Robust Diagnosis of Intermittent Faults for Linear Stochastic Systems Subject to Time-varying Perturbations
-
摘要: 间歇故障（Intermittent faults, IFs）具有随机性，其检测要求在本次间歇故障消失之前检测出间歇故障的发生，在下一次间歇故障发生之前检测出间歇故障的消失.本文针对一类存在未知时变参数摄动的离散线性随机动态系统，研究了其鲁棒间歇故障检测与分离问题.基于降维未知输入观测器，通过引入滑动时间窗口，本文设计了一组与未知时变摄动解耦的结构化截断残差，并提出其存在的一个充分条件.与传统残差相比，截断残差信号更为显著地反映了间歇故障的发生和消失.为满足间歇故障的检测要求，本文提出两个假设检验分别用于检测间歇故障的发生时刻和消失时刻，并给出了一个详细算法.最后，在沿参考轨道运行的卫星模型上对所述方法进行了仿真实验，结果表明该方法能够有效检测出间歇故障的所有发生时刻和消失时刻，并准确实现故障分离.Abstract: Since intermittent faults (IFs) have an intermittency property, the detection of IFs requires: the current appearing time of an IF must be detected before its disappearing time; the current disappearing time of an IF must be detected before the subsequent appearing time. In this paper, the robust detection problem of IFs for a class of linear discrete-time stochastic systems subject to unknown time-varying perturbations is investigated. Based on reduced-order unknown input observers (UIOs), a novel set of structured truncated residuals is designed to detect and isolate IFs by introducing sliding-time windows, and a sufficient condition is proposed for the existence of the residual generators. Compared to traditional residuals, the novel truncated residuals, which get decoupled from time-varying perturbations, are more sensitive to the IFs. Based on the analysis of these novel residuals, two hypothesis tests are proposed to detect all the appearing times and the disappearing times of an IF. In addition, a detailed algorithm is provided to perform the given scheme. Finally, simulation results on a model of a satellite moving in a circular reference orbit are presented to illustrate the effectiveness of the proposed method.
-
机器人学习抓取是智能机器人研究的重要内容, 涉及到智能学习、抓取位姿判别、机器人运动规划与控制等问题的研究[1-2].针对抓取位姿判别问题, 过去比较流行的研究思路是, 通过介入人工手动设计目标特征, 用于机器人学习抓取操作, 然而这种学习方式使机器人不具备自助性与灵活性, 而且学习过程非常耗时[3].近年出现的深度学习算法, 在无监督特征学习中取得了显着效果, 深度学习的优越性在于: 1) 不需要介入人为的干预; 2) 该方法提高了网络的深层学习能力, 是一种充满前景的学习算法[4-5].
深度学习首次由Hinton等[6]提出, 其基本观点是采用神经网络模拟人类大脑特征学习过程.这种无监督特性学习方法借鉴大脑多层抽象表达机制, 实现初始特征深层抽象表达, 因此避免了特征抽取过程中人为的干预, 同时深度学习在一定程度上解决了传统人工神经网络局部收敛和过适性问题, 受到业内广泛关注[7-9].当前深度学习具有代表性的研究方向有深度信念网络(Deep belief network, DBN) [6]、深度波尔曼兹机(Deep Boltzmann machine, DBM) [10]、深度能量模型(Deep energy model, DEM) [11]、自动编码器(Auto encoder, AE) [12].鉴于深度网络的强大学习能力, 能够直接从标记或非标记数据集中抽取深层抽象特征, 该技术已成功用于图像识别与检索[13-14]、语音识别[15]、~自然语言处理[16-17]等领域, 而在机器人学习抓取领域还处在起步阶段[18-20].
机器人学习抓取判别研究中, 基于模型的方法保持着较高热度, 如文献[21]对目标3D点云进行分割, 每个分割部分由一个超二次曲面(Superquadrics, SQ)近似表示, 然后用训练好的人工神经网络, 区分每个部分是否为适合的抓取位置.文献[22]同样采用SQ近似表示目标模型, 然后用支持向量机(Support vector machine, SVM)对SQ参数和抓取标记进行离线学习.在线测试中, SVM算法给定SQ参数后, 将自动搜索有效的抓取位置.文献[23]采用马尔科夫场(Markov random field, MRF)对抓取物体进行3D点云建模, MRF的每个节点携带最优和次优两个抓取标记, 该方法通过点云标记的最大后验概率, 实现抓取位置识别.文献[24]研究一种基于局部随机采样鲁棒几何描述的3D匹配与位姿估计方法, 该方法在噪声、遮挡测试环境中取得良好的抓取效果.以上方法依赖于物体3D几何信息, 一方面目标几何模型精度难以保证; 另一方面目标模型计算复杂, 使得整个系统不显优势.与上述基于模型的方法不同, 本文研究多模特征深度学习, 直接从2D图像平面判别抓取位姿, 不失为一种直观简洁的方法.
本文研究多模特征深度学习构建叠层深度网络, 实现机器人抓取位姿最优判别.从问题本质出发, 机器人对目标抓取位置的判别属于机器学习目标识别范畴, 因此本文提出深度学习解决机器人抓取判别问题, 是一种可行有效的方法, 而且避免了传统学习方法耗时、需人工设计特征等缺点.本文研究目标为:给定抓取目标场景图, 机器人视觉系统通过多模特征深度学习推断出最优抓取位姿, 为此, 本文主要研究内容及贡献包括: 1) 采用堆叠降噪自动编码(Denoising auto-encoding, DAE)建立深度网络模型.在网络建模中, 把测试特征分布偏离训练特征视为一类噪化, 通过引入降噪自动编码和稀疏约束条件实现网络权值学习; 在网络学习中, 先对训练数据进行噪化, 再对其进行降噪编码, 提高深度网络对新目标抓取判别的鲁棒性能. 2) 采用Kinect体感传感器获取目标RGB及深度多模数据, 以融合策略处理多模特征的深层抽象表达.实验表明, 与单模相比, 多模特征融合学习大大改善了机器人抓取判别的精确性. 3) 论文研究的多模特征深度学习模型与6自由度机器人相结合, 机器人实现了对不同形状、不同摆放方向物体的抓取判别与定位, 不同情形下的实验结果验证了本文研究方法的实用性.
1. 机器人抓取判别问题描述
给定抓取目标视觉场景图(RGB和深度图), 机器人首先对目标进行感知识别(目标分割、提取有效的初始特征), 然后推断出对其实施抓取的最优位姿(抓取位置和方向), 针对上述研究目标, 机器人抓取判别问题可描述如下:
$t$ 时刻机器人获取抓取目标 $n$ 维特征序列 $X(t)=(x_1(t), x_2(t), \cdots, x_n(t))$ , 假设该目标存在 $\tau$ 个可能的抓取 $G(t)=(g_1(t), g_2(t), \cdots, g_\tau(t))$ , 令“位姿—特征”集 $\Omega_i=(g_i(t), X(t))$ , 其中 $g_i(t), i=1, 2, \cdots, \tau$ 表示第 $i$ 个特定的抓取位姿, 给定二值变量 $\hat{y}_i(t)\in{\{0, 1\}}$ , 有
$ \hat{y}_i(t)=\left\{ \begin{array}{ll} 0, & \Omega_i~\text{为次优集} \\ 1, & \Omega_i~\text{为最优集} \\ \end{array} \right. $
(1) 式(1)指明, 在给定目标特征 $X(t)$ 条件下, $g_i(t)$ 是否为最优抓取位姿.此时, 机器人最优抓取判别问题即转化为以下概率模型的最大化:
$ g^*(t)=\arg {\mathop {\max }\limits_{g_i(t)\in{G(t)}}} \Bigg\{ P(\hat{y}_i(t)=1|\phi(X(t)), W) \Bigg\} $
(2) 式中 $\phi(X(t))\in{{\bf R}^n}$ 为初始特征集 $X(t)$ 的深层抽象表达, $W\in{{\bf R}^n}$ 为判别模型的权值向量.
本文采用 $L$ 层深度学习网络, 构建机器人最优抓取判别模型, 其中输入层的输出量为:
$ h^{[1]}_j(t)=\delta(\sum_{i=1}^n{x_i(t)W_{i, j}^{[1]}}) $
(3) 式中 $\delta(a)=1/(1+{\rm exp}(-a))$ .网络的第 $l-1$ 层输出 $h^{[l-1]}(t)$ 作为第 $l$ 层的输入, 以此类推, 各隐含层输入输出之间关系为:
$ h_{j}^{[l]}(t)=\delta(\sum_{i=1}^{k^{[l-1]}}{h_{i}^{[l-1]}(t)W_{i, j}^{[l]}}), \quad l=2, 3, \cdots, L-1 $
(4) 式中, 上标表示网络层数, 下标表示网络节点, $ k^{[l-1]}$ 为第 $l-1$ 层的节点数.网络的最后一层(第 $L$ 层)为逻辑输出层:
$ P\{\hat{y}(t)=1|X(t), \Theta\}=\delta(\sum_{i=1}^{k^{[l-1]}}{h_{i}^{[L-1]}(t)w_{i}^{[L]}}) $
(5) 式中权值变量 $\Theta=(W^{[1]}, W^{[2]}, \cdots, W^{[L]})$ 通过离线深度学习获取.
2. 基于叠层DAE的多模特征深度参数学习
传统人工神经网络面临一个固有问题, 即测试样本取值分布越接近训练样本, 网络的重建输出效果越好, 而当测试样本分布远离训练样本时, 网络的重建输出效果则不然[25].若一个训练好的网络即便测试样本远离训练样本, 网络的重建误差依然能够保持在较低水平, 那么该网络具备良好的鲁棒性或泛化能力.为了提升网络的鲁棒性能, 实现对新目标的抓取判别, 本文把测试样本异于训练样本看作是被噪声污染后的结果, 在网络训练前对训练特征进行随机噪化, 再对噪化后的特征数据进行降噪编码, 其目的是重建特征的精确复原体.网络的每一层由一个降噪自动编码器组成, 原理如图 1 (a)所示, 假设初始特征集 $X(t)\in{{\bf R}^n}$ 被随机噪声污染后变为 $\widetilde X(t)\in{{\bf R}^n}$ , 噪化过程可看作一种随机映射, 即:
$ \widetilde X(t)\sim {qD(\widetilde{X}(t)|X(t))} $
(6) 式中 $qD$ 为噪声加型函数.降噪自动编码器对噪化后的特征集 $\widetilde X(t)$ 进行降噪编码, 得到:
$ \begin{split} \widetilde Y(t)=~sigm(W\cdot\widetilde X(t)+b^1)=\\ sigm(\sum_{i=1}^{m}\sum_{j=1}^{n}w_{ij}\cdot\tilde x_j(t)+b_i^1) \end{split} $
(7) 式中, $W\in{\bf R}^{m\times n}$ 为 $n$ 个特征的权值矩阵, $b^1\in{\bf R}^{m}$ 为编码偏置向量, $sigm(a)$ 为S型函数, 即 $sigm(a)=(1+{\rm exp}(-a))^{-1}$ .降噪自动编码器再对 $\widetilde Y(t)\in{\bf R}^m$ 进行解码, 得到初始特征集 $X(t)$ 的重建, 即:
$ \begin{split} \widetilde Z(t)=~sigm(V^{\rm T}\cdot\widetilde Y(t)+b^2)=\\ sigm(\sum_{i=1}^{n}\sum_{j=1}^{m}v_{ij}\cdot\tilde y_j(t)+b_i^2) \end{split} $
(8) 式中, $V\in {{\bf R}^{m\times n}}$ 为解码矩阵, $b^2\in{{\bf R}^{n}}$ 为解码偏置向量.
此时, 降噪自动编码器通过极小化重建误差 $\bar{w}(X(t), \widetilde Z(t))$ 实现权值矩阵 $W$ 的学习, 即:
$ \begin{split} \arg {\mathop {\min }\limits_{W} (\bar{w}(X(t), \widetilde Z(t)))}=\\ \quad\arg {\mathop {\min }\limits_{W} (\frac{1}{2}||X(t)-\widetilde Z(t)||^2)}=\\ \quad\arg {\mathop {\min }\limits_{W} (\frac{1}{2}\sum_{i=1}^{n}||x_i(t)-\tilde z_i(t)||^2)} \end{split} $
(9) 为了进一步提升网络的学习效率, 更好地模拟神经元的激活机制, 即神经元只能被感兴趣的视觉特征激活, 本文在权值学习中引入稀疏约束条件, 使得:
$ \begin{split} W^*=\arg {\mathop {\min }\limits_{W} (\bar{w}(X(t), \widetilde Z(t)))}~+\\ \beta \sum_{i=1}^{n}KL(\rho||\hat{\rho}_j)+\lambda \sum_{i} \sum_{j}(w_{ij})^2 \end{split} $
(10) 式中, $\beta$ 为稀疏惩罚权重, $\rho$ 为 $\widetilde Y(t)$ 的期望平均激励响应, $\hat{\rho}_j=\frac{1}{m}\sum_{i=1}^{m}[y_j]_i$ 为第 $j$ 个输入向量 $y_j$ 的平均激励响应, KL为Kullback-Leibler方差, 定义为[26]:
$ \%begin{split} KL(\rho||\hat{\rho}_j)=\rho {\rm log} \frac{\rho}{\hat{\rho}_j}+(1-\rho) {\rm log} \frac{1-\rho}{1-\hat{\rho}_j} \%end{split} $
(11) KL方差实现了稀疏约束, 当 $\rho$ 很小时, 即可得到初始特征的无冗余完备深层抽象特征集.
本文采用叠层DAE构建 $L$ 层深度网络, 其中每一层由一个DAE组成.在叠层学习中, 首先采用DAE学习算法, 根据式(10)初始化输入层权值矩阵 $W^{[1]}$ , 从而重建初始特征向量 $X(t)$ , 然后固定 $W^{[1]}$ , 再次采用DAE学习算法初始化 $W^{[2]}$ , 重建第一层输出向量 $h^{[1]}$ .依次类推, 得到网络权值变量 $\Theta=(W^{[1]}, W^{[2]}, \cdots, W^{[L]})$ .网络的堆叠学习过程如图 1(b)所示, $L$ 个DAE由下往上堆叠构成一个深度网络, 实现从初始输入数据, 逐渐抽取出深层抽象特征.
在堆叠学习中, 我们得到一个单模结构的深度网络, 网络的输入为单模特征.考虑到多模深度网络能够更好地处理多模特征学习问题[11, 27], 本文采用多模视觉特征, 进一步构建多模深度网络.假设 $X_i(t)\in{{\bf R}^n}$ 为第 $i$ 个单模深度网络的输入特征, $g^*_i(t)$ 表示第 $i$ 个单模深度网络输出, 多模深度学习就是要获取 $\lambda$ 个单模深度网络输出的有效融合, 从而有效提高机器人抓取判别精度, 融合方式表示为:
$ \begin{split} g^*(t)=\sum_{i=1}^{\lambda}\theta_i\cdot g^*_i(t) \end{split} $
(12) 式中, $\theta_i \in [0, 1]$ 为第 $i$ 个单模深度网络输出融合权值, 满足 $\sum_{i=1}^{\lambda}\theta_i=1$ .
3. 机器人抓取位姿搜索与判别
为了搜索一个有效的抓取位姿, 使得式(2)最优, 首先需要确定抓取目标所有可能的抓取, 然后利用深度网络对它们各自可能成为最优抓取的概率进行排序, 概率值最大者获胜.文献[28]给出了一种增量快速搜索方法, 认为抓取位姿搜索其本质是像素概率分类问题, 即把概率模型分解成每个像素点属于最优抓取位姿的概率之和, 通过分解计算提高算法的搜索效率.
假设某一已知的抓取位姿 $g(t)$ 对应的概率模型为 $P(g(t))$ , 我们把增量 $\bigtriangleup g(t)$ 合并到 $g(t)$ 中, 得到扩展抓取位姿 $g{'}(t)=g(t)\cup \bigtriangleup g(t)$ , 与此抓取位姿对应的图像特征可表示为:
$ \begin{split} \phi_i(g{'}(t))=~\phi_i(g(t)\cup \bigtriangleup g(t))=\\ \phi_i(g(t))+\phi_i(\bigtriangleup g(t)) \end{split} $
(13) 扩展抓取位姿 $g{'}(t)$ 的最优判别式, 如下:
$ \begin{split} P(g{'}(t))=~P(g(t)\cup \bigtriangleup g(t))=\\ \sum_{i=1}^{k}w_i\phi_i(g(t)\cup \bigtriangleup g(t))=\\ P(g(t))+P(\bigtriangleup g(t)) \end{split} $
(14) 不失一般性, 图像特征满足:
$ \phi_i(g(t))=\sum_{(u, v)\in G}\phi_i(I(u, v)), \quad \forall i=1, \cdots, k $
(15) 式中, $\phi_i(I(u, v))$ 表示像素点 $(u, v)$ 的第 $i$ 个特征值, 通过式(15)可计算出抓取位姿 $g(t)$ 区域内所有像素点的 $k$ 个特征之和, 于是 $P(g(t))$ 的计算公式可表示为:
$ \begin{split} P(g(t))=\sum_{i=1}^{k}w_i\phi_i(g(t))=\\ \sum_{i=1}^{k} \sum_{x=r_G}^{r_G+n_G}\sum_{y=c_G}^{c_G+m_G} w_i\phi_i(I(u, v))=\\ \sum_{x=r_G}^{r_G+n_G}\sum_{y=c_G}^{c_G+m_G} \sum_{i=1}^{k} w_i\phi_i(I(u, v))=\\ \sum_{x=r_G}^{r_G+n_G}\sum_{y=c_G}^{c_G+m_G} F(u, v)\\ \end{split} $
(16) 综上所述, 首先定义一个大小与图像 $I$ 相同的矩阵 $F(u, v)\in {\bf R}^{r\times c}$ , $F(u, v)$ 元素代表图像 $I$ 中各像素属于最优抓取区域的概率, 矩阵 $F$ 称为像素概率矩阵.此时可把最优抓取判别描述为, 给定大小为 $r\times c$ 的像素概率矩阵 $F$ , 在 $F$ 内部查找一个抓取位姿 $g(t)$ , 使得 $g(t)$ 区域内包含 $F$ 子元素之和最大, 其本质是在 $F$ 中查找一个最大和子矩阵 $F{'}$ .本文采用递增查找算法, 使得 $F{'}$ 所有元素之和最大, 算法实现如下:
算法 1. 抓取位姿搜索算法
初始化 $F$ 中子区域 $F{'}$ 的大小, 即 $r_G$ 和 $n_G$ 固定
初始化当前值 $s_y=f(G)=0$ , 最大 $s^*=f(G^*)=0, i=1$
For $y=i:c$
计算: $F{'}(y)=\sum_{x=r_G}^{r_G+n_G}F(x, y)$
$s_y \leftarrow s_y+F{'}(y)$
If $F(x, y) < 0$ then
$s_{y+1}=0 $
$y=i+1$
end If
end For
计算: $s^*={\rm max}(s_y)$
4. 实验结果分析
为了测试本文多模特征深度学习方法在机器人抓取判别中的有效性, 首先采用抓取样本数据, 离线训练所构建的网络模型.网络的输入为多模特征数据集, 输出为目标的最优抓取区域.训练数据集包含日常生活中的180个物体, 总共935幅样本场景图, 每幅图像中的抓取目标都标记了3~5个抓取位置.多模特征包括RGB、YUV以及深度特征D三类特征, 总共7个通道, 我们把标记区域规范化为一个30像素×30像素的图像块, 所以总的多模特征数为30×30×7=6 300.在深度网络学习过程中, 网络包括2个隐含层, 每个隐含层包含300个节点, 网络训练选用Intel Core i5 1.8 GHz处理器, 8 GB RAM, 安装Windows 8操作系统的个人计算机, 在Matlab 2011b环境中训练时间近1.5小时.
在线抓取判别测试中, 采用微软Kinect体感摄像机, 在VS与Matlab交叉编译环境下, 获取抓取目标RGB图像和深度图像, 采集到的部分测试数据如图 2所示, 代表四类目标物:杯子、盘子、矩形盒、工具.针对不同形状、大小、摆放方向的测试目标, 抓取判别试验结果如图 3所示, 从结果中可看出判别模型参照人的抓取习惯, 即矩形盒抓中间、杯子抓杯柄、盘子抓边缘、工具抓把柄, 表明本文研究的多模特征深度学习抓取判别方法具备以下两个特性: 1) 针对不同类别的抓取目标, 学习算法依据人的抓取习惯, 实现抓取位置的最优判别, 说明该方法具有一定的智能学习判别特性. 2) 试验中部分测试目标不同于网络训练样本, 这说明本文构建的多模特征深度学习网具有较好的鲁棒特性, 即机器人在面临新的抓取目标时, 同样能够实现抓取判别.
为了进一步验证本文方法的鲁棒性能与特性, 我们进行以下两种情形的比较试验:
情形 1. 相同训练特征, 不同训练方法试验比较, 网络输入为相同的RGB-YUV-D多模特征, 分别采用自动编码(AE)和本文降噪自动编码(DAE)方法训练网络.在网络权值学习中忽略式(6), 即初始多模特征不进行噪化处理, 从而式(7)退化为常规AE编码, 然后用AE方法训练网络.这种训练模式下, 网络在线测试结果如图 4所示, 其中图 4(a)测试目标“杯子”、“盘子”、“工具”包含在训练样本集中, 此时AE和本文DAE方法的试验结果比较接近, 二者抓取判别效果令人满意. 图 4(b)测试目标“接线导轨”、“订书机”、“测量仪”不包含在训练样本中, 此时本文DAE方法测试结果明显优越于AE方法, 说明当面临新目标时, AE网络的判别效果变差, 不能满足工程要求, 而本文DAE网络依然能够保持良好的判别效果.试验结果表明, 本文把测试特征偏离训练特征视为一类噪化, 通过引入带约束的降噪自动编码方法对目标特征进行学习是一种有效举措, 训练样本先噪化再降噪编码, 有效提高了网络的鲁棒性能.
图 4 AE和本文DAE训练方法结果比较Fig. 4 Results comparison between AE and our DAE training methods情形 2. 相同DAE训练方法, 不同训练特征试验比较.
分别采用RGB-YUV、RGB-D、RGB-YUV-D三种特征训练网络.首先通过设定某个特征的融合权值 $\theta_i$ 为0, 实现从RGB-YUV-D中剔除某一特征数据, 即网络退化为单模深度网络, 再与本文的多模深度网络进行比较.试验结果如图 5所示, 可看出RGB-YUV网络判别效果最差, 其次为RGB-D网络, 而本文RGB-YUV-D多模特征网络判别结果最优, 表明本文采取的多模特征融合策略, 处理多模特征深层抽象表达真实有效, 从而大大改善了网络的判别精度.
本文研究方法与6自由度工业机器人相结合, 构建机器人视觉伺服抓取定位试验平台, 验证本文方法的实际应用效果.在机器人抓取定位实验中, 深度摄像机安放在机器人的基坐标系中, 位置大致为x=200 mm, y=150 mm, z=680 mm, 相机成像平面尽量与机器人坐标系Y-轴平行.相机通过USB接口与PC相连, PC通过RS232串口与机器人控制器相连接, 构成机器人视觉伺服闭环系统. PC作为上位机主要完成图像采集、图像处理及执行抓取判别算法, 机器人控制器作为下位机完成机器人运动学运算, 同时驱动机器人各个关节.
首先, 机器人对不同物体实施抓取判别与定位实验, 结果如图 6所示, 机器人根据深度网络输出的抓取位姿判别结果(图 6(a)), 再实施对其目标抓取定位(图 6(b)), 可看出机器人成功实现了对矩形盒和杯子的抓取判别与定位.其次, 为了进一步验证研究方法的可靠性, 我们对相同物体、不同摆放方向进行测试, 结果如图 7所示, 机器人对摆放方向大致为-5°、35°、270°的同一物体成功实施抓取判别与定位.从以上结果可直观看出, 本文研究方法适用于不同形状、不同摆放姿态物体的抓取判别与定位.值得一提的是, 我们沿用了目标识别一贯表示方式, 用一个矩形框来表示抓取位姿, 同时考虑目标物为刚性物体, 在抓取定位精确情况下机器人即可进行简单的两指挟持操作, 后续工作也将进一步研究机器人多指抓取操作问题.
图 6 机器人对不同物体实施抓取判别与定位Fig. 6 Robot executing grasp recognition and positioning for different targets
图 7 机器人对不同摆放方向物体实施抓取判别与定位Fig. 7 Robot executing grasp recognition and positioning for targets with different poses最后, 我们对图 2中四类不同物体、不同摆放方向进行总计96次机器人抓取定位实验, 结果统计如表 1所示, 从有限代表性实验中得出机器人抓取定位平均成功率为91.7 %, 综上得证本文研究方法的实用性.
表 1 机器人对不同物体、不同摆放方向抓取定位统计结果Table 1 Results of robot grasp positioning for different targets with different poses矩形盒 杯子 盘子 工具 总计 实验总次数 23 21 27 25 96 成功次数 22 18 25 23 88 成功率(%) 95.7 85.7 92.6 92 91.7 5. 结论
本文针对机器人抓取判别与定位问题, 给出了叠层多模特征深度学习与融合抓取判别方法.本文把测试特征偏离训练特征视为一类噪化, 通过引入降噪自动编码和稀疏约束条件实现网络权值学习, 提高了叠层DAE网对新目标抓取判别的鲁棒性能.考虑多模视觉特征, 采取多模特征融合策略处理多模特征的深层抽象表达, 有效改善了网络的判别精度.试验表明判别模型依据人的抓取习惯, 实现了不同摆放姿态、不同形状物体的抓取判别, 6自由度工业机器人抓取定位实验验证了方法的实用性.
-
图 1 间歇故障与滑动时间窗口的相对位置关系
Fig. 1 Relative positions between the intermittent fault and the sliding-time windo
图 4 初始残差信号 $r_1(k)$ 和新残差信号 $r_1(k, \Delta k_1)$
Fig. 4 Comparing $r_1(k, \Delta k_1)$ with $r_1(k)$
图 5 初始残差信号 $r_2(k)$ 和新残差信号 $r_2(k, \Delta k_2) $
Fig. 5 Comparing $r_2(k, \Delta k_2)$ with $r_2(k)$
图 6 初始残差信号 $r_3(k)$ 和新残差信号 $r_3(k, \Delta k_3) $
Fig. 6 Comparing $r_3(k, \Delta k_3)$ with $r_3(k)$
表 1 间歇故障发生(消失)时刻及其实际检测值
Table 1 The detection result of $m_3(k)$ by using the proposed method
q $\mu_{3, q}$ $\mu_{3, q}^{\text{dec}}$ $\nu_{3, q}$ $\nu_{3, q}^{\text{dec}}$ 1 5.00 5.03 5.57 5.62 2 6.02 6.03 6.59 6.67 3 7.14 7.15 7.75 7.77 4 8.32 8.34 8.83 8.87 5 9.26 9.28 9.76 9.87 
下载: 导出CSV
-
[1] 周东华, 史建涛, 何潇.动态系统间歇故障诊断技术综述.自动化学报, 2014, 40(2):161-171 http://www.aas.net.cn/CN/abstract/abstract18279.shtmlZhou Dong-Hua, Shi Jian-Tao, He Xiao. Review of intermittent fault diagnosis techniques for dynamic systems. Acta Automatica Sinica, 2014, 40(2):161-171 http://www.aas.net.cn/CN/abstract/abstract18279.shtml [2] Chen M Y, Xu G B, Yan R Y, Ding S X, Zhou D H. Detecting scalar intermittent faults in linear stochastic dynamic systems. International Journal of Systems Science, 2015, 46(8):1337-1348 http://cn.bing.com/academic/profile?id=2005939068&encoded=0&v=paper_preview&mkt=zh-cn [3] Correcher A, García E, Morant F, Quiles E, Blasco-Gimenez R. Intermittent failure diagnosis in industrial processes. In:Proceedings of the 2003 IEEE International Symposium on Industrial Electronics. Rio de Janeiro, Brazil:IEEE, 2003. 723-728 [4] Rashid L, Pattabiraman K, Gopalakrishnan S. Characterizing the impact of intermittent hardware faults on programs. IEEE Transactions on Reliability, 2015, 64(1):297-310 doi: 10.1109/TR.2014.2363152 [5] Shivakumar P, Kistler M, Keckler S W, Burger D, Alvisi L. Modeling the impact of device and pipeline scaling on the soft error rate of processor elements. Computer Science Department, University of Texas at Austin, 2002. http://cn.bing.com/academic/profile?id=87137010&encoded=0&v=paper_preview&mkt=zh-cn [6] 周东华, 魏慕恒, 司小胜.工业过程异常检测、寿命预测与维修决策的研究进展.自动化学报, 2013, 39(6):711-722 http://www.aas.net.cn/CN/abstract/abstract18097.shtmlZhou Dong-Hua, Wei Mu-Heng, Si Xiao-Sheng. A survey on anomaly detection, life prediction and maintenance decision for industrial processes. Acta Automatica Sinica, 2013, 39(6):711-722 http://www.aas.net.cn/CN/abstract/abstract18097.shtml [7] Sorensen B A, Kelly G, Sajecki A, Sorensen P W. An analyzer for detecting intermittent faults in electronic devices. In:Proceedings of AUTOTESTCON'94 IEEE Conference on Systems Readiness Technology——"Cost Effective Support into the Next Century". Anaheim, USA:IEEE, 1994. 417-421 [8] Yesilyurt I, Gu F S, Ball A D. Gear tooth stiffness reduction measurement using modal analysis and its use in wear fault severity assessment of spur gears. NDT and E International, 2003, 36(5):357-372 doi: 10.1016/S0963-8695(03)00011-2 [9] Zanardelli W G, Strangas E G, Aviyente S. Identification of intermittent electrical and mechanical faults in permanent-magnet AC drives based on time-frequency analysis. IEEE Transactions on Industry Applications, 2007, 43(4):971-980 doi: 10.1109/TIA.2007.900446 [10] 马洁, 李刚, 陈默.基于非线性故障重构的旋转机械故障预测方法.自动化学报, 2014, 40(9):2045-2049 http://www.aas.net.cn/CN/abstract/abstract18477.shtmlMa Jie, Li Gang, Chen Mo. Nonlinear fault reconstruction based fault prognosis for rotating machinery. Acta Automatica Sinica, 2014, 40(9):2045-2049 http://www.aas.net.cn/CN/abstract/abstract18477.shtml [11] Hamel A, Gaudreau A, Cote M. Intermittent arcing fault on underground low-voltage cables. IEEE Transactions on Power Delivery, 2004, 19(4):1862-1868 doi: 10.1109/TPWRD.2003.822979 [12] Correcher A, García E, Morant F, Quiles E, Rodriguez L. Intermittent failure dynamics characterization. IEEE Transactions on Reliability, 2012, 61(3):649-658 doi: 10.1109/TR.2012.2208300 [13] Kim C J. Electromagnetic radiation behavior of low-voltage arcing fault. IEEE Transactions on Power Delivery, 2009, 24(1):416-423 doi: 10.1109/TPWRD.2008.2002873 [14] 周东华, 陈茂银, 徐正国.可靠性预测与最优维护技术.合肥:中国科学技术大学出版社, 2013.Zhou Dong-Hua, Chen Mao-Yin, Xu Zheng-Guo. The Reliabibility Prediction and Optimal Maintenance Technology. Hefei:Press of University of Science and Technology of China, 2013. [15] 徐贵斌.动态系统故障诊断及预测研究[硕士学位论文], 清华大学, 中国, 2011.Xu Gui-Bin. Researches on Fault Diagnosis and Prediction in Dynamic Systems[Master dissertation], Tsinghua University, China, 2011. [16] Krasnobaev V A, Krasnobaev L A. Application of Petri nets for the modeling of detection and location of intermittent faults in computers. Automation and Remote Control, 1989, 49(9):1198-1204 [17] Bennett S M, Patton R J, Daley S, Newton D A. Torque and flux estimation for a rail traction system in the presence of intermittent sensor faults. In:Proceedings of United Kingdom Automatic Control Council International Conference on Control'96. Exeter University, UK:IET, 1996. 72-77 [18] Wang Y, Xu G H, Zhang Q, Liu D, Jiang K S. Rotating speed isolation and its application to rolling element bearing fault diagnosis under large speed variation conditions. Journal of Sound and Vibration, 2015, 348:381-396 doi: 10.1016/j.jsv.2015.03.018 [19] Zhou C J, Huang X F, Xiong N X, Qin Y Q, Huang S. A class of general transient faults propagation analysis for networked control systems. IEEE Transactions on Systems, Man, and Cybernetics:Systems, 2015, 45(4):647-661 doi: 10.1109/TSMC.2014.2384480 [20] 顾洲, 张建华, 杜黎龙.一类具有间歇性执行器故障的时滞系统的容错控制.控制与决策, 2011, 26(12):1829-1834 http://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201112014.htmGu Zhou, Zhang Jian-Hua, Du Li-Long. Fault tolerant control for a class of time-delay systems with intermittent actuators failure. Control and Decision, 2011, 26(12):1829-1834 http://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201112014.htm [21] Edelmayer A, Bokor J, Szigeti F, Keviczky L. Robust detection filter design in the presence of time-varying system perturbations. Automatica, 1997, 33(3):471-475 doi: 10.1016/S0005-1098(96)00189-6 [22] Kudva P, Viswanadham N, Ramakrishna A. Observers for linear systems with unknown inputs. IEEE Transactions on Automatic Control, 1980, 25(1):113-115 doi: 10.1109/TAC.1980.1102245 [23] Meskin N, Khorasani K. Fault detection and isolation of discrete-time Markovian jump linear systems with application to a network of multi-agent systems having imperfect communication channels. Automatica, 2009, 45(9):2032-2040 doi: 10.1016/j.automatica.2009.04.020 -
下载:
计量
- 文章访问数: 2568
- HTML全文浏览量: 307
- PDF下载量: 1821
- 被引次数: 0
