第6讲：生物启发神经网络模型及应用11
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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 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
标点都被访问过以后，任务完成。
3
图1给出了一个多AUV多目标点任务分配示例， 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AUV机器 人，绿色的圆圈代表目标点。此外，假定机器人 都是相同的AUV，具备基本的导航、避障和位
58
不如CA-CMAC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2中，“轻微拥堵2”故障 （s=0.3），由于神经网络训练样本中未出现，CACMAC能输出一个接近实际故障大小的具体数据， 而对SOM来说诊断结果就是“中等拥堵3”：=0.5， 这与实际故障大小误差较大；对“完全失效”故障 (s=1)，CA-CMAC输出结果为0.9左右，接近实际故 障大小s=1，而SOM诊断结果只能为“严重拥堵4” 故障模式s=0.75，两者的诊断结果差距就更大了。 可见本文设计的CA-CMAC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 务。
52
7.2.2推进器故障在线辨识 OUTLAND1000推进器故障大小辨识可以采用双 参数CA-CMAC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 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 在融合处理时，采用控制电压信号作为CMAC的 另外一个输入；输出分别是“正常状况、各种拥 堵状况、完全失效故障的拥堵规划系数”，训练 CA-CMAC。 训练好的CA-CMAC可以作为在线 故障辨识器使用。
14
15
16
2.PCA信号预测模型
17
18
19
20
21
22
23
24
25
26
27
28
Biblioteka Baidu 29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
7.4 水下机器人推进器故障辨识信息融合
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。 对此近年来Edin O. 和 Geoff R.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 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(jammed)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 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 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 快速集成水下机器人故障诊断与容错控制方法。
53
将现场实测的方向变化率、控制信号输入训练 好的CA-CMAC，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 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， 计算转动力矩之和，利用OUTLAND1000力矩 之和为零，推算出新的推力配置，进而计算出 控制电压分配，可以实现水下机器人巡航状态 的容错控制。
2
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，
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 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
点都需要一个机器人在该点完成一定的工作。机器
48
7.1 OUTLAND1000推进器布置 实验及数据采集均来源于无人开架水下机器人 OUTLAND1000。OUTLAND1000水下机器人的推 进器配置。图2为OUTLAND1000水下机器人推进器 配置图，它共有4个推进器，2个尾推(尾部水平舵 推)：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： 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 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7公分的位置。在故障诊断实验中， 它处于停转状态。图3是对应的尾部推进器实物图片。
1
多自治水下机器人多任务分配的自组织算法
自治水下机器人AUV(Autonomous Underwater Vehicle)是在与母船之间没有任何物理连接,无人驾驶 的情况下，依靠自身携带的动力以及机器智能自主完 成复杂海洋环境中预定任务的机器人。由于AUV是自 带动力，能源受到限制，为了在有限的时间内完成水 下作业任务，常常需要多个AUV合作观察多个不同地 点的水域目标，同时必须在最短时间内完成多目标点 作业，保证各个AUV到达各自目标点的路径最优、时 间最短。在实际操作中，可以把总体的任务划分为多 个子任务，把这些子任务分配给单个机器人，使它们 移动到任务所在的目标位置。优化的多AUV任务分配。
47
Edin O.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 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“FALCON”和“URIS”两种ROV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，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。 对此，此处将信息融合故障诊断技术引入推进器拥堵故 障在线辨识之中，提出基于信度分配小脑神经网络CACMAC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CA-CMAC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 续变化不能诊断的缺陷。
56
表1：故障样本实验数据
57
表2是应用实际测试的拥堵数据对训练的CA-CMAC神经 网络进行故障辨识效果测试，从表2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“ 中等拥堵3”，还是在故障样本中未出现的模式如“轻微 拥堵2”和“完全失效”，其CA-CMAC故障辨识器输出 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2还同时给出了 的SOM神经网络故障辨识结果，SOM神经网络输出是 离散型的，故障大小接近0.5的情况输出0.5，接近0.25 的情况输出为0.25，所以对表2中的“轻微拥堵2”故障 模式和“完全失效”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 识器，便如以往的一样，只能诊断出固定的几种故障。
55
4.2 推进器信息融合故障辨识 表1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[-1,+1]；第二栏是 OUTLAND1000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 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 同故障模式可以得到表1样本数据，进而训练 CA-CMAC神经网络，即可得到推进器拥堵故 障辨识器。
59
表2：CA-CMAC故障识别结果
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
49
7.2 水下机器人推进器故障 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。 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: ①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﹑控制信 号通信中断﹑总线电压下降等。 ②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 螺旋桨附着物而引起的拥堵故障(Jammed)，螺旋 桨断裂故障（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 障的诊断。
50
7.2.1 推进器故障设置
为了模拟推进器拥堵故障模式，在OUTLAND1000运行于定向 巡航状态下，在后置推进器1（右侧）设置不同程度拥堵故障： ①正常状况：拥堵系数=0.0； ②轻微拥堵1：拥堵系数=0.25, 在后置推进器上绕15cm线索； ③轻微拥堵2：拥堵系数=0.30, 在后置推进器上绕20cm线索； ④中等拥堵3：拥堵系数=0.50, 在后置推进器上绕30cm线索； ⑤严重拥堵4：拥堵系数=0.75, 在后置推进器上绕45cm线索； ⑥完全失效：拥堵系数=1.0, 将推进器的螺旋桨全部卸下。
51
此处，将推进器无拥堵（正常状况）的拥堵故障系 数设为“0”，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， 主要是在容错控制矩阵重构时，要区别对待这两种 假设。通过向OUTLAND1000尾部推进器发送一定 大小的前后推进控制电压，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。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 压的变化对机器人的状态也有一定影响。 OUTLAND1000的转向速率信号可以通过有串行通 信接口的笔记本电脑读出。
6
7
8
9
初始化SOM神经网络
目标点位置作为输入层神经元
通过竞争取得获胜神经元
计算邻域函数 调整获胜神经元及其邻域神经元的权重向量
权重改变？ 否 结束
是
移动输出层神经元
10
11
12
13
1.
PCA基本概念
主元分析PCA(Principal Components Analysis） 是统计学中分析数据的一种有效的方法， 其目的是在数据空间中找一组向量尽可能 地解释数据方差，通过一个特殊的向量矩阵， 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。
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SOM神经网
络进行AUV任务分配，并使其目标函数（总路
径）最小。
4
动态环境下的多AUV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 标矢量）的多AUV的竞争比较，根据目标点与AUV距 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 将自组织映射SOM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， 实现多AUV任务的自动分配策略。 其具体对应关系如下：“目标点坐标位置” “SOM的 输入模式”；“具体的待分配AUV” “二维SOM的 输出获胜神经元”；竞争算法中“SOM的输入模式矢 量与输出神经元权向量距离最短” “目标点位置矢量 与AUV的位置坐标矢量距离最近”；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 5 了具体AUV。
54
7.3 OUTLAND1000水下机器人推进器故障辨 识实验及结果分析 对OUTLAND1000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， 可以用其中的①、②、④、⑤作故障样本，用 ③、⑥来检验训练后神经网络的故障识别效果。 表4-1为样本实验数据，表4-2为训练后的CACMAC故障识别结果
标点都被访问过以后，任务完成。
3
图1给出了一个多AUV多目标点任务分配示例， 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AUV机器 人，绿色的圆圈代表目标点。此外，假定机器人 都是相同的AUV，具备基本的导航、避障和位
58
不如CA-CMAC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2中，“轻微拥堵2”故障 （s=0.3），由于神经网络训练样本中未出现，CACMAC能输出一个接近实际故障大小的具体数据， 而对SOM来说诊断结果就是“中等拥堵3”：=0.5， 这与实际故障大小误差较大；对“完全失效”故障 (s=1)，CA-CMAC输出结果为0.9左右，接近实际故 障大小s=1，而SOM诊断结果只能为“严重拥堵4” 故障模式s=0.75，两者的诊断结果差距就更大了。 可见本文设计的CA-CMAC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 务。
52
7.2.2推进器故障在线辨识 OUTLAND1000推进器故障大小辨识可以采用双 参数CA-CMAC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 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 在融合处理时，采用控制电压信号作为CMAC的 另外一个输入；输出分别是“正常状况、各种拥 堵状况、完全失效故障的拥堵规划系数”，训练 CA-CMAC。 训练好的CA-CMAC可以作为在线 故障辨识器使用。
14
15
16
2.PCA信号预测模型
17
18
19
20
21
22
23
24
25
26
27
28
Biblioteka Baidu 29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
7.4 水下机器人推进器故障辨识信息融合
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。 对此近年来Edin O. 和 Geoff R.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 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(jammed)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 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 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 快速集成水下机器人故障诊断与容错控制方法。
53
将现场实测的方向变化率、控制信号输入训练 好的CA-CMAC，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 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， 计算转动力矩之和，利用OUTLAND1000力矩 之和为零，推算出新的推力配置，进而计算出 控制电压分配，可以实现水下机器人巡航状态 的容错控制。
2
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，
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 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
点都需要一个机器人在该点完成一定的工作。机器
48
7.1 OUTLAND1000推进器布置 实验及数据采集均来源于无人开架水下机器人 OUTLAND1000。OUTLAND1000水下机器人的推 进器配置。图2为OUTLAND1000水下机器人推进器 配置图，它共有4个推进器，2个尾推(尾部水平舵 推)：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： 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 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7公分的位置。在故障诊断实验中， 它处于停转状态。图3是对应的尾部推进器实物图片。
1
多自治水下机器人多任务分配的自组织算法
自治水下机器人AUV(Autonomous Underwater Vehicle)是在与母船之间没有任何物理连接,无人驾驶 的情况下，依靠自身携带的动力以及机器智能自主完 成复杂海洋环境中预定任务的机器人。由于AUV是自 带动力，能源受到限制，为了在有限的时间内完成水 下作业任务，常常需要多个AUV合作观察多个不同地 点的水域目标，同时必须在最短时间内完成多目标点 作业，保证各个AUV到达各自目标点的路径最优、时 间最短。在实际操作中，可以把总体的任务划分为多 个子任务，把这些子任务分配给单个机器人，使它们 移动到任务所在的目标位置。优化的多AUV任务分配。
47
Edin O.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 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“FALCON”和“URIS”两种ROV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，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。 对此，此处将信息融合故障诊断技术引入推进器拥堵故 障在线辨识之中，提出基于信度分配小脑神经网络CACMAC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CA-CMAC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 续变化不能诊断的缺陷。
56
表1：故障样本实验数据
57
表2是应用实际测试的拥堵数据对训练的CA-CMAC神经 网络进行故障辨识效果测试，从表2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“ 中等拥堵3”，还是在故障样本中未出现的模式如“轻微 拥堵2”和“完全失效”，其CA-CMAC故障辨识器输出 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2还同时给出了 的SOM神经网络故障辨识结果，SOM神经网络输出是 离散型的，故障大小接近0.5的情况输出0.5，接近0.25 的情况输出为0.25，所以对表2中的“轻微拥堵2”故障 模式和“完全失效”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 识器，便如以往的一样，只能诊断出固定的几种故障。
55
4.2 推进器信息融合故障辨识 表1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[-1,+1]；第二栏是 OUTLAND1000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 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 同故障模式可以得到表1样本数据，进而训练 CA-CMAC神经网络，即可得到推进器拥堵故 障辨识器。
59
表2：CA-CMAC故障识别结果
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
49
7.2 水下机器人推进器故障 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。 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: ①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﹑控制信 号通信中断﹑总线电压下降等。 ②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 螺旋桨附着物而引起的拥堵故障(Jammed)，螺旋 桨断裂故障（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 障的诊断。
50
7.2.1 推进器故障设置
为了模拟推进器拥堵故障模式，在OUTLAND1000运行于定向 巡航状态下，在后置推进器1（右侧）设置不同程度拥堵故障： ①正常状况：拥堵系数=0.0； ②轻微拥堵1：拥堵系数=0.25, 在后置推进器上绕15cm线索； ③轻微拥堵2：拥堵系数=0.30, 在后置推进器上绕20cm线索； ④中等拥堵3：拥堵系数=0.50, 在后置推进器上绕30cm线索； ⑤严重拥堵4：拥堵系数=0.75, 在后置推进器上绕45cm线索； ⑥完全失效：拥堵系数=1.0, 将推进器的螺旋桨全部卸下。
51
此处，将推进器无拥堵（正常状况）的拥堵故障系 数设为“0”，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， 主要是在容错控制矩阵重构时，要区别对待这两种 假设。通过向OUTLAND1000尾部推进器发送一定 大小的前后推进控制电压，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。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 压的变化对机器人的状态也有一定影响。 OUTLAND1000的转向速率信号可以通过有串行通 信接口的笔记本电脑读出。
6
7
8
9
初始化SOM神经网络
目标点位置作为输入层神经元
通过竞争取得获胜神经元
计算邻域函数 调整获胜神经元及其邻域神经元的权重向量
权重改变？ 否 结束
是
移动输出层神经元
10
11
12
13
1.
PCA基本概念
主元分析PCA(Principal Components Analysis） 是统计学中分析数据的一种有效的方法， 其目的是在数据空间中找一组向量尽可能 地解释数据方差，通过一个特殊的向量矩阵， 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。
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SOM神经网
络进行AUV任务分配，并使其目标函数（总路
径）最小。
4
动态环境下的多AUV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 标矢量）的多AUV的竞争比较，根据目标点与AUV距 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 将自组织映射SOM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， 实现多AUV任务的自动分配策略。 其具体对应关系如下：“目标点坐标位置” “SOM的 输入模式”；“具体的待分配AUV” “二维SOM的 输出获胜神经元”；竞争算法中“SOM的输入模式矢 量与输出神经元权向量距离最短” “目标点位置矢量 与AUV的位置坐标矢量距离最近”；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 5 了具体AUV。
54
7.3 OUTLAND1000水下机器人推进器故障辨 识实验及结果分析 对OUTLAND1000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， 可以用其中的①、②、④、⑤作故障样本，用 ③、⑥来检验训练后神经网络的故障识别效果。 表4-1为样本实验数据，表4-2为训练后的CACMAC故障识别结果