灰色关联理论下的移动机器人故障诊断方法研究

来源:用户上传      作者:

　　摘  要： 随着计算机理论、电子信息技术、自动控制理论、机械自动化等学科的发展和新型材料的应用，移动机器人技术突飞猛进，对移动机器人进行故障诊断具有重要意义。首先，通过拆解移动机器人的硬件，了解移动机器人各个模块的工作原理并分析其可能出现的故障;接着，对故障状态下的数据和正常运行状态下的数据进行分析比较，利用灰色关联理论诊断故障;最后，利用Matlab仿真对故障诊断方法进行验证。仿真实验和实物试验证明，该方法具有良好的效果。
　　关键词： 故障诊断; 移动机器人; 灰色关联理论; 数据分析; Matlab仿真; 测试分析
　　中图分类号： TN820.4?34; TP305                 文献标识码： A                      文章编号： 1004?373X（2020）12?0165?05
　　Abstract： With the development of computer theory， electronic information technology， automatic control theory and mechanical automation and the application of the new materials， mobile robot technology is advancing by leaps and bounds， which has great significant to the fault diagnosis of mobile robot. The working principle of each module of the mobile robot is understood and the possible faults are analyzed by disassembling the hardware of the mobile robot. The data in the fault state and the data in the normal running state are analyzed and compared， and the faults are diagnosed by means of the grey correlation theory. The fault diagnosis method is verified with Matlab simulation. The simulation experiments and physical test show that the method has a certain effect.
　　Keywords： fault diagnosis; mobile robot; grey relational theory; data analysis; Matlab simulation; testing analysis
　　0  引  言
　　随着计算机理论、电子信息技术、自动控制理论、机械自动化等学科的发展和新型材料的应用，移动机器人技术突飞猛进。但是移动机器人如果在带故障状态下运行，一方面会使移动机器人的寿命缩短，另一方面还可能带来灾难性的后果。尤其是在面对未知的、复杂的和多变的实际环境时，移动机器人避免不了会出现故障。因此，对于移动机器人进行故障诊断具有重要意义。在机器人故障诊断技术中，王秀青等提出基于多传感器信息融合的机器人故障诊断法，利用多传感器信息融合方法中的融合向量属性数量的选择来进行分析，很好解决机器人在生产线上发生碰撞干扰的问题，但是前提是需要足够的传感器来进行配合使用，信息处理量巨大，需要大量的样本来训练机器人，且诊断的对象为工业机器人这样活动范围有限的机器人，对于活动范围更广的移动机器人不能做到很好的故障优化处理[1]。袁宪锋等针对轮式机器人建立了多PCA模型及SVM?DS融合决策机器人故障诊断方法[2]。使用PCA来进行正常转态下的故障诊断，随后基于混淆矩阵来定义SVM的全局和局部可信度，融合DS理論来进行结合诊断，进一步降低了机器人行驶中的故障率。但是，这一理论却无法排除机器人由自身系统和硬件故障引起的问题，无法追踪行驶过程中由于机器人内部电路故障所引起的行驶轨道偏离问题，且诊断方法过分依赖于硬件的配合，特殊性较强，通用性较弱。这里在之前的研究基础上，引用了相关领域的分析方法，对未知环境下的移动机器人故障诊断进行了深入的研究，归纳出了基于移动机器人的故障树;并利用灰色关联理论对移动机器人进行故障诊断。仿真实验和实物试验证明该方法具有良好的效果[3]。
　　1  移动机器人硬件介绍
　　实验选用的移动机器人为上海合时智能科技有限公司设计制造的uAgent?ERS3机器人，其电源模块采用1.2 V电压的镍氢电池，容量为2 000 mA·h，通过串联10节电池来组成12 V稳压电源。稳压器采用LM2576?12来保证电压输出的稳定性。
　　移动机器人运动模块采用的核心芯片是L298N微控制器，其基于一个16 bit/32 bit ARM7TDMI?S CPU，使用PWM调制来控制电机转速。LPC23/68是多用途的串行通信应用的理想选择，具有一个10/100M以太网媒体访问控制器（MAC），USB全速设备，端点RAM大小为4 KB，4个UART，两个CAN通道，一个SPI接口，2个同步串行端口（SSP），3个I2C接口和一个I2S接口。这种混合的串行通信接口，一个芯片上的4 MHz内部振荡器，SRAM高达32 KB，16 KB SRAM用于以太网，USB和8 KB的SRAM一般用途是，与2 KB电池供电的SRAM一起，使这些设备非常适合于通信网关、协议转换器。多个32位定时器提高10位ADC、10位DAC、PWM单元、控制单元和多达70个快速GPIO线路12个边沿或电平触发的外部中断引脚，特别适用于工业控制和医疗系统。移动机器人的传感器模块分别为：霍尔转速传感器来作为控制系统中的转速检测;红外传感器SHARP 2Y0A21作为测距单元，测量距离为10～80 cm;ZCC212N?TTL电子罗盘作为转角测量单元;ZF02作为无线通信单元，最大发射功率为10 mW。 　　2  移动机器人故障树归纳
　　经过对两台相同型号移动机器人的大量试验，归纳出故障树如图1所示。
　　3  基于灰色關联的移动机器人故障诊断
　　3.1  诊断思路
　　两辆移动机器人中，一辆运行正常，直线运行数十米，反馈的数据无误，左右轮的转速相等;另一辆在相同程序、相同路面情况下，运动数秒后出现了明显的旋转，所反馈的数据与理想数据有很大的偏差，左右轮转速不等，导致移动机器人朝着一个方向偏转。经过反复多次的数据测量，并不断改变PWM脉宽调制的数值，确定该辆小车发生了故障。通过反馈数据处理和硬件测试两种方法确定了小车的故障类型[4]。
　　硬件方面：首先，由于移动机器人是通过供电模块供电的，考虑到其采用两种不同电源供电，可能存在电源老化或电池没有充满的情况。拆开供电模块发现，采用同一个锂电池供电，并且充满电时，电压满值为12.2 V，与理想数值吻合;在运动模块的输入端，输入电压并没有发生太大的电压偏差，都是以12 V电压输入。
　　接着，考虑电动机旋转问题或者齿轮比问题。由于电机旋转出错使得机器人的一个轮子旋转速度较快，一个轮子较慢。互换左右两个电机并保持原程序不变，获得的数据仍然保持原有情况，故障没有排除。由此确定不是电机旋转问题。
　　最后，考虑运动模块故障。由于运动模块过于庞大，元器件之间已经进行了焊接，无法获取各个电阻、电容、电感的准确数值，只能通过输入数值和输出数值判断故障原因。在输入中通过万用表检查获取主要芯片的输入，观察两组PWM的输入是否同步，电压是否一致，结果是否一致。之后通过连接电机的5根数据线来推测输出的PWM是否符合设计要求。由于是PWM的方波输出，需采用示波器进行测量。同时通过万用表蜂鸣档获取电动机正负极与PWM的5根输出线中的哪两根相连接。结果表示：1，2号为霍尔编码器的电压输入，为5 V电压;3，4号为PWM的输出波形线;而第5根线为霍尔编码器的回馈型号，与2号线共地。同时，测量时需要注意带上负载才有输出波形。
　　左右PWM输入值如图2～图5所示。
　　众所周知，脉宽调制是指用改变电机电枢电压接通与断开时间的占空比来控制电机转速的方法。当然改变占空比有很多方法，但是最重要的还是改变电压的平均值。以上读取到的图都有可能是正确的。一般而言，采用第一种方法有上升也有下降，即导通后关断由反向电压阻拦;第二种方法是导通后直接关断，这就导致了第二种的平均电压比第一种的平均电压略高，也就意味着电机转速更加快速，这才导致了左右轮的不平衡。最终通过检测正常运行的移动机器人的运动波形，得出图4为故障状态。主要故障情况经过多方检测和判断，认为是由于二极管的反向导通故障导致左右两轮产生了不同的波形[5]。
　　3.2  灰色关联理论简介
　　灰色理论是由著名学者邓聚龙教授首创的一种系统科学理论（Grey Theory），其中的灰色关联分析（Grey Relational Analysis，GRA）是灰色理论的一个重要组成部分，可以总结数据内部的规律，根据各因素变化曲线几何形状的相似程度，来判断因素之间关联程度的方法[6]。数据之间的关联程度大小可以通过分析序列曲线来得出，几何形状越接近，关联程度就越大。
　　灰色关联分析可以将物理原型不清晰或者运行机制模糊的模型进行序列化，随后建立灰色关联分析模型，是将复杂模糊的物理模型进行量化、序列化的一种很有效的数据分析方法。在数据的量化、序列化中各因素间关联度的具体数值并没有太大的实际意义，仅仅代表了元素之间的关联程度，而这些数据按照关联度的大小排列出来就构成了灰色关联序列，通过分析关联序列就可以直观地分析出同一参照序列之间的关联度大小[7]。
　　3.3  灰色关联分析步骤
　　灰色关联分析使用量化方法来获得灰色关联度，也通过这种方式来分析系统变量之间的关联程度大小，在灰色关联分析程序中，首先需要确定数列和参考数列。
　　3.4  诊断流程
　　具体的诊断流程如下：首先将故障机器人的当前左右两轮的转速以2N的矩阵进行输入，机器人在运行行走的过程中不断采集数据，将采集到的数据转化为无量纲，继而获得各种故障情况下机器人反馈回来的数据。再将机器人故障状态下反馈回的数据与参考数组的数据进行处理，得到两者的绝对差值，从中选取差值的最小值和最大值。在上述的邓氏关联公式中，设置分辨系数为0.5，从而可以实时得到各个时间点之间的关联系数。最后比较采取到的各个时间点之间的关联系数，获得最大的关联状态，从而判断出机器人当前的实时状态。机器人故障诊断流程图如图6所示。
　　4  故障诊断实验数据及结果
　　不走直线时的一种标准故障状态数据如表1所示。
　　走直线时的正常数据及测试数据如表2、表3所示。
　　由表3的测试数据可知，左右两轮的数据是非线性的，与正常直线运动时的状态有很大的区别。因此，需要判断机器人的故障状态。通过采集到的数据，使用Matlab编程实验灰色关联性判断。程序中的数据经过滤波化处理以后，数据更加趋于平缓，左右轮的差值更为明显，可以看出，左右轮保持一个几乎恒定的差值，如图7所示。
　　由此可得结论，测试状态与故障状态的关联度为0.72，与正常状态的关联度为0.48。因此，可得结论，此时移动机器人运动于故障状态，且故障类型相似于表1给出的一类标准故障状态。该故障是由于二极管的反向导通引起左右两轮运动不同步造成的。
　　5  结  论
　　在国内外学者对移动机器人故障诊断研究的基础上，结合故障树的基本概念，采用相关领域的基本知识，通过灰色关联理论对于不同状态下移动机器人故障诊断、故障定位、故障可能性、故障的表现形式等进行了深入研究。主要研究内容有拆卸移动机器人的硬件，分析移动机器人的主要硬件结构和工作原理。通过分析模块之间的关联，罗列了所有硬件可能发生的故障，列举了移动机器人的不同运动状态的故障树，对于不同状态的运行情况进行了说明。通过设计试验，归纳出移动机器人不走直线的故障原因及故障定位，画出移动机器人不走直线的故障树。深入研究灰色理论的基本原理，以及使用灰色关联理论对移动机器人故障状态和正常状态下的数据进行了比较和计算，发现该理论在识别具有时间序列的非线性数据的特别有效，并且通过比对不同的关联性能够凸显出故障数据和正常运行下数据的不同之处。实践证明，该方法在识别具有时间序列的非线性数据时效果良好。因此，灰色关联理论可以成功应用于移动机器人故障诊断领域。可以预见，随着机器人技术、计算机技术、控制理论、机械工程、电子技术等技术的发展，该理论也可以应用于机械臂的故障诊断，并进一步应用于未知环境下移动机械手的故障诊断和容错控制中，具有很强的适应性与良好的移植性。 　　参考文献
　　[1] 王秀青，侯增广，曾慧，等.基于多传感器信息融合的機器人故障诊断[J].上海交通大学学报，2015，49（6）：793?798.
　　[2] 袁宪锋，宋沐民，周风余，等.多PCA模型及SVM?DS融合决策的服务机器人故障诊断[J].振动、测试与诊断，2015，35（3）：434?440.
　　[3] BIAN X Q， CHEN T， YAN Z P， et al. Fault diagnosis based on grey dynamic prediction for AUV sensor [C]// 2009 IEEE International Conference on Industrial Technology. Gippsland： IEEE， 2009： 934?939.
　　[4] MONTERIU A， ASTHANA P， VALAVANIS K P， et al. Real?time model?based fault detection and isolation for UGVs [J]. Journal of intelligent & robotic systems， 2009， 56（4）： 425?439.
　　[5] AZZEH M， NEAGU D， COWLING P I. Fuzzy grey relational analysis for software effort estimation [J]. Empirical software engineering， 2010， 15（1）： 60?90.
　　[6] HAMED A， ALINIER G， HASSAN I F. The ECMO specialist's role in troubleshooting ECMO emergencies [J]. Egyptian journal of critical care medicine， 2018， 6（3）： 91?93.
　　[7] HEATON R. Troubleshooting personnel′s satisfaction with software tools [J]. Acquisitions librarian， 2018， 30（3）： 119?130.
　　[8] FLORINE Hindelang， YVES Roggo， RAPHA?L Zurbach. Forensic investigation in the pharmaceutical industry： identification procedure of visible particles in （drug） solutions and different containers by combining vibrational and X?ray spectroscopic techniques [J]. Journal of pharmaceutical and biomedical analysis， 2018（11）： 148?153.
　　[9] HEATON R. Tools for troubleshooting： which ones and what for [J]. Acquisitions librarian， 2018， 30（1）： 9?26.
　　[10] MORTIMORE J M， MINIHAN J M， KESSELMAN M. Essential audits for proactive electronic resources troubleshooting and support [J]. Library hi tech news， 2018， 35（1）： 1?17.
转载注明来源:https://www.xzbu.com/8/view-15248545.htm