CN111897311A - 一种agv车轮打滑故障诊断方法、装置及存储介质 - Google Patents

一种agv车轮打滑故障诊断方法、装置及存储介质 Download PDF

Info

Publication number
CN111897311A
CN111897311A CN202010735395.5A CN202010735395A CN111897311A CN 111897311 A CN111897311 A CN 111897311A CN 202010735395 A CN202010735395 A CN 202010735395A CN 111897311 A CN111897311 A CN 111897311A
Authority
CN
China
Prior art keywords
agv
fault
diagnosis
neural network
wheel slip
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010735395.5A
Other languages
English (en)
Other versions
CN111897311B (zh
Inventor
刘传家
刘佳
赵常均
林贞琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Intelligent Equipment Institute Co ltd
Original Assignee
Guangzhou Intelligent Equipment Institute Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Intelligent Equipment Institute Co ltd filed Critical Guangzhou Intelligent Equipment Institute Co ltd
Priority to CN202010735395.5A priority Critical patent/CN111897311B/zh
Publication of CN111897311A publication Critical patent/CN111897311A/zh
Application granted granted Critical
Publication of CN111897311B publication Critical patent/CN111897311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了一种AGV车轮打滑故障诊断方法、装置及存储介质，所述方法包括：获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程；根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征；将所述故障特征输入至预设的BP神经网络，获得任一故障对应的诊断概率；根据预设的诊断规则以及所述诊断概率，获得AGV车轮打滑的故障诊断结果。本发明通过优化后训练获得的BP神经网络，不但能够改善收敛到局部最小值及收敛速度慢的问题，而且能够改善漏诊及误诊的问题。

Description

一种AGV车轮打滑故障诊断方法、装置及存储介质
技术领域
本发明涉及AGV小车技术领域，特别是涉及一种AGV车轮打滑故障诊断方法、AGV车轮打滑故障诊断装置及计算机可读存储介质。
背景技术
自动导引车(AGV)是智能制造企业实现生产数字化、自动化、网络化及智能化的主要手段，同时也是工业自动化水平的重要体现。在实际生产中，作为物料运输工作的主要执行者，如果AGV故障的检测、处理不及时，整个运输系统将工作在无法预测的方式下，轻则影响生产效率，重则给企业造成重大安全事故及财产损失。
目前，一般采用先基于卡尔曼滤波器的预测残差提取故障特征；然后以故障特征作为输入，通过BP神经网络直接得出故障诊断结果。然而用于故障诊断的BP神经网络采用随机的方式初始化神经网络权值及阈值，可能导致网络收敛到局部最小值，同时网络收敛速度较慢，且通过BP神经网络选择诊断概率最高的故障作为最终诊断结果，可能导致出现漏诊及误诊的问题。
发明内容
本发明的目的是：提供一种AGV车轮打滑故障诊断方法、AGV车轮打滑故障诊断装置及计算机可读存储介质，本发明通过优化后训练获得的BP神经网络，不但能够改善收敛到局部最小值及收敛速度慢的问题，而且能够改善漏诊及误诊的问题。
为了实现上述目的，本发明实施例提供了一种AGV车轮打滑故障诊断方法，至少包括如下步骤：
获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程；
根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征；
将所述故障特征输入至预设的BP神经网络，获得任一故障对应的诊断概率；
根据预设的诊断规则以及所述诊断概率，获得AGV车轮打滑的故障诊断结果。
进一步地，所述获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程，具体为：
根据所述速度以及所述偏航率，建立AGV运动模型，所述AGV的运动模型方程如下：
Figure BDA0002604455270000021
其中，θ为AGV中轴线与x轴的夹角，
Figure BDA0002604455270000022
为AGV偏航率，vL和vR分别为左、右两轮速度，L为左、右驱动轮之间的距离，V为AGV速度；
根据所述AGV运动模型，建立AGV的状态方程，所述AGV的状态方程如下：
Figure BDA0002604455270000023
其中，
Figure BDA0002604455270000024
为系统状态，
Figure BDA0002604455270000025
为系统观测，w(k)为过程噪声，v(k)为测量噪声。
进一步地，所述根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征，具体为：
根据所述AGV状态方程，建立卡尔曼滤波器，所述卡尔曼滤波器的迭代方程如下：
Figure BDA0002604455270000031
其中，A为系统状态矩阵，P为状态估计协方差矩阵，Kg为卡尔曼滤波器增益矩阵，Q为过程噪声协方差矩阵，R为测量噪声协方差矩阵，H为观测矩阵，I为单位矩阵；
根据所述卡尔曼滤波器，得到最优估计值
Figure BDA0002604455270000032
根据AGV的左右车轮编码器及陀螺仪，得到实际测量
Figure BDA0002604455270000033
根据所述实际测量值
Figure BDA0002604455270000034
和所述最优估计值
Figure BDA0002604455270000035
得到残差
Figure BDA0002604455270000036
根据所述残差，得到所述残差的马氏距离，并将所述马氏距离作为故障特征，所述残差的马氏距离计算方法如下：
D＝rTS-1r
其中，r为卡尔曼滤波器预测残差，S＝HPHT+R。
进一步地，所述的AGV车轮打滑故障诊断方法还包括：
根据混合粒子群算法优化BP神经网络的权值及阈值，获得优化后的BP神经网络，以获得预设的所述BP神经网络。
进一步地，所述根据混合粒子群算法优化BP神经网络的初始权值及阈值，获得优化后训练获得预设的所述BP神经网络；具体为：
S1、对BP神经网络的结构及参数进行初始化，随机生成参数粒子；
S2、通过所述BP神经网络计算所述参数粒子的适应度；
S3、根据所述适应度，更新个体及群体的最优粒子；
S4、根据更新后的最优粒子，对所述BP神经网络的参数粒子进行交叉处理；
S5、对交叉处理后的所述BP神经网络的参数粒子进行变异处理；
S6、判断所述BP神经网络的参数粒子是否达到迭代次数，若是，则输出当前所述BP神经网络的最优参数解，获得优化后的BP神经网络的初始权值及阈值；若否，则返回重复循环执行S2－S6。
进一步地，所述AGV车轮的故障状态包括正常状态、左侧车轮打滑状态、右侧车轮打滑状态及未知状态，根据所述优化后的BP神经网络，获得正常状态、左侧车轮打滑状态、右侧车轮打滑状态三种状态对应的故障概率；所述三种状态对应的故障概率的最大值为pi，所述预设的诊断规则包括第一子诊断规则和第二子诊断规则，其中，
所述第一子诊断规则为pi≥pthreshold1；
所述第二子诊断规则为pi-pj≠i≥pthreshold2,j＝1,2,3；
其中，阈值pthreshold1和pthreshold2的取值区间为[0，1]；
则所述根据预设的诊断规则以及所述故障概率，获得AGV车轮打滑故障的诊断结果，具体为：
依次将所述故障概率代入所述诊断规则，若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均成立，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj≥pthreshold1时，则所述诊断结果为pi和pj对应的故障状态同时发生；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj<pthreshold1时，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均不成立，则所述诊断结果为未知状态。
本发明实施例还提供一种AGV车轮打滑故障诊断装置，包括：
数据处理模块，用于获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程；
故障特征获取模块，用于根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征；
诊断概率获取模块，用于将所述故障特征输入至预设的BP神经网络，获得任一故障对应的诊断概率；
诊断结果获取模块，用于根据预设的诊断规则以及所述诊断概率，获得AGV车轮打滑故障的诊断结果。
进一步地，所述数据处理模块具体用于：
根据所述速度以及所述偏航率，建立AGV运动模型，所述AGV的运动模型方程如下：
Figure BDA0002604455270000051
其中，θ为AGV中轴线与x轴的夹角，
Figure BDA0002604455270000052
为AGV偏航率，vL和vR分别为左、右两轮速度，L为左、右驱动轮之间的距离，V为AGV速度；
根据所述AGV运动模型，建立AGV的状态方程，所述AGV的状态方程如下：
Figure BDA0002604455270000061
其中，
Figure BDA0002604455270000062
为系统状态，
Figure BDA0002604455270000063
为系统观测，w(k)为过程噪声，v(k)为测量噪声。
进一步地，所述故障特征获取模块具体用于：
根据所述AGV状态方程，建立卡尔曼滤波器，所述卡尔曼滤波器的迭代方程如下：
Figure BDA0002604455270000064
其中，A为系统状态矩阵，P为状态估计协方差矩阵，Kg为卡尔曼滤波器增益矩阵，Q为过程噪声协方差矩阵，R为测量噪声协方差矩阵，H为观测矩阵，I为单位矩阵；
根据所述卡尔曼滤波器，得到最优估计值
Figure BDA0002604455270000065
根据AGV的左右车轮编码器及陀螺仪，得到实际测量
Figure BDA0002604455270000066
根据所述实际测量值
Figure BDA0002604455270000067
和所述最优估计值
Figure BDA0002604455270000068
得到残差
Figure BDA0002604455270000069
根据所述残差，得到所述残差的马氏距离，并将所述马氏距离作为故障特征，所述残差的马氏距离计算方法如下：
D＝rTS-1r
其中，r为卡尔曼滤波器预测残差，S＝HPHT+R。
进一步地，所述诊断概率获取模块具体用于：
根据混合粒子群算法优化BP神经网络的初始权值及阈值，获得优化后训练获得预设的所述BP神经网络，具体为：
S1、对BP神经网络的结构及参数进行初始化，随机生成参数粒子；
S2、通过所述BP神经网络计算所述参数粒子的适应度；
S3、根据所述适应度，更新个体及群体的最优粒子；
S4、根据更新后的最优粒子，对所述BP神经网络的参数粒子进行交叉处理；
S5、对交叉处理后的所述BP神经网络的参数粒子进行变异处理；
S6、判断所述BP神经网络的参数粒子是否达到迭代次数，若是，则输出当前所述BP神经网络的最优参数解，获得优化后的BP神经网络的初始权值及阈值；若否，则返回重复循环执行S2－S6。
进一步地，所述诊断结果获取模块具体用于：
所述AGV车轮的故障状态包括正常状态、左侧车轮打滑状态、右侧车轮打滑状态及未知状态，根据所述优化后的BP神经网络，获得正常状态、左侧车轮打滑状态、右侧车轮打滑状态三种状态对应的故障概率；所述三种状态对应的故障概率的最大值为pi；所述预设的诊断规则包括第一子诊断规则和第二子诊断规则，其中，
所述第一子诊断规则为pi≥pthreshold1；
所述第二子诊断规则为pi-pj≠i≥pthreshold2,j＝1,2,3；
其中，阈值pthreshold1和pthreshold2的取值区间为[0，1]；
则所述根据预设的诊断规则以及所述故障概率，获得AGV车轮打滑故障的诊断结果，具体为：
依次将所述故障概率代入所述诊断规则，若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均成立，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj≥pthreshold1时，则所述诊断结果为pi和pj对应的故障状态同时发生；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj<pthreshold1时，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均不成立，则所述诊断结果为未知状态。
本发明实施例还提供一种计算机可读存储介质，包括：
所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一个实施例中的一种AGV车轮打滑故障诊断方法。
本发明实施例的一种AGV车轮打滑故障诊断方法、装置及存储介质与现有技术相比，其有益效果在于：
获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程；根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征；将所述故障特征输入至预设的BP神经网络，获得任一故障对应的诊断概率；根据预设的诊断规则以及所述诊断概率，获得AGV车轮打滑的故障诊断结果。本发明通过优化后训练获得的BP神经网络，不但能够改善收敛到局部最小值及收敛速度慢的问题，而且能够改善漏诊及误诊的问题。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的一种AGV车轮打滑故障诊断方法的流程示意图；
图2为本发明第一实施例提供的一种AGV车轮打滑故障诊断方法中AGV运动模型示意图；
图3为本发明第一实施例提供的一种AGV车轮打滑故障诊断方法中采用混合粒子群的BP神经网络参数优化流程示意图；
图4为本发明第二实施例提供的一种AGV车轮打滑故障诊断装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一实施例：
如图1所示，本发明实施例的一种AGV车轮打滑故障诊断方法，至少包括如下步骤：
S101、获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程；
S102、根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征；
S103、将所述故障特征输入至预设的BP神经网络，获得任一故障对应的诊断概率；
S104、根据预设的诊断规则以及所述诊断概率，获得AGV车轮打滑的故障诊断结果。
在本发明的某一实施例中，所述卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，卡尔曼滤波滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信、导航、制导与控制等多领域得到了较好的应用。
在本发明的某一实施例中，所述BP神经网络是一个多层前馈神经网络，具有强大的非线性映射能力和灵活的网络结构，通过误差反向传播算法进行训练。典型的BP神经网络共有三层，分别为输入层，隐藏层和输出层。利用梯度搜索理论，使神经网络输出与期望输出的误差趋近于最小值。前向传播，是数据从输入层经过隐藏层到输出层的过程。反向传播，是输出误差由输出层到输入层的逆向传播过程，依据此误差信号修正每个神经元的阈值和权值。这两个过程不断进行循环，直至网络达到预期的输出响应。
进一步地，对于步骤S101，所述获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程，具体为：
如图2所示，根据AGV的左右车轮编码器及陀螺仪，获得速度以及所述偏航率，根据所述速度以及所述偏航率，建立AGV运动模型，所述AGV的运动模型方程如下：
Figure BDA0002604455270000101
其中，θ为AGV中轴线与x轴的夹角，
Figure BDA0002604455270000102
为AGV偏航率，vL和vR分别为左、右两轮速度，L为左、右驱动轮之间的距离，V为AGV速度；
根据所述AGV运动模型，建立AGV的状态方程，所述AGV的状态方程如下：
Figure BDA0002604455270000111
其中，
Figure BDA0002604455270000112
为系统状态，
Figure BDA0002604455270000113
为系统观测，w(k)为过程噪声，v(k)为测量噪声。
进一步地，对于步骤S102，所述根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征，具体为：
根据所述AGV状态方程，建立卡尔曼滤波器，，所述卡尔曼滤波器的迭代方程如下：
Figure BDA0002604455270000114
其中，A为系统状态矩阵，P为状态估计协方差矩阵，Kg为卡尔曼滤波器增益矩阵，Q为过程噪声协方差矩阵，R为测量噪声协方差矩阵，H为观测矩阵，I为单位矩阵；
系统状态矩阵A和观测矩阵H需要根据所建立的故障模型来定义。对于AGV一侧轮胎打滑，可以认为在运动模型中对应侧的速度对于偏航率不起作用，即对应侧的速度为零；
根据所述卡尔曼滤波器，得到最优估计值
Figure BDA0002604455270000115
根据AGV的左右车轮编码器及陀螺仪，得到实际测量
Figure BDA0002604455270000116
根据所述实际测量值
Figure BDA0002604455270000121
和所述最优估计值
Figure BDA0002604455270000122
得到残差
Figure BDA0002604455270000123
根据所述残差，得到所述残差的马氏距离，并将所述马氏距离作为故障特征，所述残差的马氏距离计算方法如下：
D＝rTS-1r
其中，r为卡尔曼滤波器预测残差，S＝HPHT+R。
在本发明的某一实施例中，所述马氏距离是由印度统计学家马哈拉诺比斯提出的，表示点与一个分布之间的距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是，它考虑到各种特性之间的联系(例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的)，并且是尺度无关的，即独立于测量尺度。
进一步地，对于步骤S103，所述的AGV车轮打滑故障诊断方法还包括：
根据混合粒子群算法优化BP神经网络的初始权值及阈值，获得优化后训练获得预设的所述BP神经网络，具体为：
本发明实施例通过BP神经网络诊断得到各故障的发生概率。设计采用包含输入层、隐含层和输出层的三层网络结构，其中输入、输出层各包含3个神经元节点，隐含层包含7个神经元节点。为提高BP神经网络收敛速度，避免陷入局部最小值，采用标准粒子群与遗传算法相结合的混合粒子群算法对网络最优参数进行估计。混合算法摒弃了传统粒子群算法中通过跟踪极值来更新粒子位置的方法，引入遗传算法中的交叉和变异操作，通过粒子同个体极值和群体极值的交叉以及粒子自身的变异的方式搜索最优解，可以有效改善标准粒子群算法存在的局部最优解问题。算法具体设计如下：
(1)个体编码
粒子个体编码采用实数编码的方式，编码长度根据BP神经网络结构设置为52，初始时每个粒子随机生成。
(2)适应度函数
为使BP神经网络预测值与期望值的残差尽量小，选择样本预测值与期望值的欧氏距离之和作为适应度函数。
(3)交叉操作
个体通过和个体极值、群体极值交叉进行更新，这里极值即最优解。首先在个体长度范围内随机产生一个区间，个体将上述区间内的编码与极值对应区间内的编码执行交叉操作。对上述交叉操作得到的新个体采用优秀个体保留策略，即当新粒子的适应度优于旧粒子时才更新粒子个体。设第i个粒子个体为ai，极值粒子为ao，则两个粒子个体在第j位编码的交叉操作如下所示：
ai′j＝aij(1-b)+aojb
其中，ai′j为新个体第j位编码的值，b为[0，1]区间的随机数。
(4)变异操作
在粒子个体长度范围内随机生成4个位置，然后分别针对这4个位置执行变异操作。与交叉操作类似，在变异操作中仍然采用优秀个体保留策略。第i个粒子个体中第j位编码的具体变异操作如下所示：
Figure BDA0002604455270000131
其中，amax和amin分别为aij的取值上下界，g是当前迭代次数，G是最大迭代次数，k和r为[0，1]区间的随机数。
进一步地，如图3所示，对于步骤S103，所述根据混合粒子群算法优化BP神经网络的初始权值及阈值，获得优化后训练获得预设的所述BP神经网络，具体为：
S1、对BP神经网络的结构及参数进行初始化，随机生成参数粒子；
S2、通过所述BP神经网络计算所述参数粒子的适应度；
S3、根据所述适应度，更新个体及群体的最优粒子；
S4、根据更新后的最优粒子，对所述BP神经网络的参数粒子进行交叉处理；
S5、对交叉处理后的所述BP神经网络的参数粒子进行变异处理；
S6、判断所述BP神经网络的参数粒子是否达到迭代次数，若是，则输出当前所述BP神经网络的最优参数解，获得优化后的BP神经网络的初始权值及阈值；若否，则返回重复循环执行S2－S6。
进一步地，对于步骤S104，所述AGV车轮的故障状态包括正常状态、左侧车轮打滑状态、右侧车轮打滑状态及未知状态，根据所述优化后的BP神经网络，获得正常状态、左侧车轮打滑状态、右侧车轮打滑状态三种状态对应的故障概率；所述三种状态对应的故障概率的最大值为pi；所述预设的诊断规则包括第一子诊断规则和第二子诊断规则，其中，
所述第一子诊断规则为pi≥pthreshold1；
所述第二子诊断规则为pi-pj≠i≥pthreshold2,j＝1,2,3；
其中，阈值pthreshold1和pthreshold2的取值区间为[0，1]；
则所述根据预设的诊断规则以及所述故障概率，获得AGV车轮打滑故障的诊断结果，具体为：
依次将所述故障概率代入所述诊断规则，若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均成立，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj≥pthreshold1时，则所述诊断结果为pi和pj对应的故障状态同时发生；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj<pthreshold1时，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均不成立，则所述诊断结果为未知状态。
需要说明的是，对于上述诊断规则及方法，例如：假设通过优化后的BP神经网络得出正常状态、左侧车轮打滑状态、右侧车轮打滑状态的概率分别为0.8、0.5、0.1；pthreshold1的取值为0.6；pthreshold2取值为0.3；然后分别将上述三种故障状态的概率代入诊断规则，通过诊断规则计算得出该故障状态为正常状态。
本发明实施例提供的一种AGV车轮打滑故障诊断方法，所述方法包括：获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程；根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征；将所述故障特征输入至预设的BP神经网络，获得任一故障对应的诊断概率；根据预设的诊断规则以及所述诊断概率，获得AGV车轮打滑的故障诊断结果。本发明通过优化后训练获得的BP神经网络，不但能够改善收敛到局部最小值及收敛速度慢的问题，而且能够改善漏诊及误诊的问题。
本发明第二实施例：
如图4所示，本发明实施例的一种AGV车轮打滑故障诊断装置200，包括数据处理模块201、故障特征获取模块202、诊断概率获取模块203和诊断结果获取模块204。
数据处理模块201用于获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程；
故障特征获取模块202用于根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征；
诊断概率获取模块203用于将所述故障特征输入至预设的BP神经网络，获得任一故障对应的诊断概率；
诊断结果获取模块204用于根据预设的诊断规则以及所述诊断概率，获得AGV车轮打滑故障的诊断结果。
对于数据处理模块201，具体用于：根据所述速度以及所述偏航率，建立AGV运动模型，所述AGV的运动模型方程如下：
Figure BDA0002604455270000161
其中，θ为AGV中轴线与x轴的夹角，
Figure BDA0002604455270000162
为AGV偏航率，vL和vR分别为左、右两轮速度，L为左、右驱动轮之间的距离，V为AGV速度；
根据所述AGV运动模型，建立AGV的状态方程，所述AGV的状态方程如下：
Figure BDA0002604455270000163
其中，
Figure BDA0002604455270000164
为系统状态，
Figure BDA0002604455270000165
为系统观测，w(k)为过程噪声，v(k)为测量噪声。
对于故障特征获取模块202，具体用于：根据所述AGV状态方程，建立卡尔曼滤波器，所述卡尔曼滤波器的迭代方程如下：
Figure BDA0002604455270000166
其中，A为系统状态矩阵，P为状态估计协方差矩阵，Kg为卡尔曼滤波器增益矩阵，Q为过程噪声协方差矩阵，R为测量噪声协方差矩阵，H为观测矩阵，I为单位矩阵；
根据所述卡尔曼滤波器，得到最优估计值
Figure BDA0002604455270000171
根据AGV的左右车轮编码器及陀螺仪，得到实际测量
Figure BDA0002604455270000172
根据所述实际测量值
Figure BDA0002604455270000173
和所述最优估计值
Figure BDA0002604455270000174
得到残差
Figure BDA0002604455270000175
根据所述残差，得到所述残差的马氏距离，并将所述马氏距离作为故障特征，所述残差的马氏距离计算方法如下：
D＝rTS-1r
其中，r为卡尔曼滤波器预测残差，S＝HPHT+R。
对于诊断概率获取模块203，具体用于：根据混合粒子群算法优化BP神经网络的初始权值及阈值，获得优化后训练获得预设的所述BP神经网络，具体为：
S1、对BP神经网络的结构及参数进行初始化，随机生成参数粒子；
S2、通过所述BP神经网络计算所述参数粒子的适应度；
S3、根据所述适应度，更新个体及群体的最优粒子；
S4、根据更新后的最优粒子，对所述BP神经网络的参数粒子进行交叉处理；
S5、对交叉处理后的所述BP神经网络的参数粒子进行变异处理；
S6、判断所述BP神经网络的参数粒子是否达到迭代次数，若是，则输出当前所述BP神经网络的最优参数解，获得优化后的BP神经网络的初始权值及阈值；若否，则返回重复循环执行S2－S6。
诊断结果获取模块204具体用于：所述AGV车轮的故障状态包括正常状态、左侧车轮打滑状态、右侧车轮打滑状态及未知状态，根据所述优化后的BP神经网络，获得正常状态、左侧车轮打滑状态、右侧车轮打滑状态三种状态对应的故障概率；所述三种状态对应的故障概率的最大值为pi；所述预设的诊断规则包括第一子诊断规则和第二子诊断规则，其中，
所述第一子诊断规则为pi≥pthreshold1；
所述第二子诊断规则为pi-pj≠i≥pthreshold2,j＝1,2,3；
其中，阈值pthreshold1和pthreshold2的取值区间为[0，1]；
则所述根据预设的诊断规则以及所述故障概率，获得AGV车轮打滑故障的诊断结果，具体为：
依次将所述故障概率代入所述诊断规则，若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均成立，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj≥pthreshold1时，则所述诊断结果为pi和pj对应的故障状态同时发生；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj<pthreshold1时，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均不成立，则所述诊断结果为未知状态。
本发明实施例提供的一种AGV车轮打滑故障诊断装置200，所述装置200包括数据处理模块201、故障特征获取模块202、诊断概率获取模块203和诊断结果获取模块204。通过数据处理模块201对AGV小车左右驱动轮及陀螺仪的数据进行处理，再把处理的后的数据传送给故障特征获取模块202，故障特征获取模块202利用卡尔曼滤波器计算残差，然后计算残差对应的马氏距离，将所述马氏距离作为故障特征，将所述故障特征传输给诊断概率获取模块203，诊断概率获取模块203将故障特征输入到优化后的BP神经网络，得到任一故障对应的诊断概率，将所述诊断概率传输到诊断结果获取模块204，诊断结果获取模块204，根据预先设立的诊断规则，得到最终的诊断结果。本装置通过优化后训练获得的BP神经网络，不但能够改善收敛到局部最小值及收敛速度慢的问题，而且能够改善漏诊及误诊的问题。
本发明第三实施例：
本发明实施例的一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一个实施例中的一种AGV车轮打滑故障诊断方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

Claims (10)

1.一种AGV车轮打滑故障诊断方法，其特征在于，包括：
获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程；
根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征；
将所述故障特征输入至预设的BP神经网络，获得任一故障对应的诊断概率；
根据预设的诊断规则以及所述诊断概率，获得AGV车轮打滑的故障诊断结果。
2.根据权利要求1所述的AGV车轮打滑故障诊断方法，其特征在于，所述获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程，具体为：
根据所述速度以及所述偏航率，建立AGV运动模型，所述AGV的运动模型方程如下：
Figure FDA0002604455260000011
其中，θ为AGV中轴线与x轴的夹角，
Figure FDA0002604455260000012
为AGV偏航率，vL和vR分别为左、右两轮速度，L为左、右驱动轮之间的距离，V为AGV速度；
根据所述AGV运动模型，建立AGV的状态方程，所述AGV的状态方程如下：
Figure FDA0002604455260000021
其中，
Figure FDA0002604455260000022
为系统状态，
Figure FDA0002604455260000023
为系统观测，w(k)为过程噪声，v(k)为测量噪声。
3.根据权利要求1所述的AGV车轮打滑故障诊断方法，其特征在于，所述根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征，具体为：
根据所述AGV状态方程，建立卡尔曼滤波器，所述卡尔曼滤波器的迭代方程如下：
Figure FDA0002604455260000024
其中，A为系统状态矩阵，P为状态估计协方差矩阵，Kg为卡尔曼滤波器增益矩阵，Q为过程噪声协方差矩阵，R为测量噪声协方差矩阵，H为观测矩阵，I为单位矩阵；
根据所述卡尔曼滤波器，得到最优估计值
Figure FDA0002604455260000025
根据AGV的左右车轮编码器及陀螺仪，得到实际测量
Figure FDA0002604455260000026
根据所述实际测量值
Figure FDA0002604455260000027
和所述最优估计值
Figure FDA0002604455260000028
得到残差
Figure FDA0002604455260000029
根据所述残差，得到所述残差的马氏距离，并将所述马氏距离作为故障特征，所述残差的马氏距离计算方法如下：
D＝rTS-1r
其中，r为卡尔曼滤波器预测残差，S＝HPHT+R。
4.根据权利要求1所述的AGV车轮打滑故障诊断方法，其特征在于，所述方法还包括：
根据混合粒子群算法优化BP神经网络的初始权值及阈值，获得优化后训练获得预设的所述BP神经网络。
5.根据权利要求4所述的AGV车轮打滑故障诊断方法，其特征在于，所述根据混合粒子群算法优化BP神经网络的初始权值及阈值，获得优化后训练获得预设的所述BP神经网络，具体为：
S1、对BP神经网络的结构及参数进行初始化，随机生成参数粒子；
S2、通过所述BP神经网络计算所述参数粒子的适应度；
S3、根据所述适应度，更新个体及群体的最优粒子；
S4、根据更新后的最优粒子，对所述BP神经网络的参数粒子进行交叉处理；
S5、对交叉处理后的所述BP神经网络的参数粒子进行变异处理；
S6、判断所述BP神经网络的参数粒子是否达到迭代次数，若是，则输出当前所述BP神经网络的最优参数解，获得优化后的BP神经网络的初始权值及阈值；若否，则返回重复循环执行S2－S6。
6.根据权利要求1所述的AGV车轮打滑故障诊断方法，其特征在于，所述AGV车轮的故障状态包括正常状态、左侧车轮打滑状态、右侧车轮打滑状态及未知状态，根据所述优化后的BP神经网络，获得正常状态、左侧车轮打滑状态、右侧车轮打滑状态三种状态对应的故障概率；所述三种状态对应的故障概率的最大值为pi；所述预设的诊断规则包括第一子诊断规则和第二子诊断规则，其中，
所述第一子诊断规则为pi≥pthreshold1；
所述第二子诊断规则为pi-pj≠i≥pthreshold2,j＝1,2,3；
其中，阈值pthreshold1和pthreshold2的取值区间为[0，1]；
则所述根据预设的诊断规则以及所述故障概率，获得AGV车轮打滑故障的诊断结果，具体为：
依次将所述故障概率代入所述诊断规则，若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均成立，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj≥pthreshold1时，则所述诊断结果为pi和pj对应的故障状态同时发生；
若所述故障概率对所述第一子诊断规则成立，所述第二子诊断规则不成立，且当pj<pthreshold1时，则所述诊断结果为pi对应的故障状态；
若所述故障概率对所述第一子诊断规则和所述第二子诊断规则均不成立，则所述诊断结果为未知状态。
7.一种AGV车轮打滑故障诊断装置，其特征在于，包括：
数据处理模块，用于获取轮式AGV左右两侧驱动轮的速度及偏航率，并根据所述速度以及所述偏航率，建立AGV状态方程；
故障特征获取模块，用于根据所述AGV状态方程以及卡尔曼滤波器计算残差，并根据所述残差计算马氏距离，所述马氏距离用于作为故障特征；
诊断概率获取模块，用于将所述故障特征输入至预设的BP神经网络，获得任一故障对应的诊断概率；
诊断结果获取模块，用于根据预设的诊断规则以及所述诊断概率，获得AGV车轮打滑故障的诊断结果。
8.根据权利要求7所述的AGV车轮打滑故障诊断装置，其特征在于，所述数据处理模块具体用于：
根据所述速度以及所述偏航率，建立AGV运动模型，所述AGV的运动模型方程如下：
Figure FDA0002604455260000051
其中，θ为AGV中轴线与x轴的夹角，
Figure FDA0002604455260000052
为AGV偏航率，vL和vR分别为左、右两轮速度，L为左、右驱动轮之间的距离，V为AGV速度；
根据所述AGV运动模型，建立AGV的状态方程，所述AGV的状态方程如下：
Figure FDA0002604455260000053
其中，
Figure FDA0002604455260000054
为系统状态，
Figure FDA0002604455260000055
为系统观测，w(k)为过程噪声，v(k)为测量噪声。
9.根据权利要求7所述的AGV车轮打滑故障诊断装置，其特征在于，所述故障特征获取模块具体用于：
根据所述AGV状态方程，建立卡尔曼滤波器，所述卡尔曼滤波器的迭代方程如下：
Figure FDA0002604455260000061
其中，A为系统状态矩阵，P为状态估计协方差矩阵，Kg为卡尔曼滤波器增益矩阵，Q为过程噪声协方差矩阵，R为测量噪声协方差矩阵，H为观测矩阵，I为单位矩阵；
根据所述卡尔曼滤波器，得到最优估计值
Figure FDA0002604455260000062
根据AGV的左右车轮编码器及陀螺仪，得到实际测量
Figure FDA0002604455260000063
根据所述实际测量值
Figure FDA0002604455260000064
和所述最优估计值
Figure FDA0002604455260000065
得到残差
Figure FDA0002604455260000066
根据所述残差，得到所述残差的马氏距离，并将所述马氏距离作为故障特征，所述残差的马氏距离计算方法如下：
D＝rTS-1r
其中，r为卡尔曼滤波器预测残差，S＝HPHT+R。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任一项所述的一种AGV车轮打滑故障诊断方法。
CN202010735395.5A 2020-07-27 2020-07-27 一种agv车轮打滑故障诊断方法、装置及存储介质 Active CN111897311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010735395.5A CN111897311B (zh) 2020-07-27 2020-07-27 一种agv车轮打滑故障诊断方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010735395.5A CN111897311B (zh) 2020-07-27 2020-07-27 一种agv车轮打滑故障诊断方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111897311A true CN111897311A (zh) 2020-11-06
CN111897311B CN111897311B (zh) 2022-04-22

Family

ID=73189328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010735395.5A Active CN111897311B (zh) 2020-07-27 2020-07-27 一种agv车轮打滑故障诊断方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111897311B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105911518A (zh) * 2016-03-31 2016-08-31 山东大学 机器人定位方法
CN106679672A (zh) * 2017-01-15 2017-05-17 吉林大学 一种基于dbn和卡尔曼滤波算法的agv定位算法
WO2017155641A2 (en) * 2016-02-04 2017-09-14 Proxy Technologies, Inc. Unmanned vehicle, system and methods for collision avoidance between unmanned vehicle
CN109583092A (zh) * 2018-11-30 2019-04-05 中南大学 一种多层次多模式特征提取的智能机械系统故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017155641A2 (en) * 2016-02-04 2017-09-14 Proxy Technologies, Inc. Unmanned vehicle, system and methods for collision avoidance between unmanned vehicle
CN105911518A (zh) * 2016-03-31 2016-08-31 山东大学 机器人定位方法
CN106679672A (zh) * 2017-01-15 2017-05-17 吉林大学 一种基于dbn和卡尔曼滤波算法的agv定位算法
CN109583092A (zh) * 2018-11-30 2019-04-05 中南大学 一种多层次多模式特征提取的智能机械系统故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
柳玉甜: "未知环境中移动机器人故障诊断技术的研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN111897311B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
Ayawli et al. Mobile robot path planning in dynamic environment using Voronoi diagram and computation geometry technique
CN110110419B (zh) 一种基于多目标学习的tbm掘进参数预测方法
CN111488946B (zh) 基于信息融合的雷达伺服系统故障诊断方法
CN110928189A (zh) 一种基于强化学习和李雅普诺夫函数的鲁棒控制方法
CN108122048B (zh) 一种运输路径调度方法及其系统
CN108320051B (zh) 一种基于gru网络模型的移动机器人动态避碰规划方法
CN111552183A (zh) 一种基于自适应权重强化学习的六足机器人避障方法
CN116540731A (zh) 融合堆叠lstm与sac算法的路径规划方法及系统
CN111897311B (zh) 一种agv车轮打滑故障诊断方法、装置及存储介质
JPH11510936A (ja) コンピュータによるファジィルールの最適化方法
Fang et al. Two-stream fused fuzzy deep neural network for multiagent learning
CN116503029B (zh) 用于自动驾驶的模块数据协同处理方法及系统
CN105976029A (zh) 一种布谷鸟行为rna-ga的桥式吊车神经网络建模方法
CN113033902A (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN110779526B (zh) 一种路径规划方法、装置及存储介质
CN115009291B (zh) 基于网络演化重放缓冲区的自动驾驶辅助决策方法及系统
Chin et al. A neuro-based network for on-line topological map building and dynamic path planning
CN116304969A (zh) 基于lstm-gnn考虑道路信息的车辆轨迹多模态预测方法
Chin et al. Multi-channel Bayesian adaptive resonance associative memory for environment learning and topological map building
CN114905505B (zh) 一种移动机器人的导航控制方法、系统及存储介质
CN113093730B (zh) 一种基于状态策略知识库指导的智能体自主避障方法
CN118067147A (zh) 基于d2bc-td3的机器人导航方法及系统
CN113033893B (zh) 自动化集装箱码头自动导引车行车时间预测方法
CN116627147A (zh) 输水隧洞巡检auv运动规划方法
Xie et al. Dropout Strategy in Reinforcement Learning: Limiting the Surrogate Objective Variance in Policy Optimization Methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant