本發(fā)明涉及機器人技術和故障診斷，尤其涉及一種基于多傳感器融合的巡檢機器人故障診斷方法及系統(tǒng)。

背景技術：

1、隨著機器人技術的飛速發(fā)展，巡檢機器人在工業(yè)生產(chǎn)、服務行業(yè)等領域的應用越來越廣泛，雙臂機器人便是其中廣泛運用的一種新型的巡檢機器人。在巡檢機器人的故障診斷方法中，協(xié)同故障診斷方法一直是研究的重點和難點。傳統(tǒng)的巡檢機器人協(xié)同故障診斷方法主要依賴于精確的模型和算法，然而在實際應用中，由于各種因素的影響，如機器人的負載變化、外界干擾等，使得傳統(tǒng)的故障診斷方法難以滿足高精度、高效率的要求，容易出現(xiàn)故障。

2、傳統(tǒng)的巡檢機器人協(xié)同故障診斷方法存在以下幾個方面的不足：首先，傳統(tǒng)的故障診斷方法往往需要精確的模型和算法，然而在實際應用中，由于各種因素的影響，如機器人的負載變化、外界干擾等，使得傳統(tǒng)的故障診斷方法難以滿足高精度、高效率的要求；其次，傳統(tǒng)的故障診斷方法往往忽略了巡檢機器人之間的協(xié)同作用，導致巡檢機器人的運動不協(xié)調(diào)，從而影響了機器人的性能；再次，傳統(tǒng)的故障診斷方法往往需要大量的計算，導致實時性較差，難以滿足實際應用的需求。

3、為了解決上述問題，近年來，多傳感器融合故障診斷方法逐漸成為了研究的熱點。多傳感器融合故障診斷方法通過引入預測模型和自適應算法，能夠有效地克服傳統(tǒng)故障診斷方法在模型不確定性和外界干擾等方面的不足，從而提高了巡檢機器人的控制精度和效率。此外，多傳感器融合故障診斷方法還能夠考慮巡檢機器人之間的協(xié)同作用，使得巡檢機器人的運動更加協(xié)調(diào)，從而提高了機器人的性能。

4、然而，現(xiàn)有的多傳感器融合故障診斷方法仍然存在一些問題，如計算復雜度高、實時性較差等。針對這些問題，本發(fā)明提出了一種基于多傳感器融合的巡檢機器人故障診斷方法及系統(tǒng)，能夠在保證控制精度和效率的同時，降低計算復雜度，提高實時性。

技術實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于多傳感器融合的巡檢機器人故障診斷方法，通過多傳感器融合技術，提高巡檢機器人協(xié)同控制的精確性、靈活性和穩(wěn)定性，解決多變環(huán)境下的協(xié)同作業(yè)問題，提升作業(yè)效率和安全性。

3、為解決上述技術問題，本發(fā)明提供如下技術方案，一種基于多傳感器融合的巡檢機器人故障診斷方法，包括：收集巡檢機器人的運動數(shù)據(jù)和外部環(huán)境信息；建立巡檢機器人的預測模型，并根據(jù)預測模型生成預測控制信號；根據(jù)預測控制信號和實際控制信號之間的誤差，通過自適應算法調(diào)整巡檢機器人的控制參數(shù)；根據(jù)調(diào)整后的控制參數(shù)，生成巡檢機器人的協(xié)同控制信號；將協(xié)同控制信號發(fā)送給巡檢機器人的執(zhí)行機構，實現(xiàn)巡檢機器人的協(xié)同運動。

4、作為本發(fā)明所述的一種基于多傳感器融合的巡檢機器人故障診斷方法的一種優(yōu)選方案，其中：所述收集運動數(shù)據(jù)和外部環(huán)境信息包括，使用傳感器和監(jiān)測設備收集巡檢機器人的運動數(shù)據(jù)，運動數(shù)據(jù)包含位置、速度和加速度，使用力傳感器來測量關節(jié)處的力矩和力，以及末端執(zhí)行器的作用力；同時收集外部環(huán)境信息，捕捉周圍環(huán)境的三維結構，獲取與物體接觸的壓力和形狀信息，監(jiān)測環(huán)境溫度和濕度；

5、在巡檢機器人的關節(jié)和末端執(zhí)行器上安裝適當?shù)膫鞲衅?，并將這些傳感器與控制單元連接；通過無線方式實時傳輸傳感器數(shù)據(jù)到控制單元，在控制單元中對收集到的數(shù)據(jù)進行處理。

6、作為本發(fā)明所述的一種基于多傳感器融合的巡檢機器人故障診斷方法的一種優(yōu)選方案，其中：所述建立巡檢機器人的預測模型包括，選擇初始參數(shù)，從巡檢機器人的運動中收集數(shù)據(jù)；

7、數(shù)據(jù)包含運動軌跡、力、力矩、外部環(huán)境信息，根據(jù)收集到的數(shù)據(jù)構建目標函數(shù)j(θ)：

8、

9、gk(θ)≤0,k＝1,2,…,k

10、其中，yi表示實際觀測到的輸出值，表示預測輸出值，λ正則化參數(shù)，μj(θ,t)為動態(tài)特性函數(shù)，δt表示預測時間范圍，m表示動態(tài)特性函數(shù)的數(shù)量，n表示數(shù)據(jù)點的數(shù)量，gk(θ)表示不等式約束條件，k表示不等式約束條件的數(shù)量；

11、確保機器人在運動中不違反物理學定律，力的大小不超過執(zhí)行器的最大承受力，關節(jié)角度不超過活動范圍，設定動力學約束：

12、g1(θ)＝min(fmax-f(θ),0)≤0

13、g2(θ)＝min(τmax-τ(θ),0)≤0

14、g3(θ)＝min(γmax-γ(θ),0)≤0

15、其中，f(θ)是由模型參數(shù)θ計算出的力，fmax是最大允許力，τ(θ)是由模型參數(shù)θ計算出的力矩，τmax是最大允許力矩，γ(θ)是由模型參數(shù)θ計算出的關節(jié)角度，γmax是最大允許關節(jié)角度；

16、確保機器人的運動軌跡不發(fā)生自碰撞以及不進入工作空間之外的區(qū)域，設定運動學約束：

17、g4(θ)＝min(dself(θ),0)≤0

18、g5(θ)＝min(dws(θ),0)≤0

19、其中，dself(θ)表示自碰撞檢測，dws(θ)表示工作空間界限檢測；

20、確保機器人在執(zhí)行任務時的性能指標，滿足特定要求，設定性能約束：

21、g6(θ)＝t(θ)-tmax≤0

22、g7(θ)＝e(θ)-emax≤0

23、其中，t(θ)表示完成任務所需的時間，tmax表示最大允許時間，e(θ)表示完成任務所需的能耗，emax表示最大允許能耗；

24、確保機器人的運動平滑，避免突然的加速或減速，設定平滑性能約束：

25、

26、其中，σ2表示平滑性指標的上限；

27、確保巡檢機器人的兩個手臂在運動中保持協(xié)同，避免發(fā)生沖突或不協(xié)調(diào)的動作，設定協(xié)同約束：

28、

29、其中，yleft和yright分別表示左右手臂的預測輸出，δ2表示協(xié)同性指標的上限。

30、作為本發(fā)明所述的一種基于多傳感器融合的巡檢機器人故障診斷方法的一種優(yōu)選方案，其中：所述生成預測控制信號包括，通過預測模型對巡檢機器人在未來一段時間內(nèi)的狀態(tài)進行預測；

31、根據(jù)預測的未來狀態(tài)，計算達到期望目標狀態(tài)所需的控制信號，控制信號包括關節(jié)力矩、關節(jié)角度目標及末端執(zhí)行器的位姿目標：

32、upred(t)＝c(xpred(t),xdes(t))

33、其中，upred(t)表示在時間t生成的預測控制信號，c是控制策略函數(shù)，根據(jù)預測狀態(tài)和期望狀態(tài)計算控制信號，xpred(t)表示在時間t預測的機器人狀態(tài)，xdes(t)表示在時間t期望的機器人狀態(tài)；

34、將預測控制信號發(fā)送到機器人的控制系統(tǒng)，同時，控制系統(tǒng)根據(jù)當前的傳感器數(shù)據(jù)生成實際控制信號，實際控制信號驅(qū)動電機和執(zhí)行器，使機器人的實際狀態(tài)達到預測狀態(tài)：

35、uact(t)＝k(t)·(xdes(t)-xact(t))+upred(t)

36、k(t)＝p(t)ct(xdes(t))c(x(t))

37、其中，uact(t)表示在時間t實際應用的控制信號，xact(t)表示在時間t實際應用的狀態(tài)，k(t)表示反饋增益矩陣，p(t)表示預測誤差協(xié)方差矩陣，c(xdes(t))表示期望狀態(tài)的轉換矩陣，c(x(t))表示實際狀態(tài)的轉換矩陣。

38、作為本發(fā)明所述的一種基于多傳感器融合的巡檢機器人故障診斷方法的一種優(yōu)選方案，其中：所述自適應算法調(diào)整控制參數(shù)包括，計算預測誤差；

39、e(t)＝x(t)-xpred(t)

40、其中，x(t)表示實際狀態(tài)；

41、設定動態(tài)變化的預測誤差閾值δe，用于判斷預測誤差是否在可接受范圍內(nèi)，當預測誤差e(t)超過動態(tài)閾值δe時，啟動預測誤差處理機制，設定動態(tài)變化的預測誤差協(xié)方差矩陣閾值，用于判斷預測誤差協(xié)方差矩陣是否穩(wěn)定；

42、計算預測誤差協(xié)方差矩陣：

43、p(t)＝cov(x(t),xpred(t))

44、設定動態(tài)變化的預測誤差協(xié)方差矩陣閾值δp，用于判斷預測誤差協(xié)方差矩陣是否穩(wěn)定，當預測誤差協(xié)方差矩陣p(t)的變化率超過動態(tài)閾值δp時，啟動預測誤差協(xié)方差矩陣處理機制，根據(jù)預測誤差處理模塊和預測誤差協(xié)方差矩陣處理模塊的結果，調(diào)整控制參數(shù)，調(diào)整控制參數(shù)的幅度和頻率與預測誤差和預測誤差協(xié)方差矩陣的處理結果成正比。

45、作為本發(fā)明所述的一種基于多傳感器融合的巡檢機器人故障診斷方法的一種優(yōu)選方案，其中：所述生成巡檢機器人的協(xié)同控制信號包括，用分布式計算技術，將控制任務分散到多個計算單元上，并通過網(wǎng)絡通信來協(xié)調(diào)全局控制策略；

46、將控制任務分解為多個子任務，每個子任務由一個計算單元負責，根據(jù)計算單元的計算能力和網(wǎng)絡延遲，合理分配子任務，每個計算單元根據(jù)子任務和局部傳感器數(shù)據(jù)生成局部控制信號；

47、通過網(wǎng)絡通信，確保所有計算單元具有相同的時間參考和狀態(tài)信息，計算單元之間通過網(wǎng)絡通信，交換控制信號，協(xié)調(diào)全局控制策略，每個計算單元將生成的局部控制信號與來自其他計算單元的控制信號進行融合，生成全局控制信號：

48、

49、其中，uglob表示全局控制信號，uloc表示局部控制信號，αi是第i個計算單元的權重，ti是第i個計算單元的采樣時間；

50、將全局控制信號發(fā)送給巡檢機器人的執(zhí)行機構，根據(jù)控制信號進行相應的運動，實現(xiàn)巡檢機器人的協(xié)同運動；通過傳感器收集巡檢機器人的實際運動數(shù)據(jù)，比較實際運動數(shù)據(jù)與期望運動數(shù)據(jù)，計算控制誤差，根據(jù)控制誤差調(diào)整控制策略，生成新的協(xié)同控制信號。

51、作為本發(fā)明所述的一種基于多傳感器融合的巡檢機器人故障診斷方法的一種優(yōu)選方案，其中：所述執(zhí)行協(xié)同控制信號包括，執(zhí)行機構接收到來自計算單元的控制信號，執(zhí)行機構中的控制單元負責解析信號，轉換為電機的驅(qū)動信號及執(zhí)行器的控制信號；

52、執(zhí)行機構中的控制單元根據(jù)解析后的控制信號，調(diào)整電機及執(zhí)行器的運動，電機控制單元將信號轉換為電機的電流或速度控制信號，精確控制每個關節(jié)的運動；執(zhí)行器控制單元將信號轉換為執(zhí)行器的力或位移控制信號，精確控制末端執(zhí)行器的操作；

53、巡檢機器人上的傳感器實時監(jiān)測機器人的運動狀態(tài)和外部環(huán)境信息，傳感器數(shù)據(jù)通過數(shù)據(jù)采集系統(tǒng)反饋給執(zhí)行機構的控制單元，控制單元根據(jù)反饋數(shù)據(jù)評估控制信號的效果，并用于調(diào)整未來的控制策略。

54、本發(fā)明的另一個目的是提供一種基于多傳感器融合的巡檢機器人協(xié)同控制系統(tǒng)，其能夠在保證控制精度和效率的同時，降低計算復雜度，提高實時性。

55、作為本發(fā)明所述的一種基于多傳感器融合的巡檢機器人協(xié)同控制系統(tǒng)的一種優(yōu)選方案，其中：包括數(shù)據(jù)采集模塊、預測模型模塊、控制策略模塊、執(zhí)行機構模塊、通信模塊、自適應算法模塊；

56、所述數(shù)據(jù)采集模塊，實時收集巡檢機器人的狀態(tài)數(shù)據(jù)和外部環(huán)境數(shù)據(jù)；

57、所述預測模型模塊，建立預測模型，預測模型根據(jù)當前狀態(tài)和外部環(huán)境信息，預測巡檢機器人的未來狀態(tài)；

58、所述控制策略模塊，定義控制策略，根據(jù)預測誤差和預測誤差的協(xié)方差矩陣，調(diào)整控制參數(shù)，生成巡檢機器人的協(xié)同控制信號；

59、所述執(zhí)行機構模塊，接收協(xié)同控制信號，調(diào)整巡檢機器人的關節(jié)角度、末端執(zhí)行器的位姿和力矩，實現(xiàn)巡檢機器人的協(xié)同運動；

60、所述通信模塊，實現(xiàn)計算單元之間的網(wǎng)絡通信，確保數(shù)據(jù)同步和控制信號的傳輸，協(xié)調(diào)全局控制策略；

61、所述自適應算法模塊，根據(jù)預測誤差和預測誤差的協(xié)方差矩陣，調(diào)整控制參數(shù)實現(xiàn)自適應控制。

62、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)一種基于多傳感器融合的巡檢機器人故障診斷方法的步驟。

63、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)一種基于多傳感器融合的巡檢機器人故障診斷方法的步驟。

64、本發(fā)明的有益效果：本方法通過引入預測模型和自適應算法，能夠有效地克服傳統(tǒng)故障診斷方法在模型不確定性和外界干擾等方面的不足，提高了巡檢機器人的控制精度和效率；考慮了巡檢機器人之間的協(xié)同作用，使得巡檢機器人的運動更加協(xié)調(diào)，提高了機器人的性能；通過優(yōu)化自適應算法和控制參數(shù)的調(diào)整策略，降低了計算復雜度，提高了實時性；本發(fā)明不僅適用于巡檢機器人，還可以擴展到多臂機器人或其他類型的機器人系統(tǒng)，具有廣泛的應用前景。