一种基于灰色关联理论的移动机器人故障诊断方法与流程

本发明涉及机器人故障诊断技术领域，特别涉及一种基于灰色关联理论的移动机器人故障诊断方法。

背景技术：

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。机器人和日常生活中的机器一样，不可能永远正确无误的实现人类设定的操作要求。并且，如果移动机器人带故障运行，会使得移动机器人寿命缩短，甚至还可能带来灾难性后果。因此对移动机器人进行故障诊断具有重要意义。而如何使用合理、准确、快速的方法对移动机器人进行故障诊断，成为目前机器人技术研究领域的研究热点。

一般，故障检测策略有三种：基于系统模型的故障诊断技术、基于数据驱动的故障诊断技术和基于知识的自主故障诊断技术。随着智能算法技术的推进，目前对机器人的故障诊断多采用不同种类智能算法与之相结合，进而实现故障诊断的要求。首先，一些故障诊断方法需要已知故障种类，这对我们应用基于算法的故障诊断提出了限制要求；其次，一些算法的复杂性限制了故障诊断的速度。最后，大多数使用传统算法的故障诊断需要对被诊断对象建立精确的数学模型，那么对于复杂对象，如何实现一种不需要建立精确数学模型也可以快速、准确的实现故障诊断要求的方法是本领域亟待解决的技术问题。

技术实现要素：

本发明的目的在于提供一种基于灰色关联理论的移动机器人故障诊断方法，以实现在不需要被诊断对象的精确数学模型的状况下，既能够快速、准确地判断出移动机器人是否处于故障状态，又能够在故障状态下确定其属于何种类型故障以便采取应对措施；并且，在系统发展发生变化时，能够进行相应的动态过程分析。

为实现上述目的，本发明提供了一种基于灰色关联理论的移动机器人故障诊断方法，包括以下步骤：

s1：结合移动机器人的主要硬件结构和工作原理，分析移动机器人可能的故障类型，归纳出移动机器人的故障树；

s2：根据所示故障树，通过灰色关联理论计算各种因素与故障的关联系数以判断故障类型，得到诊断结果。

较佳地，所述移动机器人为差速轮式机器人，则所述步骤s2中采用灰色关联理论判断故障类型的过程具体包括以下步骤：

s11：初始化系统，将移动机器人的当前的左轮及右轮的转速以2*n的矩阵输入；

s12：将所述转速的数据转换为无量纲形式以便于比较分析，同时获取各种故障状态下的转速数据；

s13：采用灰色关联公式获取比较数组、参考数据间的绝对差值，得到差值中的最大值和最小值；

s14：设定分辨系数，按照所述灰色关联公式得到各个时间点之间的关联系数；

s15：比较所述关联系数，通过最大关联系数对应的状态判断出移动机器人的状态，得到诊断结果。

较佳地，所述步骤s1中，通过实验测试在不同的未知环境下移动机器人的状态数据，进而归纳出移动机器人的故障树，所述故障树包括以下8种状态：1)正常左转；2)正常右转；3)正常直行；4)机器人在范围内绕圈子；5)机器人被卡住；6)左轮故障；7)右轮故障；8)控制程序崩溃。

较佳地，所述步骤s2中，基于所述故障树利用脉宽调制技术改变占空比来控制所述移动机器人的电机转速，并分别用两种方法改变电压平均值：1)导通后关断由反向电压阻拦；2)导通后直接关断，以获得对应的移动机器人的状态，得到诊断结果。

较佳地，所述步骤s2中，基于所述故障树通过反馈pwm数据处理和硬件测试两种方法确定小车故障类型。

较佳地，进行故障诊断前，首先给定一组标准故障数据和一组正常数据，将测试数据输入程序中，根据系统输出值判断系统是否处于故障状态，如处于故障状态则进入步骤s2进行故障诊断，以判断其处于哪种故障状态，得到诊断结果。

本发明具有以下有益效果：

在无被诊断对象的精确数学模型的状况下，既能做到快速、准确的判断移动机器人是否出现故障状况，又能判断出故障状况下移动机器人的故障类型，以此可以通过容错控制减少移动机器人的故障给人类生活带来的不良后果。与此同时，在被诊断系统发展态势变化时，也可以及时对故障系统进行动态历程分析以便更好的进行故障诊断。

附图说明

图1为本发明优选实施例的流程图；

图2为本发明优选实施例的故障树图；

图3为具体实例测得的左轮pwm波形图；

图4为具体实例测得的右轮pwm波形图；

图5为具体实施例的故障状态诊断流程图。

具体实施方式

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，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的前提下所获得的所有其他实施例，都属于本发明的保护范围。

为了便于对本发明实施例的理解，下面将结合附图以具体实施例为例作进一步的解释说明，且各个实施例不构成对本发明实施例的限定。

如图1所示，本实施例提供的一种基于灰色关联理论的移动机器人故障诊断方法，包括以下步骤：

s1：结合移动机器人的主要硬件结构和工作原理，分析移动机器人可能的故障类型，归纳出移动机器人的故障树；

s2：根据所示故障树，通过灰色关联理论计算各种因素与故障的关联系数以判断故障类型，得到诊断结果。

其中，本实施例中进行故障诊断的移动机器人为差速轮式机器人，该移动机器人包括：电源模块：12伏稳压电源，运动模块：pwm调制来控制电机转速，电机转速输出给机器人的左轮及右轮；传感器模块包括：红外传感器作为测距单元，电子罗盘作为转角测量单元；还包括无线通讯单元。则所述步骤s2中采用灰色关联理论判断正常或故障状态的过程具体包括以下步骤：

s11：初始化系统，将移动机器人的当前的左轮及右轮的转速以2*n的矩阵输入；

s12：将所述转速的数据转换为无量纲形式以便于比较分析，同时获取各种故障状态下的转速数据；

s13：采用灰色关联公式获取比较数组、参考数据间的绝对差值，得到差值中的最大值和最小值；

s14：设定分辨系数，按照所述灰色关联公式得到各个时间点之间的关联系数；

s15：比较所述关联系数，通过最大关联系数对应的状态判断出移动机器人的状态。

进一步地，上述的步骤s1中，通过实验测试大量的不同环境参数的及未知环境下移动机器人的状态数据，进而归纳出移动机器人的故障树。如图2所示，移动机器人的故障树图，其是经过对几台相同型号的移动机器人进行大量试验归纳出的故障树(该故障树中的故障类型不仅包括正常状态也包括故障状态)。该故障树包括以下8种状态：1)正常左转；2)正常右转；3)正常直行；4)机器人在范围内绕圈子；5)机器人被卡住；6)左轮故障；7)右轮故障；8)控制程序崩溃。具体地，1)正常左转是左轮转速设定比右轮转速慢，机器人按照左、右轮的转速比例做圆周运动；2)正常右转状态是右轮转速设定比左轮转速慢，机器人按照左、右轮的转速比例做圆周运动；3)正常直行状态是左、右轮转速相等，机器人按照转速直线运动；4)机器人在范围内绕圈子状态是正常状态的一种，机器人自动按照给定程序进行避障或者在规定线路上行走；5)机器人被卡住状态是一种故障状态，有很多可能，如：撞到物体使得电机停止工作，或传感器回馈数据无法判断如何继续运行下去导致停留；6)左轮故障状态是指左轮转速小于右轮，一般可能故障发生在h桥控制，无续流，导致无反向电压，机器人无法按指定路径运动；7)右轮故障状态是指右轮转速小于左轮，状况同左轮故障状态相似；8)控制程序崩溃状态一般指的是程序的架构上有错误，使得机器进入死循环。

则当进入步骤s2进行故障诊断时，基于所述故障树利用脉宽调制技术改变占空比来控制所述移动机器人的电机转速，并分别用两种方法改变电压平均值：1)导通后关断由反向电压阻拦；2)导通后直接关断，以获得对应的移动机器人的状态，得到诊断结果。

此外，步骤s2中进一步包括基于所述故障树通过反馈pwm数据处理和硬件测试两种方法确定小车故障类型。

而在进行故障诊断前，首先给定一组标准故障数据和一组正常数据，将测试数据输入程序中，根据系统输出值判断系统是否处于故障状态，如处于故障状态则进入步骤s2进行故障诊断，以判断其处于哪种故障状态，从而得到诊断结果。

该方法通过深入研究移动机器人的电源模块、运动模块和传感器模块的工作原理来分析其可能出现的故障；归纳出基于移动机器人的故障树；利用灰色关联理论对移动机器人进行故障诊断。

下面结合具体实例说明具体的诊断思路：两辆移动机器人中一辆运行正常，以直线运行数十米，反馈的数据无误，左右轮的转速相等。另一辆在相同程序、相同路面情况下在运动数秒后出现了明显的旋转角度，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即可确定了小车的故障类型。

首先，考虑是否由于两种不同电源对机器人供电导致小车故障。拆开供电模块，其均采用同一个锂电池供电且充满电时与理想数值吻合，排除此故障原因；

其次，考虑是否有电动机旋转问题或者齿轮比问题，即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，排除此故障原因；

最后，考虑运动模块故障，即由于运动模块庞大，元器件之间已焊接，故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，结果是一致的。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5v电压。3，4号为pwm的输出波形线，而第五根线为霍尔编码器的回馈型号，它与2线共地。同时，测量时需要注意带上负载才有输出波形。

参考图3、4所示，分别是左轮、右轮pwm波形，其中，控制电机转速采用脉宽调制技术改变电机电枢电压接通与断开时间的占空比的方法。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。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，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3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。

参考图5所示，为整个诊断流程图。其中，灰色关联分析是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。

本实施例采用的灰色关联公式如下面的公式(1)所示：

步骤一：初始化系统，将机器人当前左右轮转速以2*n的矩阵输入；步骤二：把输入的转速数据转化为无量纲形式便于比较分析，获取各种故障状态下的转速数据；步骤三：用灰色关联公式获取比较数组、参考数组之间的绝对差值，得到差值中的最大值和最小值；步骤四：设定分辨系数，按照灰色关联公式(1)得到各个时间点之间的关联系数；步骤五：比较各个时间点之间的关联系数，获取最大关联状态，并且判断出当前故障状态，当前的系统故障诊断结束。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何本领域的技术人员在本发明揭露的技术范围内，对本发明所做的变形或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述的权利要求的保护范围为准。