振动、测试与诊断
振動、測試與診斷
진동、측시여진단
JOURNAL OF VIBRATION, MEASUREMENT & DIAGNOSIS
2015年
3期
434-440
,共7页
袁宪锋%宋沐民%周风余%陈竹敏
袁憲鋒%宋沐民%週風餘%陳竹敏
원헌봉%송목민%주풍여%진죽민
服务机器人%故障诊断%主成分分析%支持向量机%DS证据理论
服務機器人%故障診斷%主成分分析%支持嚮量機%DS證據理論
복무궤기인%고장진단%주성분분석%지지향량궤%DS증거이론
针对轮式服务机器人驱动系统故障诊断问题,提出一种基于多主成分分析(principal component analysis ,简称PCA)模型及支持向量机和DS证据理论(support vector machine and dempster‐shafer ,简称SVM‐DS)融合决策的故障诊断方法,分别利用正常状态和故障状态下的传感器数据建立多个PCA模型。利用正常状态下的PCA模型实现故障的检测。传感器数据经多PCA模型特征提取后作为SVM的输入向量,实现故障的初步分离。基于混淆矩阵定义SVM的全局及局部可信度,并依据可信度值和故障初步分离结果完成基本概率分配函数的赋值,以实现SVM和DS证据理论在故障分离中的有效结合。实验结果表明,本研究方法能灵敏检测到机器人驱动系统故障的发生,故障分离平均正确率达92.6%,与传统单PCA模型的方法相比有更高的正确率和稳定性。
針對輪式服務機器人驅動繫統故障診斷問題,提齣一種基于多主成分分析(principal component analysis ,簡稱PCA)模型及支持嚮量機和DS證據理論(support vector machine and dempster‐shafer ,簡稱SVM‐DS)融閤決策的故障診斷方法,分彆利用正常狀態和故障狀態下的傳感器數據建立多箇PCA模型。利用正常狀態下的PCA模型實現故障的檢測。傳感器數據經多PCA模型特徵提取後作為SVM的輸入嚮量,實現故障的初步分離。基于混淆矩陣定義SVM的全跼及跼部可信度,併依據可信度值和故障初步分離結果完成基本概率分配函數的賦值,以實現SVM和DS證據理論在故障分離中的有效結閤。實驗結果錶明,本研究方法能靈敏檢測到機器人驅動繫統故障的髮生,故障分離平均正確率達92.6%,與傳統單PCA模型的方法相比有更高的正確率和穩定性。
침대륜식복무궤기인구동계통고장진단문제,제출일충기우다주성분분석(principal component analysis ,간칭PCA)모형급지지향량궤화DS증거이론(support vector machine and dempster‐shafer ,간칭SVM‐DS)융합결책적고장진단방법,분별이용정상상태화고장상태하적전감기수거건립다개PCA모형。이용정상상태하적PCA모형실현고장적검측。전감기수거경다PCA모형특정제취후작위SVM적수입향량,실현고장적초보분리。기우혼효구진정의SVM적전국급국부가신도,병의거가신도치화고장초보분리결과완성기본개솔분배함수적부치,이실현SVM화DS증거이론재고장분리중적유효결합。실험결과표명,본연구방법능령민검측도궤기인구동계통고장적발생,고장분리평균정학솔체92.6%,여전통단PCA모형적방법상비유경고적정학솔화은정성。