DS證據(jù)理論信息融合信息處理方法.ppt

《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(guān)《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(shù),1.DS信息融合的基本算法2.DS證據(jù)理論信息融合應(yīng)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(yīng)用于飛行容錯的控制矩陣偽逆重構(gòu)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(yīng)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(luò)故障診斷模型，并將其與水下機器人容錯控制律重構(gòu)相結(jié)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(luò)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(gòu)方法相結(jié)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(jié)構(gòu)布置，給出了水平面和垂直面容錯控制實驗和仿真結(jié)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(shè)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(guān)，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(shù)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(luò)CA-CMAC信息融合在線故障辨識模型，利用多維信息融合技術(shù)來提高故障辨識的精度，同時應(yīng)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(zhuǎn)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(cè)推：原處于機器人中間的側(cè)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(zhuǎn)狀態(tài)。圖3是對應(yīng)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(qū)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(nèi)部故障：主要指推進器內(nèi)部器件故障及控制器的連接出現(xiàn)故障。如：電機轉(zhuǎn)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(fù)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(shè)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(cè)）設(shè)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(shè)為“0”，而將完全失效故障的擁堵系數(shù)設(shè)為“1”。也有反過來設(shè)定的，這在本質(zhì)上沒有區(qū)別，主要是在容錯控制矩陣重構(gòu)時，要區(qū)別對待這兩種假設(shè)。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(shè)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(zhuǎn)動力矩，故障越大，推力損失越大，其轉(zhuǎn)動力矩越大，機器人轉(zhuǎn)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(zhuǎn)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(zhuǎn)速或輸入控制信號，由于OUTLAND1000的推進器反饋轉(zhuǎn)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(yīng)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(cè)推移位的推進器）、正常后置推進器一起，計算轉(zhuǎn)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(jié)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(luò)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(jié)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(zhuǎn)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(zhuǎn)向變化率；通過人為設(shè)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(luò)，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(yīng)用實際測試的擁堵數(shù)據(jù)對訓練的CA-CMAC神經(jīng)網(wǎng)絡(luò)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(luò)故障辨識結(jié)果，SOM神經(jīng)網(wǎng)絡(luò)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(jié)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(luò)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(jié)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(jié)果為0.9左右，接近實際故障大小s=1，而SOM診斷結(jié)果只能為“嚴重擁堵4”故障模式s=0.75，兩者的診斷結(jié)果差距就更大了?？梢姳疚脑O(shè)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(wù)。,