论文部分内容阅读
随着科学技术的发展,移动机器人也越来越普遍存在于人们的日常生活中。在未知情况下工作的机器人,常会受到一些环境的影响导致其内部元件产生损坏,影响机器人正常工作。尤其是一些特殊领域的机器人,例如危险环境或航空航天等远程控制环境下,当系统发生故障时,通过人工检测比较困难,因此,发展移动机器人的自诊断技术具有很重要的研究意义。 本文针对移动机器人传感器故障诊断问题,提出一种EMA_UKF故障诊断方法,可以实现多传感器组合故障的快速准确检测。该方法将期望模型扩张(Expected Mode Augmentation, EMA)方法与无味卡尔曼滤波(Unscented Kalman Filter, UKF)方法结合起来,首先选取一个能够大致描述系统状态的初始模型集,根据初始模型集的滤波结果,通过EMA方法中特有的模型集合自适应策略确定期望模型;然后用期望模型扩张初始模型集,再次进行 UKF滤波得到系统当前时刻的最优估计,用以判断故障类型。EMA_UKF方法一方面可以解决传统交互多模型方法因其模型数目过多引起的无关模型间的竞争问题以及计算量大的问题,另一方面也可以克服常用的扩展卡尔曼滤波(EKF)方法计算复杂且滤波精度较低的问题。通过与传统FSMM方法仿真实验对比可知,EMA_UKF方法能够快速准确地实现移动机器人传感器的组合故障判断,具有较高的诊断精度。