第6讲生物启发神经网络模型及应用11[可修改版ppt]课件.ppt

1、第第6讲生物启发神经讲生物启发神经网络模型及应用网络模型及应用11l在多机器人系统中，经常碰到的问题是多个机器人在多机器人系统中，经常碰到的问题是多个机器人之间的协调与合作，如何合理的给机器人分配任务，之间的协调与合作，如何合理的给机器人分配任务，才能在完成任务的前提下耗能最少，是多任务分配才能在完成任务的前提下耗能最少，是多任务分配所要研究的主要问题。假定在一个设定的区域内随所要研究的主要问题。假定在一个设定的区域内随机分布一组移动机器人，同时随机分布一组目标点，机分布一组移动机器人，同时随机分布一组目标点，机器人的数目与目标点的数目均不确定。每个目标机器人的数目与目标点的数目均不确定。每个

2、目标点都需要一个机器人在该点完成一定的工作。机器点都需要一个机器人在该点完成一定的工作。机器人系统任务分配就是使其到达所有目标点，并使总人系统任务分配就是使其到达所有目标点，并使总代价趋近于最小化。对于每个机器人来讲，其代价代价趋近于最小化。对于每个机器人来讲，其代价由从起始点运动到目标点所走过的距离来衡量。总由从起始点运动到目标点所走过的距离来衡量。总代价定义为所有单个机器人代价的总和。当所有目代价定义为所有单个机器人代价的总和。当所有目标点都被访问过以后，任务完成。标点都被访问过以后，任务完成。2l图图1给出了一个多给出了一个多AUV多目标点任务分配示例，多目标点任务分配示例，为了说明的简

3、便，这里采用二维平面作为工作空为了说明的简便，这里采用二维平面作为工作空间，在该工作空间中，红色的点代表间，在该工作空间中，红色的点代表AUV机器机器人，绿色的圆圈代表目标点。此外，假定机器人人，绿色的圆圈代表目标点。此外，假定机器人都是相同的都是相同的AUV，具备基本的导航、避障和位，具备基本的导航、避障和位置识别功能，因此这里所研究的只是如何动态的置识别功能，因此这里所研究的只是如何动态的进行任务分配。即如何应用自组织进行任务分配。即如何应用自组织SOM神经网神经网络进行络进行AUV任务分配，并使其目标函数（总路任务分配，并使其目标函数（总路径）最小。径）最小。3l动态环境下的多动态环境下

4、的多AUV任务分配与自主路径规划，是根任务分配与自主路径规划，是根据各个待观察的目标点位置矢量与处于不同位置（坐据各个待观察的目标点位置矢量与处于不同位置（坐标矢量）的多标矢量）的多AUV的竞争比较，根据目标点与的竞争比较，根据目标点与AUV距距离最短原则进行聚类分配，从数学本质上来说，多离最短原则进行聚类分配，从数学本质上来说，多AUV多任务分配也是一个聚类分析问题。因此，可以多任务分配也是一个聚类分析问题。因此，可以将自组织映射将自组织映射SOM神经网络模型与动态环境下的多神经网络模型与动态环境下的多AUV任务分配与自主路径规划这一实际问题联系起来，任务分配与自主路径规划这一实际问题联系起

5、来，实现多实现多AUV任务的自动分配策略。任务的自动分配策略。l其具体对应关系如下：其具体对应关系如下：“目标点坐标位置目标点坐标位置” “SOM的输的输入模式入模式”；“具体的待分配具体的待分配AUV” “二维二维SOM的输出获的输出获胜神经元胜神经元”；竞争算法中；竞争算法中“SOM的输入模式矢量与输出的输入模式矢量与输出神经元权向量距离最短神经元权向量距离最短” “目标点位置矢量与目标点位置矢量与AUV的位的位置坐标矢量距离最近置坐标矢量距离最近”；一旦找到获胜神经元，即相当；一旦找到获胜神经元，即相当于把具体的任务（待观察目标）分配给了具体于把具体的任务（待观察目标）分配给了具体AUV

6、。456789101112131.PCA基本概念基本概念l 主元分析PCAPCA(Principal Components Analysis）l是统计学中分析数据的一种有效的方法，是统计学中分析数据的一种有效的方法，l其目的是在数据空间中找一组向量尽可能其目的是在数据空间中找一组向量尽可能l地解释数据方差，通过一个特殊的向量矩阵，地解释数据方差，通过一个特殊的向量矩阵，l将数据从高维空间投影到低维空间，降维后保将数据从高维空间投影到低维空间，降维后保存数据的主要信息，从而使数据更易于处理。存数据的主要信息，从而使数据更易于处理。1415162.PCA信号预测模型信号预测模型1718192021

7、222324252627282930313233343536373839404142434445467.4 水下机器人推进器故障辨识信息融合水下机器人推进器故障辨识信息融合l早期，针对水下机器人推进装置的故障，只是简单的早期，针对水下机器人推进装置的故障，只是简单的处理为无故障和完全失效两种情况，这是相当粗糙的。处理为无故障和完全失效两种情况，这是相当粗糙的。对此近年来对此近年来Edin O. 和和 Geoff R.等将广泛应用于飞行等将广泛应用于飞行容错的控制矩阵伪逆重构方法引入无人水下机器人推容错的控制矩阵伪逆重构方法引入无人水下机器人推进器故障诊断与容错控制之中，并将推进器故障分为进器故

8、障诊断与容错控制之中，并将推进器故障分为推进器不同程度的拥堵故障推进器不同程度的拥堵故障(jammed)及推进器完全及推进器完全失效等多种故障模式，使水下机器人的推进器容错控失效等多种故障模式，使水下机器人的推进器容错控制更接近于系统的实际运行状态，提高了容错控制的制更接近于系统的实际运行状态，提高了容错控制的应用范围和控制性能；最近，一些学者研究了具有快应用范围和控制性能；最近，一些学者研究了具有快速收敛特性的水下机器人神经网络故障诊断模型，并速收敛特性的水下机器人神经网络故障诊断模型，并将其与水下机器人容错控制律重构相结合，提出一种将其与水下机器人容错控制律重构相结合，提出一种快速集成水下

9、机器人故障诊断与容错控制方法。快速集成水下机器人故障诊断与容错控制方法。 47lEdin O.等将自组织神经网络的推进器故障模式识别策略等将自组织神经网络的推进器故障模式识别策略与控制律的控制矩阵伪逆重构方法相结合，研究了开架与控制律的控制矩阵伪逆重构方法相结合，研究了开架式无人水下机器人推进器集成故障诊断与容错控制，并式无人水下机器人推进器集成故障诊断与容错控制，并针对针对“FALCON”和和“URIS”两种两种ROV水下机器人的不同推水下机器人的不同推进器结构布置，给出了水平面和垂直面容错控制实验和进器结构布置，给出了水平面和垂直面容错控制实验和仿真结果。但是在以上所有无人水下机器人推进器

10、故障仿真结果。但是在以上所有无人水下机器人推进器故障诊断与容错控制中，均假设推进器处于正常、完全故障诊断与容错控制中，均假设推进器处于正常、完全故障或几种固定故障模式，而实际的推进器拥堵故障与外界或几种固定故障模式，而实际的推进器拥堵故障与外界环境密切相关，其故障的大小是不确定的、连续变化的，环境密切相关，其故障的大小是不确定的、连续变化的，将其简化为几种固定模式，与实际故障情况有较大差距，将其简化为几种固定模式，与实际故障情况有较大差距，也必将影响故障辨识的精度。也必将影响故障辨识的精度。l对此，此处将信息融合故障诊断技术引入推进器拥堵故对此，此处将信息融合故障诊断技术引入推进器拥堵故障在线

11、辨识之中，提出基于信度分配小脑神经网络障在线辨识之中，提出基于信度分配小脑神经网络CA-CMAC信息融合在线故障辨识模型，利用多维信息融合信息融合在线故障辨识模型，利用多维信息融合技术来提高故障辨识的精度，同时应用技术来提高故障辨识的精度，同时应用CA-CMAC的连续的连续输出特性，解决常规故障诊断方法对推进器拥堵故障连输出特性，解决常规故障诊断方法对推进器拥堵故障连续变化不能诊断的缺陷。续变化不能诊断的缺陷。 48l7.1 OUTLAND1000推进器布置推进器布置l 实验及数据采集均来源于无人开架水下机器人实验及数据采集均来源于无人开架水下机器人OUTLAND1000。OUTLAND100

12、0水下机器人的推水下机器人的推进器配置。图进器配置。图2为为OUTLAND1000水下机器人推进器水下机器人推进器配置图，它共有配置图，它共有4个推进器，个推进器，2个尾推个尾推(尾部水平舵尾部水平舵推推)：控制机器人前后推进和左右转向；一个处于重：控制机器人前后推进和左右转向；一个处于重心的垂直推进器：控制机器人潜浮运动；一个侧推：心的垂直推进器：控制机器人潜浮运动；一个侧推：原处于机器人中间的侧面位置，正对机器人重心，原处于机器人中间的侧面位置，正对机器人重心，控制机器人横移，在我们实验系统中，为了配合研控制机器人横移，在我们实验系统中，为了配合研究水下机器人的容错控制进行了改装，将其平移

13、至究水下机器人的容错控制进行了改装，将其平移至机器人前端距重心机器人前端距重心7公分的位置。在故障诊断实验中，公分的位置。在故障诊断实验中，它处于停转状态。图它处于停转状态。图3是对应的尾部推进器实物图片。是对应的尾部推进器实物图片。 49l7.2 水下机器人推进器故障水下机器人推进器故障l水下机器人的水下运动是靠推进器来实现的，而最水下机器人的水下运动是靠推进器来实现的，而最普遍使用的推力装置是由驱动电机加螺旋桨组成。普遍使用的推力装置是由驱动电机加螺旋桨组成。推进器故障也是水下机器人系统的常见故障源之一。推进器故障也是水下机器人系统的常见故障源之一。推进器的故障模式主要可以分为两大类推进器

14、的故障模式主要可以分为两大类:l内部故障：主要指推进器内部器件故障及控制器内部故障：主要指推进器内部器件故障及控制器的连接出现故障。如：电机转轴温度超限的连接出现故障。如：电机转轴温度超限控制信控制信号通信中断号通信中断总线电压下降等。总线电压下降等。l外部故障：它主要指水下机器人在水下工作时，外部故障：它主要指水下机器人在水下工作时，由外部复杂多变的环境引起的推进器故障。如由于由外部复杂多变的环境引起的推进器故障。如由于螺旋桨附着物而引起的拥堵故障螺旋桨附着物而引起的拥堵故障(Jammed)，螺旋，螺旋桨断裂故障（完全失效）等。在这两类故障中，以桨断裂故障（完全失效）等。在这两类故障中，以外

15、部故障最为常见，本课题主要研究推进器外部故外部故障最为常见，本课题主要研究推进器外部故障的诊断。障的诊断。 50l7.2.1 推进器故障设置推进器故障设置l为了模拟推进器拥堵故障模式，在为了模拟推进器拥堵故障模式，在OUTLAND1000运行于定向运行于定向巡航状态下，在后置推进器巡航状态下，在后置推进器1（右侧）设置不同程度拥堵故障：（右侧）设置不同程度拥堵故障：l正常状况：拥堵系数正常状况：拥堵系数=0.0；l轻微拥堵轻微拥堵1：拥堵系数：拥堵系数=0.25, 在后置推进器上绕在后置推进器上绕15cm线索；线索；l轻微拥堵轻微拥堵2：拥堵系数：拥堵系数=0.30, 在后置推进器上绕在后置推

16、进器上绕20cm线索；线索；l中等拥堵中等拥堵3：拥堵系数：拥堵系数=0.50, 在后置推进器上绕在后置推进器上绕30cm线索；线索；l严重拥堵严重拥堵4：拥堵系数：拥堵系数=0.75, 在后置推进器上绕在后置推进器上绕45cm线索；线索；l完全失效：拥堵系数完全失效：拥堵系数=1.0, 将推进器的螺旋桨全部卸下。将推进器的螺旋桨全部卸下。 51l此处，将推进器无拥堵（正常状况）的拥堵故障系此处，将推进器无拥堵（正常状况）的拥堵故障系数设为数设为“0”，而将完全失效故障的拥堵系数设为，而将完全失效故障的拥堵系数设为“1”。也有反过来设定的，这在本质上没有区别，主要是也有反过来设定的，这在本质上

17、没有区别，主要是在容错控制矩阵重构时，要区别对待这两种假设。在容错控制矩阵重构时，要区别对待这两种假设。通过向通过向OUTLAND1000尾部推进器发送一定大小的尾部推进器发送一定大小的前后推进控制电压，如前后推进控制电压，如v=0.25、v=0.5、v=0.75 、v=-0.25、v=-0.5、v=-0.75，对每一个控制电压，设，对每一个控制电压，设置不同程度故障模式，由于右边推进器部分故障，置不同程度故障模式，由于右边推进器部分故障，它将失去一部分推力，这样与左边推进器的推力不它将失去一部分推力，这样与左边推进器的推力不平衡，从而产生转动力矩，故障越大，推力损失越平衡，从而产生转动力矩，

18、故障越大，推力损失越大，其转动力矩越大，机器人转动的速率也越大。大，其转动力矩越大，机器人转动的速率也越大。实验数据也较好地验证了以上推论；另外，在相同实验数据也较好地验证了以上推论；另外，在相同大小的故障模式下，机器人输入控制电压的变化对大小的故障模式下，机器人输入控制电压的变化对机器人的状态也有一定影响。机器人的状态也有一定影响。OUTLAND1000的转的转向速率信号可以通过有串行通信接口的笔记本电脑向速率信号可以通过有串行通信接口的笔记本电脑读出读出。 52l7.2.2推进器故障在线辨识推进器故障在线辨识lOUTLAND1000推进器故障大小辨识可以采用双推进器故障大小辨识可以采用双参

19、数参数CA-CMAC信息融合诊断方法。双参数的第信息融合诊断方法。双参数的第一个参数是方向变化率，另一个可以是故障推进一个参数是方向变化率，另一个可以是故障推进器反馈转速或输入控制信号，由于器反馈转速或输入控制信号，由于OUTLAND1000的推进器反馈转速不可测，我们的推进器反馈转速不可测，我们在融合处理时，采用控制电压信号作为在融合处理时，采用控制电压信号作为CMAC的的另外一个输入；输出分别是另外一个输入；输出分别是“正常状况、各种拥正常状况、各种拥堵状况、完全失效故障的拥堵规划系数堵状况、完全失效故障的拥堵规划系数”，训练，训练CA-CMAC。 训练好的训练好的CA-CMAC可以作为在

20、线可以作为在线故障辨识器使用。故障辨识器使用。 53l将现场实测的方向变化率、控制信号输入训练将现场实测的方向变化率、控制信号输入训练好的好的CA-CMAC，其输出即为反应推进器故障，其输出即为反应推进器故障状况的拥堵系数。容错控制时，根据拥堵系数状况的拥堵系数。容错控制时，根据拥堵系数估算出该推进器的推力损失，与前置推进器估算出该推进器的推力损失，与前置推进器（侧推移位的推进器）、正常后置推进器一起，（侧推移位的推进器）、正常后置推进器一起，计算转动力矩之和，利用计算转动力矩之和，利用OUTLAND1000力矩力矩之和为零，推算出新的推力配置，进而计算出之和为零，推算出新的推力配置，进而计算

21、出控制电压分配，可以实现水下机器人巡航状态控制电压分配，可以实现水下机器人巡航状态的容错控制。的容错控制。 54l7.3 OUTLAND1000水下机器人推进器故障辨水下机器人推进器故障辨识实验及结果分析识实验及结果分析l对对OUTLAND1000实验系统的每一种故障模式，实验系统的每一种故障模式，用前面所述的几组电压分别进行故障信号测试，用前面所述的几组电压分别进行故障信号测试，可以用其中的、作故障样本，用可以用其中的、作故障样本，用、来检验训练后神经网络的故障识别效果。、来检验训练后神经网络的故障识别效果。表表4-1为样本实验数据，表为样本实验数据，表4-2为训练后的为训练后的CA-CMA

22、C故障识别结果故障识别结果 55l4.2 推进器信息融合故障辨识推进器信息融合故障辨识l表表1第一栏输入控制信号为尾部推进器的直推第一栏输入控制信号为尾部推进器的直推控制信号，其变化范围为控制信号，其变化范围为-1,+1；第二栏是；第二栏是OUTLAND1000的转向变化率，首先在推进器的转向变化率，首先在推进器故障时，通过加入不同推进电压记录机器人罗故障时，通过加入不同推进电压记录机器人罗经输出信号，将相邻方向信号相减除以采样周经输出信号，将相邻方向信号相减除以采样周期，可得机器人转向变化率；通过人为设置不期，可得机器人转向变化率；通过人为设置不同故障模式可以得到表同故障模式可以得到表1样本

23、数据，进而训练样本数据，进而训练CA-CMAC神经网络，即可得到推进器拥堵故神经网络，即可得到推进器拥堵故障辨识器。障辨识器。 56表表1：故障样本实验数据故障样本实验数据 57表表2是应用实际测试的拥堵数据对训练的是应用实际测试的拥堵数据对训练的CA-CMAC神经神经网络进行故障辨识效果测试，从表网络进行故障辨识效果测试，从表2可以看出，虽然存可以看出，虽然存在一些误差，但是无论是故障样本中已出现的模式如在一些误差，但是无论是故障样本中已出现的模式如“中等拥堵中等拥堵3”，还是在故障样本中未出现的模式如，还是在故障样本中未出现的模式如“轻微轻微拥堵拥堵2”和和“完全失效完全失效”，其，其CA

24、-CMAC故障辨识器输出故障辨识器输出均接近实际的拥堵系数。均接近实际的拥堵系数。另外，为了比较所提算法的优越性，表另外，为了比较所提算法的优越性，表2还同时给出了还同时给出了的的SOM神经网络故障辨识结果，神经网络故障辨识结果，SOM神经网络输出是神经网络输出是离散型的，故障大小接近离散型的，故障大小接近0.5的情况输出的情况输出0.5，接近，接近0.25的情况输出为的情况输出为0.25，所以对表，所以对表2中的中的“轻微拥堵轻微拥堵2”故障故障模式和模式和“完全失效完全失效”故障模式，它的诊断结果只能在故障模式，它的诊断结果只能在=0, =0.75, =0.5, =0.25这四个数字中选择

25、一个接近的输出，这四个数字中选择一个接近的输出，这必然大大影响其故障辨识精度。这种情况下其故障辨这必然大大影响其故障辨识精度。这种情况下其故障辨识器，便如以往的一样，只能诊断出固定的几种故障。识器，便如以往的一样，只能诊断出固定的几种故障。 58l不如不如CA-CMAC故障辨识器可以在线的识别各种连故障辨识器可以在线的识别各种连续变化的故障情况。如表续变化的故障情况。如表2中，中，“轻微拥堵轻微拥堵2”故障故障（s=0.3），由于神经网络训练样本中未出现，），由于神经网络训练样本中未出现，CA-CMAC能输出一个接近实际故障大小的具体数据，能输出一个接近实际故障大小的具体数据，而对而对SOM来

26、说诊断结果就是来说诊断结果就是“中等拥堵中等拥堵3”：=0.5，这与实际故障大小误差较大；对这与实际故障大小误差较大；对“完全失效完全失效”故障故障(s=1)，CA-CMAC输出结果为输出结果为0.9左右，接近实际故左右，接近实际故障大小障大小s=1，而，而SOM诊断结果只能为诊断结果只能为“严重拥堵严重拥堵4”故障模式故障模式s=0.75，两者的诊断结果差距就更大了。，两者的诊断结果差距就更大了。可见本文设计的可见本文设计的CA-CMAC故障拥堵辨识器可以较故障拥堵辨识器可以较好完成水下机器人推进器连续变化拥堵故障辨识任好完成水下机器人推进器连续变化拥堵故障辨识任务。务。 59表表2：CA-

27、CMAC故障识别结果故障识别结果 60616263646566676869707172737475767778798081第第15讲讲 水下机器人推进器故障诊断与容错控制水下机器人推进器故障诊断与容错控制l早期，针对水下机器人推进装置的故障，只是简单的早期，针对水下机器人推进装置的故障，只是简单的处理为无故障和完全失效两种情况，这是相当粗糙的。处理为无故障和完全失效两种情况，这是相当粗糙的。对此近年来对此近年来Edin O. 和和 Geoff R.等将广泛应用于飞行等将广泛应用于飞行容错的控制矩阵伪逆重构方法引入无人水下机器人推容错的控制矩阵伪逆重构方法引入无人水下机器人推进器故障诊断与容错控

28、制之中，并将推进器故障分为进器故障诊断与容错控制之中，并将推进器故障分为推进器不同程度的拥堵故障推进器不同程度的拥堵故障(jammed)及推进器完全及推进器完全失效等多种故障模式，使水下机器人的推进器容错控失效等多种故障模式，使水下机器人的推进器容错控制更接近于系统的实际运行状态，提高了容错控制的制更接近于系统的实际运行状态，提高了容错控制的应用范围和控制性能；最近，一些学者研究了具有快应用范围和控制性能；最近，一些学者研究了具有快速收敛特性的水下机器人神经网络故障诊断模型，并速收敛特性的水下机器人神经网络故障诊断模型，并将其与水下机器人容错控制律重构相结合，提出一种将其与水下机器人容错控制律

29、重构相结合，提出一种快速集成水下机器人故障诊断与容错控制方法。快速集成水下机器人故障诊断与容错控制方法。 82lEdin O.等将自组织神经网络的推进器故障模式识别策略等将自组织神经网络的推进器故障模式识别策略与控制律的控制矩阵伪逆重构方法相结合，研究了开架与控制律的控制矩阵伪逆重构方法相结合，研究了开架式无人水下机器人推进器集成故障诊断与容错控制，并式无人水下机器人推进器集成故障诊断与容错控制，并针对针对“FALCON”和和“URIS”两种两种ROV水下机器人的不同推水下机器人的不同推进器结构布置，给出了水平面和垂直面容错控制实验和进器结构布置，给出了水平面和垂直面容错控制实验和仿真结果。但

30、是在以上所有无人水下机器人推进器故障仿真结果。但是在以上所有无人水下机器人推进器故障诊断与容错控制中，均假设推进器处于正常、完全故障诊断与容错控制中，均假设推进器处于正常、完全故障或几种固定故障模式，而实际的推进器拥堵故障与外界或几种固定故障模式，而实际的推进器拥堵故障与外界环境密切相关，其故障的大小是不确定的、连续变化的，环境密切相关，其故障的大小是不确定的、连续变化的，将其简化为几种固定模式，与实际故障情况有较大差距，将其简化为几种固定模式，与实际故障情况有较大差距，也必将影响故障辨识的精度。也必将影响故障辨识的精度。l对此，此处将信息融合故障诊断技术引入推进器拥堵故对此，此处将信息融合故

31、障诊断技术引入推进器拥堵故障在线辨识之中，提出基于信度分配小脑神经网络障在线辨识之中，提出基于信度分配小脑神经网络CA-CMAC信息融合在线故障辨识模型，利用多维信息融合信息融合在线故障辨识模型，利用多维信息融合技术来提高故障辨识的精度，同时应用技术来提高故障辨识的精度，同时应用CA-CMAC的连续的连续输出特性，解决常规故障诊断方法对推进器拥堵故障连输出特性，解决常规故障诊断方法对推进器拥堵故障连续变化不能诊断的缺陷。续变化不能诊断的缺陷。 83l15.1 OUTLAND1000推进器布置推进器布置l 实验及数据采集均来源于无人开架水下机器人实验及数据采集均来源于无人开架水下机器人OUTLA

32、ND1000。OUTLAND1000水下机器人的推水下机器人的推进器配置。图进器配置。图2为为OUTLAND1000水下机器人推进器水下机器人推进器配置图，它共有配置图，它共有4个推进器，个推进器，2个尾推个尾推(尾部水平舵尾部水平舵推推)：控制机器人前后推进和左右转向；一个处于重：控制机器人前后推进和左右转向；一个处于重心的垂直推进器：控制机器人潜浮运动；一个侧推：心的垂直推进器：控制机器人潜浮运动；一个侧推：原处于机器人中间的侧面位置，正对机器人重心，原处于机器人中间的侧面位置，正对机器人重心，控制机器人横移，在我们实验系统中，为了配合研控制机器人横移，在我们实验系统中，为了配合研究水下机

33、器人的容错控制进行了改装，将其平移至究水下机器人的容错控制进行了改装，将其平移至机器人前端距重心机器人前端距重心7公分的位置。在故障诊断实验中，公分的位置。在故障诊断实验中，它处于停转状态。图它处于停转状态。图3是对应的尾部推进器实物图片。是对应的尾部推进器实物图片。 84l15.2 水下机器人推进器故障水下机器人推进器故障l水下机器人的水下运动是靠推进器来实现的，而最水下机器人的水下运动是靠推进器来实现的，而最普遍使用的推力装置是由驱动电机加螺旋桨组成。普遍使用的推力装置是由驱动电机加螺旋桨组成。推进器故障也是水下机器人系统的常见故障源之一。推进器故障也是水下机器人系统的常见故障源之一。推进

34、器的故障模式主要可以分为两大类推进器的故障模式主要可以分为两大类:l内部故障：主要指推进器内部器件故障及控制器内部故障：主要指推进器内部器件故障及控制器的连接出现故障。如：电机转轴温度超限的连接出现故障。如：电机转轴温度超限控制信控制信号通信中断号通信中断总线电压下降等。总线电压下降等。l外部故障：它主要指水下机器人在水下工作时，外部故障：它主要指水下机器人在水下工作时，由外部复杂多变的环境引起的推进器故障。如由于由外部复杂多变的环境引起的推进器故障。如由于螺旋桨附着物而引起的拥堵故障螺旋桨附着物而引起的拥堵故障(Jammed)，螺旋，螺旋桨断裂故障（完全失效）等。在这两类故障中，以桨断裂故障

35、（完全失效）等。在这两类故障中，以外部故障最为常见，本课题主要研究推进器外部故外部故障最为常见，本课题主要研究推进器外部故障的诊断。障的诊断。 85l推进器故障设置推进器故障设置l为了模拟推进器拥堵故障模式，在为了模拟推进器拥堵故障模式，在OUTLAND1000运行于定向运行于定向巡航状态下，在后置推进器巡航状态下，在后置推进器1（右侧）设置不同程度拥堵故障：（右侧）设置不同程度拥堵故障：l正常状况：拥堵系数正常状况：拥堵系数=0.0；l轻微拥堵轻微拥堵1：拥堵系数：拥堵系数=0.25, 在后置推进器上绕在后置推进器上绕15cm线索；线索；l轻微拥堵轻微拥堵2：拥堵系数：拥堵系数=0.30,

36、在后置推进器上绕在后置推进器上绕20cm线索；线索；l中等拥堵中等拥堵3：拥堵系数：拥堵系数=0.50, 在后置推进器上绕在后置推进器上绕30cm线索；线索；l严重拥堵严重拥堵4：拥堵系数：拥堵系数=0.75, 在后置推进器上绕在后置推进器上绕45cm线索；线索；l完全失效：拥堵系数完全失效：拥堵系数=1.0, 将推进器的螺旋桨全部卸下。将推进器的螺旋桨全部卸下。 86l此处，将推进器无拥堵（正常状况）的拥堵故障系此处，将推进器无拥堵（正常状况）的拥堵故障系数设为数设为“0”，而将完全失效故障的拥堵系数设为，而将完全失效故障的拥堵系数设为“1”。也有反过来设定的，这在本质上没有区别，主要是也有

37、反过来设定的，这在本质上没有区别，主要是在容错控制矩阵重构时，要区别对待这两种假设。在容错控制矩阵重构时，要区别对待这两种假设。通过向通过向OUTLAND1000尾部推进器发送一定大小的尾部推进器发送一定大小的前后推进控制电压，如前后推进控制电压，如v=0.25、v=0.5、v=0.75 、v=-0.25、v=-0.5、v=-0.75，对每一个控制电压，设，对每一个控制电压，设置不同程度故障模式，由于右边推进器部分故障，置不同程度故障模式，由于右边推进器部分故障，它将失去一部分推力，这样与左边推进器的推力不它将失去一部分推力，这样与左边推进器的推力不平衡，从而产生转动力矩，故障越大，推力损失越

38、平衡，从而产生转动力矩，故障越大，推力损失越大，其转动力矩越大，机器人转动的速率也越大。大，其转动力矩越大，机器人转动的速率也越大。实验数据也较好地验证了以上推论；另外，在相同实验数据也较好地验证了以上推论；另外，在相同大小的故障模式下，机器人输入控制电压的变化对大小的故障模式下，机器人输入控制电压的变化对机器人的状态也有一定影响。机器人的状态也有一定影响。OUTLAND1000的转的转向速率信号可以通过有串行通信接口的笔记本电脑向速率信号可以通过有串行通信接口的笔记本电脑读出读出。 87l推进器故障在线辨识推进器故障在线辨识lOUTLAND1000推进器故障大小辨识可以采用双推进器故障大小辨

39、识可以采用双参数参数CA-CMAC信息融合诊断方法。双参数的第信息融合诊断方法。双参数的第一个参数是方向变化率，另一个可以是故障推进一个参数是方向变化率，另一个可以是故障推进器反馈转速或输入控制信号，由于器反馈转速或输入控制信号，由于OUTLAND1000的推进器反馈转速不可测，我们的推进器反馈转速不可测，我们在融合处理时，采用控制电压信号作为在融合处理时，采用控制电压信号作为CMAC的的另外一个输入；输出分别是另外一个输入；输出分别是“正常状况、各种拥正常状况、各种拥堵状况、完全失效故障的拥堵规划系数堵状况、完全失效故障的拥堵规划系数”，训练，训练CA-CMAC。 训练好的训练好的CA-CM

40、AC可以作为在线可以作为在线故障辨识器使用。故障辨识器使用。 88l将现场实测的方向变化率、控制信号输入训练将现场实测的方向变化率、控制信号输入训练好的好的CA-CMAC，其输出即为反应推进器故障，其输出即为反应推进器故障状况的拥堵系数。容错控制时，根据拥堵系数状况的拥堵系数。容错控制时，根据拥堵系数估算出该推进器的推力损失，与前置推进器估算出该推进器的推力损失，与前置推进器（侧推移位的推进器）、正常后置推进器一起，（侧推移位的推进器）、正常后置推进器一起，计算转动力矩之和，利用计算转动力矩之和，利用OUTLAND1000力矩力矩之和为零，推算出新的推力配置，进而计算出之和为零，推算出新的推力

41、配置，进而计算出控制电压分配，可以实现水下机器人巡航状态控制电压分配，可以实现水下机器人巡航状态的容错控制。的容错控制。 89l15.3 OUTLAND1000水下机器人推进器故障辨水下机器人推进器故障辨识实验及结果分析识实验及结果分析l对对OUTLAND1000实验系统的每一种故障模式，实验系统的每一种故障模式，用前面所述的几组电压分别进行故障信号测试，用前面所述的几组电压分别进行故障信号测试，可以用其中的、作故障样本，用可以用其中的、作故障样本，用、来检验训练后神经网络的故障识别效果。、来检验训练后神经网络的故障识别效果。表表4-1为样本实验数据，表为样本实验数据，表4-2为训练后的为训练

42、后的CA-CMAC故障识别结果故障识别结果 90l推进器信息融合故障辨识推进器信息融合故障辨识l表表1第一栏输入控制信号为尾部推进器的直推第一栏输入控制信号为尾部推进器的直推控制信号，其变化范围为控制信号，其变化范围为-1,+1；第二栏是；第二栏是OUTLAND1000的转向变化率，首先在推进器的转向变化率，首先在推进器故障时，通过加入不同推进电压记录机器人罗故障时，通过加入不同推进电压记录机器人罗经输出信号，将相邻方向信号相减除以采样周经输出信号，将相邻方向信号相减除以采样周期，可得机器人转向变化率；通过人为设置不期，可得机器人转向变化率；通过人为设置不同故障模式可以得到表同故障模式可以得到

43、表1样本数据，进而训练样本数据，进而训练CA-CMAC神经网络，即可得到推进器拥堵故神经网络，即可得到推进器拥堵故障辨识器。障辨识器。 91表表1：故障样本实验数据故障样本实验数据 92表表2是应用实际测试的拥堵数据对训练的是应用实际测试的拥堵数据对训练的CA-CMAC神经神经网络进行故障辨识效果测试，从表网络进行故障辨识效果测试，从表2可以看出，虽然存可以看出，虽然存在一些误差，但是无论是故障样本中已出现的模式如在一些误差，但是无论是故障样本中已出现的模式如“中等拥堵中等拥堵3”，还是在故障样本中未出现的模式如，还是在故障样本中未出现的模式如“轻微轻微拥堵拥堵2”和和“完全失效完全失效”，其

44、，其CA-CMAC故障辨识器输出故障辨识器输出均接近实际的拥堵系数。均接近实际的拥堵系数。另外，为了比较所提算法的优越性，表另外，为了比较所提算法的优越性，表2还同时给出了还同时给出了的的SOM神经网络故障辨识结果，神经网络故障辨识结果，SOM神经网络输出是神经网络输出是离散型的，故障大小接近离散型的，故障大小接近0.5的情况输出的情况输出0.5，接近，接近0.25的情况输出为的情况输出为0.25，所以对表，所以对表2中的中的“轻微拥堵轻微拥堵2”故障故障模式和模式和“完全失效完全失效”故障模式，它的诊断结果只能在故障模式，它的诊断结果只能在=0, =0.75, =0.5, =0.25这四个数

45、字中选择一个接近的输出，这四个数字中选择一个接近的输出，这必然大大影响其故障辨识精度。这种情况下其故障辨这必然大大影响其故障辨识精度。这种情况下其故障辨识器，便如以往的一样，只能诊断出固定的几种故障。识器，便如以往的一样，只能诊断出固定的几种故障。 93l不如不如CA-CMAC故障辨识器可以在线的识别各种连故障辨识器可以在线的识别各种连续变化的故障情况。如表续变化的故障情况。如表2中，中，“轻微拥堵轻微拥堵2”故障故障（s=0.3），由于神经网络训练样本中未出现，），由于神经网络训练样本中未出现，CA-CMAC能输出一个接近实际故障大小的具体数据，能输出一个接近实际故障大小的具体数据，而对而对

46、SOM来说诊断结果就是来说诊断结果就是“中等拥堵中等拥堵3”：=0.5，这与实际故障大小误差较大；对这与实际故障大小误差较大；对“完全失效完全失效”故障故障(s=1)，CA-CMAC输出结果为输出结果为0.9左右，接近实际故左右，接近实际故障大小障大小s=1，而，而SOM诊断结果只能为诊断结果只能为“严重拥堵严重拥堵4”故障模式故障模式s=0.75，两者的诊断结果差距就更大了。，两者的诊断结果差距就更大了。可见本文设计的可见本文设计的CA-CMAC故障拥堵辨识器可以较故障拥堵辨识器可以较好完成水下机器人推进器连续变化拥堵故障辨识任好完成水下机器人推进器连续变化拥堵故障辨识任务。务。 94表表2

47、：CA-CMAC故障识别结果故障识别结果 959697989910015.4 具有复杂冗余推进系统的水下机器人具有复杂冗余推进系统的水下机器人智能综合容错控制技术智能综合容错控制技术l对推进器少、布置简单的情况，可以采取解析方法推导对推进器少、布置简单的情况，可以采取解析方法推导容错控制律；对具有复杂冗余推进器系统的水下机器人，容错控制律；对具有复杂冗余推进器系统的水下机器人，容错控制不仅要保持系统状态稳定，而且需要实现优化容错控制不仅要保持系统状态稳定，而且需要实现优化容错控制。本项目采用伪逆重构与粒子群优化的综合容容错控制。本项目采用伪逆重构与粒子群优化的综合容错控制，当伪逆容错控制律在控

48、制量程之内时，采用快错控制，当伪逆容错控制律在控制量程之内时，采用快速伪逆控制算法实现机器人容错；当伪逆容错控制律超速伪逆控制算法实现机器人容错；当伪逆容错控制律超出控制量程时，应用粒子群优化技术重构控制律，实现出控制量程时，应用粒子群优化技术重构控制律，实现水下机器人推进器智能优化容错控制。水下机器人推进器智能优化容错控制。l 15.4.1“FALCON”ROV无人水下机器人冗余推进机构水无人水下机器人冗余推进机构水下机器人推进器故障诊断与带约束条件的粒子群优化控下机器人推进器故障诊断与带约束条件的粒子群优化控制律重构制律重构101102103104105106107108109110111

49、112113114115116l15.4.2 7000米载人水下机器人冗余推进机构水下米载人水下机器人冗余推进机构水下机器人推进器故障诊断与带约束条件的粒子群优化控机器人推进器故障诊断与带约束条件的粒子群优化控制律重构制律重构117118119120121l一一.基于指数平滑的灰色故障预测模型基于指数平滑的灰色故障预测模型 122123124125126小结：基于指数平滑的灰色故障预测模型 127128二基于小波分析的灰色故障预测模型 利用基于小波分析的灰色系统理论来预测设备的故障，主要是针对具有非平稳信号的设备。它的主要思路是：在测得设备原始时间段数据系列后，先对各数据系列进行“小波分析处理

50、”提取能量特征系列数据，得到各个频段特征值数据时间系列，然后对每一频段利用灰色系统模型预测下一时间段能量特征值，重构下一时段参数的能量特征谱。达到预测故障发生的时刻和模式目的。 129130131132133134135136137三基于神经网络的时间序列故障预测模型 1381391.遗传优化算法原理遗传优化算法原理2.粒子群优化算法原理粒子群优化算法原理3.AUV路径规划与智能算法路径规划与智能算法第第12讲讲 智能计算与智能计算与自治水下机器人路径规划自治水下机器人路径规划 140一一. 遗传算法遗传算法l进化计算是模拟生物进化过程的计算模型。进化计进化计算是模拟生物进化过程的计算模型。进