊的隐藏状态，观察到的某个观察状态的概率。因此一个隐马尔科夫模型是在一个标准的马尔科夫过程中引入一组观察状态，以及其与隐藏状态间的一些概率关系。比如海藻处于一般湿度情况下，实际的天气状况是有多种可能的。从混淆矩阵的角度讲，马尔科夫过程其实是隐马尔科夫模型的一个特殊情况，混淆矩阵为单位阵。

HMM模型解决的3个问题：一旦一个系统可以作为HMM被描述，就可以用来解决三个基本问题：给定一个HMM求一个观察序列的概率，即评估问题；搜索最有可能生成的观察序列的隐藏状态训练，即解码问题。第三个问题是给定观察序列生成一个HMM，即学习问题。

2、隐性状态的确定

使用HMM解决故障预测的问题时，首要的任务便是确定系统的隐性状态。在本发明中，我们将机器人的“健康状况”作为隐性状态，一共分为5个隐性状态：正常态、轻度退化态、中度退化态、高度退化态、故障态。

故障预测的前提是故障诊断，所以首要的问题是实现故障诊断。对处于正常态、退化态和故障态的误差信号进行处理，然后利用Baum-Welch算法对其进行参数估计，从而得到各个状态下模型HMM的参数。

一般情况下，就是采用Viterb算法对待测信号进行状态识别，通过建模与模式识别计算出各个状态的似然概率P(s|λ1)、P(s|λ2)…P(s|λn)，似然概率最大者，判断为系统当前所处状态。然而在本发明所要解决的技术问题中，机器人的“健康状况”其实是连续变化的，五个单独的模型不足以完整的表示机器人的状态。此外，很多时候我们并不关心机器人的精确状态，比如机器人的故障态其实是一个非常宽泛的状态，可能有无数个不同程度的故障态，我们仅仅只需要知道它是故障的即可。所以本发明采用了单个模型、不同阀值的方法来解决这个问题。

3、特征提取

隐性状态确定了以后，就应该确定观察状态。从字面上理解，观察状态应该比隐性状态更加简单明了的，但事实上并非如此。简单地把机器人运行误差作为系统的观测值是错误的。这个结论是我们经过了实验论证得到的。同时从基本常识来分析，也可以得到相似的结论。比如一个模型的某一个观测量是以正弦周期变化的(就像弹簧物块模型一样，很多装置都有这种特性)，在这种情况下就不能简单的从时域对模型进行观测，因为频域的稳定运行在时域就体现出非常复杂的特征变化。这种不稳地的特征变化是不能准确反映出系统的运行状态的。

特征提取是一个非常重要的环节。在本发明中使用小波包变换的方法进行特征提取。小波包变换对小波变换中没有分解的高频部分进行了进一步的细分。因此，与小波变换相比，小波包变换在高频频带具有更高的频率分辨率，是一种更精细的信号处理方法在使用小波包变换对信号进行分解时，每个节点的信号都被分解为近似部分(低频)与细节部分(高频)，它们的分析带宽降为原节点信号的分析带宽的一半。图2所示为一个三层小波包分解树。图中，S代表原始信号，A代表近似部分，D代表细节部分在第三层分解中，信号被分解成AAA₃DAA₃ADA₃DDA₃AAD₃DAD₃ADD₃DDD₃八个部分，它们的分析频带分别为0－Fs/16、Fs/16－2Fs/16、2Fs/16－3Fs/16、3Fs/16－4Fs/16、4Fs/16－5Fs/16、5Fs/16－6Fs/16、6Fs/16－7Fs/16、7Fs/16－8Fs/16。其中，Fs为原始信号的采样频率，Fs/2为其分析带宽。

小波包分解这个运算过程的输入是一段运动数据，输出则是各小波分量的能量值。对于三层小波包分解，其运算结果就是一个八维向量。特征提取的过程中的小波分量信号如图5所示。

小波包变换的结果是一个多维向量，而传统的隐马尔科夫模型使用一维的观测值，同时可选的还有多维的隐马尔科夫模型。所以这里存在两个可行的方案，方案一：把小波包变换算出的多维向量转化为一个一维的观测值；方案二：把小波变换的结果直接作为马尔科夫模型的模型。第二种方案的相当于利用了隐马尔科夫工具箱中优化的转化函数，而且在模型的训练中不断的改进转化函数。采用第一种方案时，如果转换函数设计的不科学，很容易导致观测信息的大量遗失，而且第一种方案中转化函数没有训练的反馈，这也直接导致转化函数几乎不可能很科学。因此，本发明采用第二种方案。

4、故障诊断

完成了运动数据的特征提取，就到了故障诊断的实施阶段。进行故障诊断时，首先取正常状态的运行数据训练出一个隐马尔科夫模型；然后，五个状态的数据和第一步得到的HMM求取似然概率，这五个似然概率就是状态阀值；在随后的故障诊断中，先求取对应数据的似然概率，然后将得到的似然概率与五个状态阀值进行比较，最后根据似然概率的所处的区间确定机器人所处的状态，即实现的故障诊断的目的。

故障诊断的重点在于故障诊断模型的训练和性能状态的评估。如图6所示，本发明中，故障诊断模型的训练过程具体为：

301)建立隐马尔科夫模型；

302)随机初始化隐马尔科夫模型的参数，所述参数包括状态转移矩阵、混淆矩阵和概率向量；

303)获取正常状态下机器人运动数据，采用前向-后向算法调整隐马尔科夫模型的参数，训练获得故障诊断模型；

304)采用五个隐性状态下的运动数据作为故障诊断模型的输入，求取各隐性状态的似然概率，作为各隐性状态对应的状态阈值。

上述故障诊断模型的训练使用了前向-后向算法(Expectation-Maximization，EM算法)。前向-后向算法是Baum于1972年提出来的，又称之为Baum-Welch算法。前向-后向算法可以根据观察序列生成隐马尔科夫模型。

前向-后向算法首先对于隐马尔科夫模型的参数进行一个初始的估计(这很可能是完全错误的)，然后通过对于给定的数据评估这些参数的的价值并减少它们所引起的错误来重新修订这些HMM参数。从这个意义上讲，它是以一种梯度下降的形式寻找一种错误测度的最小值。

5、故障诊断验证及故障预测

故障预测有时也称为系统的可靠性分析，一般来说基于性能退化的系统可靠性分析有如下几个步骤：

第一步，分析机构的失效机理，确定关键性能参数(退化量)和失效判据。比较常见的失效形式是磨损过量丧失精度而无法工作。

第二步，按照适当是间隔收集退化数据，分析在每个时刻点上退化量的分布规律，选择适当的分布来G(x,φ(t))的来描述机构磨损在t时刻时退化量的分布，并在每一个测量时间点t_j确定G(x,φ(t))的参数向量的估计值。通常，可以假定机构磨损失效分布为F_n(t)，比如指数分布、Weibull、正态分布等。

第三步，利用t_j时刻的退化量的分布G(x,φ(t))和退化失效阀值L。双参数的Weibull分布在参数取不同值时可以表示失效率随时间逐渐增加、减小、不变等多种情况，具有广泛的应用和很大的灵活性，常可以应用于描述设备老化、磨损、疲劳失效等现象。Weibull分布对应的故障密度函数f(t)如下：

$f\left(t\right)=\frac{\mathrm{\β}}{\mathrm{\η}}{\left(\frac{t}{\mathrm{\η}}\right)}^{\mathrm{\β}-1}\exp \[-{\left(\frac{t}{\mathrm{\η}}\right)}^{\mathrm{\β}}\],t>=0$

当Weibull分布中β取1左右的值时，Weibull分布就退化为指数分布。而在经典的马尔科夫过程中，系统的失效分布就是指数形式的。这中数学关系从侧面论证了马尔科夫模型在故障预测方面的正确性。所以，我们在故障预测中也使用了隐马尔科夫模型。当然这里的隐马尔科夫模型基本退化成了一个马尔科夫过程。

本发明故障预测的具体过程如下：

501)根据Weibull分布生成机器人系统的运行数据，并对所述运行数据进行故障诊断；

502)根据运行数据和相应的故障诊断结果获取机器人系统工作过程中不断退化的数据；

503)根据步骤502)获得的数据训练隐马尔科夫模型，作为预测模型；

504)将步骤1)和步骤4)获得的数据作为历史运行状态，将历史运行状态和可能的预测结果连接起来组成多个预测序列，将所述多个预测序列带入预测模型中，分别求出对应的似然概率；

505)获取最大似然概率对应的预测序列，将该预测序列对应的预测结果作为最终的预测值。

Claims (7)

1.一种多机器人系统故障诊断方法，其特征在于，包括如下步骤：

1)获取实时的机器人运动数据；

2)采用小波包变换对所述运动数据进行特征提取；

3)将经过特征提取后的待诊断数据输入训练好的故障诊断模型，求取当前机器人运动数据对应的实时似然概率；

4)根据所述实时似然概率与状态阈值间的关系，获取多机器人系统当前所处的隐性状态，获取故障诊断结果。

2.根据权利要求1所述的多机器人系统故障诊断方法，其特征在于，所述小波包变换具体为：对获取的机器人运动数据进行多层小波包分解，输出各小波分量的能量值。

3.根据权利要求1所述的多机器人系统故障诊断方法，其特征在于，所述故障诊断模型的训练过程具体为：

301)建立隐马尔科夫模型；

302)随机初始化隐马尔科夫模型的参数，所述参数包括状态转移矩阵、混淆矩阵和概率向量；

303)获取正常状态下机器人运动数据，采用前向-后向算法调整隐马尔科夫模型的参数，训练获得故障诊断模型；

304)采用多个隐性状态下的运动数据作为故障诊断模型的输入，求取各隐性状态的似然概率，作为各隐性状态对应的状态阈值。

4.根据权利要求1或3所述的多机器人系统故障诊断方法，其特征在于，所述隐性状态包括正常态、轻度退化态、中度退化态、高度退化态和故障态。

5.根据权利要求3所述的多机器人系统故障诊断方法，其特征在于，所述步骤4)中，根据所述实时似然概率所处各状态阈值的区间确定多机器人系统当前所处的隐性状态。

6.根据权利要求1所述的多机器人系统故障诊断方法，其特征在于，还包括步骤：

5)根据所述故障诊断结果预测多机器人系统的工作状态。

7.根据权利要求6所述的多机器人系统故障诊断方法，其特征在于，所述步骤5)具体为：

501)根据Weibull分布生成机器人系统的运行数据，并对所述运行数据进行故障诊断；

502)根据运行数据和相应的故障诊断结果获取机器人系统工作过程中不断退化的数据；

503)根据步骤502)获得的数据训练隐马尔科夫模型，作为预测模型；

504)将步骤1)和步骤4)获得的数据作为历史运行状态，将历史运行状态和可能的预测结果连接起来组成多个预测序列，将所述多个预测序列带入预测模型中，分别求出对应的似然概率；

505)获取最大似然概率对应的预测序列，将该预测序列对应的预测结果作为最终的预测值。