CAJ | 학술논문

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。
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。