一种AGV故障诊断方法

一种AGV 故障诊断方法
刘传家1,2,赵常均1,2,王远航1,林贞琼2
(1.工业和信息化部电子第五研究所,广东广州511370;
2.广州智能装备研究院有限公司,广东
广州
510700)
摘要:自动导引车(AGV )被广泛地应用于各个行业的柔性搬运工作中,针对AGV 故障诊断应用需求的日
益提升,提出了一种AGV 故障诊断方法。

首先,利用一组卡尔曼滤波器对AGV 运动状态进行预测,提取预测残差对应的马氏距离作为故障特征;然后,利用混合粒子群算法优化BP 神经网络的初始权值及阈值,根据故障特征输入数据给出最终诊断结果。

通过AGV 在正常和故障状态下的实验数据,验证了所提出算法的有效性。

关键词:故障诊断;卡尔曼滤波器;预测残差;BP 神经网络中图分类号:TP 183
文献标志码:A
文章编号:1672-5468(2021)02-0026-05
doi:10.3969/j.issn.1672-5468.2021.02.006A Fault Diagnosis Method of AGV
LIU Chuanjia 1,2,ZHAO Changjun 1,2,WANG Yuanhang 1,LIN Zhenqiong 2
(1.CEPREI ,Guangzhou 511370,China ;
2.Guangzhou Intelligent Equipment Research Institute Co.,Ltd.,Guangzhou 510700,China )
Abstract :Automatic guide vehicle (AGV )is widely used in the flexible handling of various
industries.In view of the increasing demand of AGV fault diagnosis ,an AGV fault diagnosis method is proposed .Firstly ,a bank of kalman filters is used to predict the motion state of AGV ,and a set of mahalanobis distance corresponding to the predicted residuals is extracted as the fault feature.Then ,the initial weights and thresholds of BP neural network are optimized by hybrid
particle swarm optimization algorithm ,and the final results are given based on input fault feature data.And the validity of the proposed method is verified through the test data of AGV under normal and fault conditions .
Keywords :sfault diagnosis ;kalman filter ;predicted residual ;BP neural network
收稿日期:2020-06-23
作者简介:刘传家(1982-),男,黑龙江绥化人,工业和信息化部电子第五研究所、广州智能装备研究院有限公司工程师,
博士,从事机器人视觉归航、设备故障诊断方面的研究工作。

电子产品可靠性与环境试验
ELECTRONIC PRODUCT RE L IABIL I TY AND ENVI R ONMENTAL TESTING 计算机科学与技术
0引言
随着企业物流运输系统对运行成本、柔性化
和信息化等方面的需求,自动导引车(AGV )在物流自动化运输领域中的应用越来越广泛[1]。

在
实际生产中,作为物料运输工作的主要执行者,如果AGV 故障的检测不准确、处理不及时,整个
运输系统将工作在无法预测的方式下,轻则影响生产效率,重则给企业造成重大安全事故及财产损失。

因此,对AGV 故障诊断方法的研究具有重要的实际应用价值。

随着AGV 故障诊断应用需求的日益提升,部分学者针对相关故障特征提取及诊断方法开展了研究
[2-6]。

在上述基础上,本文以
轮式AGV 为研究对象,主要研究了基于卡尔曼滤
第2期波的残差预测及故障特征提取方法,以及基于BP 神经网络的故障诊断方法。

同时,对上述研究进行拓展,提出了一种基于混合粒子群算法的BP 神经网络参数优化方法和一套完整的AGV 故障诊断方法。

1算法设计
轮式AGV 的主要故障可分为机械故障和传感
器故障两类,每一类包括多种具体的故障形式。

本文仅针对上述两类中的部分故障形式进行研究,其中,机械故障主要指左、右驱动轮打滑;传感器故障主要指陀螺仪故障。

定义故障类型为F 1-F 4,
分别对应正常状态、左侧车轮打滑、右侧车轮打滑和陀螺仪故障4种状态。

1.1AGV 故障特征提取
本文的主要研究对象是轮式AGV ,该AGV 具有2个驱动轮和4个从动轮,配有2个编码器和1个陀螺仪。

AGV 的运动学模型如图1所示。

根据图1,上述AGV 的运动学模型可以表示如下:
θk +1=θk +θθ
̇=υR -υL L
V =υR +υL
2⎧⎩
⏐
⏐⏐⏐⏐⏐⏐⏐⎨⏐⏐⏐⏐⏐⏐⏐⏐(1)
式(1)中:θ———AGV 中轴线与x 轴的夹角;
θ̇———AGV 偏航率;
υL ———左轮速度;υR ———右轮速度;
L ———驱动轮之间的距离;
V ———AGV 速度。

根据AGV 运动学模型,为通过卡尔曼滤波器计算残差,建立AGV 的状态方程如下:
x (k +1)=Ax (k )+w (k )z (k )=Hx (k )+υ(k )
{
(2)
式(2)中:x ———系统状态,x =[υL υR θ
̇]T ;z ———系统观测,z =[υL υR θ
̇]T ;w (k )——
—过程噪声;υ(k )———测量噪声。

卡尔曼滤波器的迭代方程如下:x (k +1|k )=A x (k |k )
P (k +1|k )=AP (k |k )A T +Q K g (k +1)=P (k +1|k )H T (HP (k +1|k )H T +R )-1x (k +1|k +1)=x (k +1|k )+K g (z (k +1)-H x (k +1|k ))
P (k +1|k +1)=(I -K g (k +1)H )P (k +1|k )
⎧⎩
⏐
⏐⏐⏐⏐⏐⏐⏐⏐⎨⏐⏐⏐⏐⏐⏐⏐⏐⏐(3)
式(3)中:A ——
—系统状态矩阵;P ———状态估计协方差矩阵;
K g ———卡尔曼滤波器增益矩阵;Q ———过程噪声协方差矩阵;R ———测量噪声协方差矩阵;
H ———观测矩阵;I ———单位矩阵。

系统状态矩阵A 和观测矩阵H 需要根据所建立的故障模型来定义。

对于AGV 一侧轮胎打滑,可以认为在运动模型中对应侧的速度对于偏航率不起作用,即对应侧的速度为零。

对于陀螺仪故障,可以认为偏航率不再受左、右轮速度的影响。

基于上述分析,给出部分故障模型下的A 阵及H 阵值
示例:正常状态时,A =
100010-1/L 1/L 0
[
]
,H =
10001000
1
[]
;左侧轮胎发生打滑故障时,A =
1000100
1/L
[
],H =1
000
10001
[
]。

依据上述卡尔曼滤波器模型,令系统实际测量
值z =[v L v R θ̇]T ,最优估计值z ^=[v ^L v ^R ]T ,则残差r=z-z ^。

采用残差的马氏距离作为故障特征,具体的计算方法如下
[7]
:
D=r T S -1r
(4)
式(4)中:r ———卡尔曼滤波器预测残差;
S =HPH T +R 。

.θ^图1轮式AGV 运动学模
型
刘传家等院一种AGV 故障诊断方法
电子产品可靠性与环境试验2021年
1.2神经网络设计及参数优化
结合BP 神经网络预测精度高及应用广泛等特点,本文采用BP 神经网络进行故障诊断处理
[8-9]。

网络设计为包含输入层、隐含层和输出层的3层网络结构,其中输入、输出层各包含4个神经元节点,隐含层包含9个神经元节点。

为了提高BP 神经网络的收敛速度
[10]
,避免陷入局部最小值,采
用标准粒子群与遗传算法相结合的混合粒子群算法对网络最优参数进行估计。

混合算法摒弃了传统粒子群算法中通过跟踪极值来更新粒子位置的方法,引入遗传算法中的交叉和变异操作,通过粒子同个体极值和群体极值的交叉,以及粒子自身的变异的方式搜索最优解,可以有效地改善标准粒子群算法存在的局部最优解问题。

算法的具体设计如下。

a )个体编码
粒子个体编码采用实数编码的方式,编码长度根据BP 神经网络结构设置为85,初始时每个粒子随机生成。

b )适应度函数
为了使BP 神经网络预测值与期望值的残差尽量小,选择样本预测值与期望值的欧氏距离之和作为适应度函数。

c )交叉操作
个体通过和个体极值、群体极值交叉进行更新,这里极值即最优解。

首先,在个体长度范围内随机产生一个区间,个体将上述区间内的编码与极值对应区间内的编码执行交叉操作。

对上述交叉操作得到的新个体采用优秀个体保留策略,即当新粒子的适应度优于旧粒子时才更新粒子个体。

设第i 个粒子个体为a i ,极值粒子为a o ,则两个粒子个体在第j 位编码的交叉操作如下所示:a ′ij =a ij (1-b )+a oj b
(5)
式(5)中:
a ′ij ———新个体第j 位编码的值;
b ———[0,1]区间的随机数。

d )变异操作
在粒子个体长度范围内随机生成4个位置,然后分别针对这4个位置执行变异操作。

与交叉操作类似,在变异操作中仍然采用优秀个体保留策略。

第i 个粒子个体中第j 位编码的具体变异操作如下所示:
a ′ij =a ij +(a max -a ij )*k (1-g/G )2
,r ≥0.5
a ij +(a min -a ij )*k (1-g/G )2
,r <0.5
(6)
式(6)中:a max ———a ij 的取值上界;a min ———a ij 的取值下界;g ———当前迭代次数;G ———最大迭代次数;
k 、r ———[0,1]区间的随机数。

基于上述(1)-(4)的设计,利用混合粒子群算法优化BP 神经网络参数的具体过程如图2所示。

1.3故障诊断方法设计
本文设计的基于故障特征和BP 神经网络的
AGV 故障诊断方法的基本框架如图3所示。

在图3中,KF 1-KF 4分别为针对F 1-F 44个故
障状态设计的卡尔曼滤波器,具体的故障诊断方法流程如下:
a )分别获取左、右驱动轮编码器及陀螺仪传感器输出数据;
b )将上述数据分别输入到KF 1-KF 44个卡尔
曼滤波器中,每个滤波器都产生一组对应的残差
图2基于混合粒子群
的BP 神经网络参数优化
流程
图3AGV 故障诊断方法框架
第2期矩阵;
c )计算每个残差矩阵对应的马氏距离,分别
对这些数据进行归一化处理,将处理后的数据作为AGV 的故障特征;
d )采集多组数据分别按照步骤a )-c )提取
故障特征并对这些故障特征数据进行手动标定,利用标定后的数据对基于混合粒子群优化的BP 神
经网络进行训练;
e )利用训练好的BP 神经网络模型实现轮式
AGV 的故障诊断工作,给出最终诊断结果。

2
仿真与实验
AGV 故障诊断实验主要包括独立实验和统计
实验两个部分:在独立实验中,令AGV 分别在正常和故障状态下运行,采集5组数据并进行在线
分析诊断;在统计实验中,对100组数据进行离线仿真分析,进行两次实验,每次随机分配50组数据,统计故障诊断情况。

下面首先给出独立实验的测试结果,具体如表1所示。

基于表1可以得出如下结论。

a )本文设计的故障诊断方法基本能够完成
AGV 车轮打滑及陀螺仪的故障诊断,方法的有效性可以得到初步验证。

b )对于陀螺仪的故障诊断出现了漏诊现象,
即将陀螺仪故障诊断为正常状态,出现上述问题的主要原因是由于AGV 在进行较长时间的直线运动时其陀螺仪输出会保持一定的数值不变,或在较小的范围内变化,如果此时AGV 的陀螺仪传感器损坏并且也表现为输出数据不变,则故障诊断算法难以及时发现,因此出现了表1所示的漏诊现象。

统计实验结果如图4所示。

从图4中可以看出,在两次各50组数据的统计测试实验中,本文设计的故障诊断方法均可以达到85%以上的诊断准确率,该实验结果在独立实验的基础上进一步地验证了AGV 故障诊断方法的有效性。

3结束语
本文主要研究设计了一种AGV 故障诊断方
法,主要实现步骤如下:1)采集AGV 编码器及陀螺仪输出数据,利用卡尔曼滤波器计算预测残差,然后计算残差对应的马氏距离作为故障特征;
b 测试结果2
图4AGV 故障诊断统计实验结果
数据1
数据2数据3数据4数据5F 1
0.9586
0.3465
0.1236
0.0862
0.7635
F 2
0.1365
0.88630.28330.17320.0897
F 3
0.0708
0.3016
0.8677
0.1523
0.2031
F 4
0.20130.06510.05630.90630.4235诊断结果F 1F 2F 3F 4F 1实际故障
F 1
F 2
F 3F 4F 4
表1独立实验结果AGV 车轮打滑及陀螺仪故障诊断结果
准确率=86%
真实故障诊断结果
F 4
F 3
F 2
F 1
01020
304050
测试数据编号
a 测试结果1
AGV 车轮打滑及陀螺仪故障诊断结果
准确率=90%
真实故障诊断结果
F 4
F 3F 2F 1
01020
304050
测试数据编号
刘传家等院一种AGV 故障诊断方法
电子产品可靠性与环境试验2021年生物传感器打开观察植物内部运作新视角
日前,德国拜罗伊特大学和图宾根马克斯·普朗克发育生物学研究所科学家开发出一种新型传感器,可以实时显示植物细胞中生长素的空间分布,并可快速检测环境变化对植物生长的影响。

这种传感器为研究人员打开了观察植物内部运作的全新视角。

相关研究成果发表在最近的《自然》杂志上。

无论是种子的胚胎发育、根系生长,还是植物对阳光方向的反应,生长素都具有协调植物对外界刺激反应的功能。

为了触发对外部刺激的反应,它必须存在于所需的细胞组织中。

迄今为止,人们还无法在细胞分辨率上直接确定生长素的时空分布。

此次,研究人员开发出一种新型基因编码的生物传感器,可将植物体内生长素的分布定量可视化。

其特殊之处在于,它是一种植物经改造后可自己产生的人造蛋白质,而不必经由外部引入。

他们利用这种传感器实时观察了细胞组织需要生长素的时空间分布动态过程。

在开发这种生物传感器时,研究人员发现大肠杆菌中有一种蛋白质可与两种荧光蛋白偶联,并在这些配对蛋白非常接近时发生荧光共振能量转移
(FRET)。

这种蛋白可与氨基酸色氨酸结合,但与生长素的结合要差得多。

他们希望通过基因改造,使其能更好地与生长素结合,并使其FRET效应只在蛋白质与生长素结合时发生。

研究人员对植物进行了基因改造,使其在某种刺激下可在细胞组织中产生满足这些要求的蛋白质。

于是,新型生物传感器诞生了:强烈的荧光信号表明了细胞组织中生长素的位置,提供了细胞内生长素分布的精确“快照”,且不会对生长素控制过程造成永久影响。

传感器的发展是一个漫长的过程,在这个过程中,我们已经获得了关于蛋白质如何被选择性地改变以结合特定小分子的基本见解。

”拜罗伊特大学蛋白质设计学教授比尔特·哈克说,“预计在未来几年,新的生物传感器将发现更多关于植物内部运作以及它们对外界刺激反应的新见解。

”
(摘自新华网)
权值及阈值,通过优化后的神经网络根据故障特征输入数据完成故障诊断。

最后,通过实验测试验证了本文中所提出的方法的有效性。

参考文献院
[1]杨文华.AGV技术发展综述[J].物流技术与应用, 2015,20(11):52-54.
[2]KHALASTCHI E,KALECH M.Fault detection and diag nosis in multi-robot systems:a survey[J].Sensors,2019, 19(18):4019.
[3]陆娴,郭昊坤,陆国超.基于MATLAB的AGV运行故
障仿真研究[J].科学技术与工程,2011(9):259-261.
[4]HWANG I,KIM S,KIM Y,et al.A survey of fault detec⁃tion,isolation,and reconfiguration methods[J].IEEE Transactions on Control Systems Technology,2010,18 (3):636-653.
[5]林吉良,蒋静坪.基于模糊聚类的移动机器人并发故障
诊断[J].浙江大学学报:工学版,2010(3):48-52.
[6]VERMA V,GORDON G,SIMMONS R,et al.Real-time fault diagnosis[robot fault diagnosis][J].IEEE Robotics &Automation Magazine,2004,11(2):56-66. [7]柳玉甜,蒋静坪.基于多模型和小脑模型关节控制器神
经网络的移动机器人故障诊断[J].电工技术学报, 2007,22(3):153-158.
[8]IKBAL Eski,SELCUK Erkaya,SERTAC Savas,et al. Fault detection on robot manipulators using artifcial neural networks[J].Robotics and Computer Integrated Manufac⁃turing,2011,27(1):115-123.
[9]张会彬,蒋强,张伟,等.基于神经网络观测器的机器
人故障诊断方法研究[J].自动化与仪表,2018,33 (8):49-53.
[10]行鸿彦,邹水平,徐伟,等.基于PSO-BP神经网络的
湿度传感器温度补偿[J].传感技术学报,2015(6): 864-869.。