本發(fā)明涉及機(jī)器人智能運(yùn)維，具體涉及一種基于云邊協(xié)同的群機(jī)器人故障互診斷系統(tǒng)及方法。

背景技術(shù)：

1、本節(jié)中的陳述僅提供與本公開相關(guān)的背景信息，并且可能不構(gòu)成現(xiàn)有技術(shù)。

2、機(jī)器人技術(shù)使傳統(tǒng)的工業(yè)生產(chǎn)面貌發(fā)生了根本性變化，對(duì)人類的社會(huì)產(chǎn)生了深遠(yuǎn)的影響。機(jī)器人工作分為單機(jī)器人和群機(jī)器人，盡管單個(gè)機(jī)器人具有基本的感知、運(yùn)動(dòng)和通信的能力，但單機(jī)器人對(duì)于信息的獲取、處理及任務(wù)的執(zhí)行速度都是有限的，且無法應(yīng)對(duì)大規(guī)模任務(wù)需求；而群機(jī)器人系統(tǒng)通過多個(gè)機(jī)器人協(xié)作，可以提升整體感知覆蓋范圍、增強(qiáng)任務(wù)并行處理能力，有效克服單機(jī)器人的局限性。對(duì)于群機(jī)器人系統(tǒng)而言，隨著任務(wù)復(fù)雜度的提升和數(shù)量的增加，機(jī)器人的高效管理和運(yùn)行維護(hù)等任務(wù)顯得尤為重要。相比單一機(jī)器人，群機(jī)器人能夠通過集體協(xié)作與信息共享，實(shí)現(xiàn)自主監(jiān)測(cè)和故障處理。每個(gè)機(jī)器人能夠及時(shí)監(jiān)測(cè)其自身狀態(tài)，檢測(cè)和修復(fù)故障，并通過群體內(nèi)的信息共享，協(xié)調(diào)其他機(jī)器人的運(yùn)維任務(wù)。這種自主化運(yùn)維方式提升了群機(jī)器人系統(tǒng)運(yùn)行的可靠性、效率和可持續(xù)性，保障了系統(tǒng)在復(fù)雜環(huán)境下的長期穩(wěn)定運(yùn)行。

3、群機(jī)器人系統(tǒng)在任務(wù)執(zhí)行中展現(xiàn)出顯著的優(yōu)勢(shì)，但其復(fù)雜的多機(jī)器人協(xié)同機(jī)制也帶來了新的挑戰(zhàn)，機(jī)器人在運(yùn)行過程中不可避免會(huì)發(fā)生故障，群機(jī)器人系統(tǒng)中的任何一個(gè)機(jī)器人的故障都可能影響整個(gè)系統(tǒng)的效率和穩(wěn)定性，因此，群機(jī)器人的運(yùn)行預(yù)測(cè)和精準(zhǔn)運(yùn)維變得尤為重要。通過有效的機(jī)器人運(yùn)行預(yù)測(cè)與運(yùn)行維護(hù)機(jī)制，可以有效對(duì)機(jī)器人進(jìn)行故障診斷與維護(hù)，維持系統(tǒng)的正常運(yùn)行，確保群體的協(xié)調(diào)性和任務(wù)的成功完成，一種良好的故障診斷方法可以提高群機(jī)器人系統(tǒng)的可靠性和穩(wěn)定性。

4、內(nèi)源性故障檢測(cè)依賴于個(gè)體機(jī)器人自身的傳感器數(shù)據(jù)和內(nèi)部狀態(tài)信息來檢測(cè)故障，如硬件失效、軟件異常等，具有自主性強(qiáng)和反應(yīng)迅速的優(yōu)點(diǎn)，但檢測(cè)能力有限；外源性故障檢測(cè)則通過群體中其他機(jī)器人的觀測(cè)和信息交流來檢測(cè)個(gè)體的故障，如行為異?；蛉蝿?wù)執(zhí)行問題，能夠利用群體的協(xié)作提高檢測(cè)的魯棒性和覆蓋范圍，充分發(fā)揮群體機(jī)器人的優(yōu)勢(shì)?，F(xiàn)有的外源性故障檢測(cè)方法有模型預(yù)測(cè)、互觀測(cè)投票、機(jī)器學(xué)習(xí)、基于網(wǎng)絡(luò)的集中監(jiān)控。

5、使用數(shù)學(xué)模型預(yù)測(cè)每個(gè)機(jī)器人的預(yù)期狀態(tài)，通過分析實(shí)際觀測(cè)值與預(yù)測(cè)值之間的殘差來檢測(cè)故障。這種方法依賴于建立精確的系統(tǒng)模型，通過檢測(cè)大于預(yù)期的殘差來識(shí)別故障。如果模型不夠準(zhǔn)確或不能涵蓋所有可能的系統(tǒng)行為，則預(yù)測(cè)的精度可能較低，影響故障檢測(cè)的可靠性。機(jī)器人之間通過互相觀測(cè)或信息共享來判斷個(gè)體的狀態(tài)。對(duì)于有爭(zhēng)議的故障判斷，系統(tǒng)可以采用投票機(jī)制，由其他機(jī)器人決定某個(gè)機(jī)器人是否故障。在存在惡意機(jī)器人的情況下，錯(cuò)誤信息可能導(dǎo)致錯(cuò)誤的故障判斷。利用機(jī)器學(xué)習(xí)算法(如異常檢測(cè)、分類器等)對(duì)機(jī)器人群體的行為數(shù)據(jù)進(jìn)行分析，以檢測(cè)和分類故障。這種方法可以學(xué)習(xí)復(fù)雜的行為模式并檢測(cè)異常。機(jī)器學(xué)習(xí)方法通常需要大量的訓(xùn)練數(shù)據(jù)，且對(duì)訓(xùn)練數(shù)據(jù)質(zhì)量有較高要求。如果訓(xùn)練數(shù)據(jù)中存在數(shù)據(jù)偏差，模型可能無法正確學(xué)習(xí)到所有正常和異常行為模式，導(dǎo)致檢測(cè)準(zhǔn)確性下降?；诰W(wǎng)絡(luò)的集中監(jiān)控通過網(wǎng)絡(luò)收集群體中所有機(jī)器人的狀態(tài)數(shù)據(jù)，進(jìn)行集中監(jiān)控和分析。集中監(jiān)控系統(tǒng)可以檢測(cè)整個(gè)群體的狀態(tài)，發(fā)現(xiàn)異?；蚬收?。該方法依賴于可靠的通信基礎(chǔ)設(shè)施，在通信延遲或數(shù)據(jù)丟失的情況下，可能影響故障檢測(cè)的實(shí)時(shí)性和準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于：針對(duì)現(xiàn)有技術(shù)中存在的問題，提供了一種基于云邊協(xié)同的群機(jī)器人故障互診斷系統(tǒng)及方法，解決了上述問題。

2、本發(fā)明的技術(shù)方案如下：

3、一種基于云邊協(xié)同的群機(jī)器人故障互診斷系統(tǒng)，包括：數(shù)據(jù)采集單元、邊緣數(shù)據(jù)處理及存儲(chǔ)單元、中轉(zhuǎn)數(shù)據(jù)處理及存儲(chǔ)單元、云端數(shù)據(jù)處理及存儲(chǔ)單元；

4、所述數(shù)據(jù)采集單元安裝在各個(gè)機(jī)器人上，用于采集其它機(jī)器人在各時(shí)刻的位置和速度數(shù)據(jù)；

5、所述邊緣數(shù)據(jù)處理及存儲(chǔ)單元安裝在各個(gè)機(jī)器人上，能夠基于數(shù)據(jù)采集單元采集的數(shù)據(jù)，使用多模型自適應(yīng)卡爾曼濾波方法對(duì)其它機(jī)器人的位移和速度進(jìn)行準(zhǔn)確估計(jì)，并與其它機(jī)器人的預(yù)設(shè)位移和速度進(jìn)行比較，判斷是否超出誤差范圍；

6、所述云端數(shù)據(jù)處理及存儲(chǔ)單元與中轉(zhuǎn)數(shù)據(jù)處理及存儲(chǔ)單元一起部署在云端，所述云端數(shù)據(jù)處理及存儲(chǔ)單元與邊緣數(shù)據(jù)處理及存儲(chǔ)單元通過中轉(zhuǎn)數(shù)據(jù)處理及存儲(chǔ)單元進(jìn)行數(shù)據(jù)傳輸和接收；所述云端數(shù)據(jù)處理及存儲(chǔ)單元一方面向各個(gè)邊緣數(shù)據(jù)處理及存儲(chǔ)單元發(fā)送所有機(jī)器人的預(yù)設(shè)位移和速度，另一方面接收邊緣數(shù)據(jù)處理及存儲(chǔ)單元的判斷結(jié)果以及計(jì)算得到的位移和速度，并解析處理結(jié)果，進(jìn)行進(jìn)一步的分析和決策，如果發(fā)現(xiàn)故障則發(fā)出警報(bào)通知維護(hù)人員。

7、進(jìn)一步地，所述邊緣數(shù)據(jù)處理及存儲(chǔ)單元、中轉(zhuǎn)數(shù)據(jù)處理及存儲(chǔ)單元和云端數(shù)據(jù)處理及存儲(chǔ)單元采用發(fā)布與訂閱模式；

8、所述發(fā)布與訂閱模式支持一對(duì)多的通信模型，允許一個(gè)發(fā)布者將消息發(fā)送給多個(gè)訂閱者，同時(shí)支持消息持久化功能，即使訂閱者暫時(shí)不可用，消息也不會(huì)丟失，當(dāng)訂閱者重新連接時(shí)，仍然可以接收到未處理的消息。

9、進(jìn)一步地，所述云端數(shù)據(jù)處理及存儲(chǔ)單元將所有機(jī)器人的預(yù)設(shè)位移和速度數(shù)據(jù)打包成協(xié)議消息，然后將打包好的協(xié)議消息發(fā)布到話題a，中轉(zhuǎn)數(shù)據(jù)處理及存儲(chǔ)單元接收到發(fā)布的話題a，并轉(zhuǎn)發(fā)給訂閱了話題a的所有邊緣數(shù)據(jù)處理及存儲(chǔ)單元；

10、邊緣數(shù)據(jù)處理及存儲(chǔ)單元啟動(dòng)時(shí)訂閱話題a，并從中轉(zhuǎn)數(shù)據(jù)處理及存儲(chǔ)單元接收話題a中的消息，并解析得到所有機(jī)器人的預(yù)設(shè)位移和速度數(shù)據(jù)，存儲(chǔ)到本地以供后續(xù)使用；

11、邊緣數(shù)據(jù)處理及存儲(chǔ)單元基于數(shù)據(jù)采集單元采集的數(shù)據(jù)，使用多模型自適應(yīng)卡爾曼濾波方法對(duì)其它機(jī)器人的位移和速度進(jìn)行準(zhǔn)確估計(jì)，并與其它機(jī)器人的預(yù)設(shè)位移和速度進(jìn)行比較，判斷是否超出誤差范圍，并生成判斷結(jié)果；并將判斷結(jié)果以及計(jì)算得到的位移和速度打包成協(xié)議消息，并發(fā)布到話題b；中轉(zhuǎn)數(shù)據(jù)處理及存儲(chǔ)單元接收到發(fā)布的話題b，并轉(zhuǎn)發(fā)給訂閱了話題b的云端數(shù)據(jù)處理及存儲(chǔ)單元；

12、云端數(shù)據(jù)處理及存儲(chǔ)單元訂閱話題b，并從中轉(zhuǎn)數(shù)據(jù)處理及存儲(chǔ)單元接收到協(xié)議消息，并解析處理結(jié)果，進(jìn)行進(jìn)一步的分析和決策，如果發(fā)現(xiàn)故障則發(fā)出警報(bào)通知維護(hù)人員。

13、進(jìn)一步地，還包括：人機(jī)交互單元，所述人機(jī)交互單元與云端數(shù)據(jù)處理及存儲(chǔ)單元連接，提供人機(jī)交互功能。

14、本發(fā)明還提出了一種基于云邊協(xié)同的群機(jī)器人故障互診斷方法，基于上述的一種基于云邊協(xié)同的群機(jī)器人故障互診斷系統(tǒng)，包括：

15、步驟s1：各個(gè)機(jī)器人分別獲取其他機(jī)器人在當(dāng)前時(shí)刻的位置和速度數(shù)據(jù)；

16、步驟s2：基于獲取的位置和速度數(shù)據(jù)，使用多模型自適應(yīng)卡爾曼濾波方法對(duì)其它機(jī)器人的位移和速度進(jìn)行準(zhǔn)確估計(jì)；

17、步驟s3：將步驟s2中得到的估計(jì)結(jié)果與其它機(jī)器人的預(yù)設(shè)位移和速度進(jìn)行比較，判斷是否超出誤差范圍；若未超出誤差范圍，則跳轉(zhuǎn)至步驟s1，重新獲取數(shù)據(jù)；若超出誤差范圍，則繼續(xù)進(jìn)行步驟s4；

18、步驟s4：根據(jù)歷史數(shù)據(jù)，對(duì)步驟s2中的得到的估計(jì)結(jié)果進(jìn)行診斷，判斷是否出現(xiàn)故障。

19、進(jìn)一步地，所述步驟s1，包括：

20、為每個(gè)機(jī)器人搭載的數(shù)據(jù)采集單元，采集其它機(jī)器人的位置和速度數(shù)據(jù)；

21、并為各個(gè)機(jī)器人分別建立m、n、p、q…個(gè)卡爾曼濾波模型；其中，m、n、p、q…的數(shù)值大小是依據(jù)每個(gè)機(jī)器人預(yù)設(shè)的可能出現(xiàn)的運(yùn)動(dòng)軌跡和速度確定的。

22、進(jìn)一步地，所述步驟s2，包括：

23、步驟a：對(duì)于群機(jī)器人中的一個(gè)卡爾曼濾波模型數(shù)量為m個(gè)的機(jī)器人，k∈(0，m)，ti時(shí)刻的數(shù)據(jù)信息是基于ti-1時(shí)刻的數(shù)據(jù)信息得出的，第k個(gè)卡爾曼濾波模型對(duì)應(yīng)的真實(shí)狀態(tài)空間模型包含了噪聲，設(shè)置為：

24、xk(ti)＝fkxk(ti-1)+bku(ti-1)+ωk(ti)

25、zk(ti)＝hkxk(ti)+vk(ti)

26、xk(ti)表示第k個(gè)卡爾曼濾波模型ti時(shí)刻的狀態(tài)向量；

27、fk表示第k個(gè)卡爾曼濾波模型的狀態(tài)轉(zhuǎn)移矩陣；

28、bk表示第k個(gè)卡爾曼濾波模型的控制矩陣；

29、ωk(ti)表示第k個(gè)卡爾曼濾波模型的過程噪聲向量，均值為0，協(xié)方差為qk；

30、zk(ti)表示第k個(gè)卡爾曼濾波模型的觀測(cè)向量；

31、hk(ti)表示第k個(gè)卡爾曼濾波模型的觀測(cè)矩陣；

32、vk(ti)表示第k個(gè)卡爾曼濾波模型的觀測(cè)噪聲向量，均值為0，協(xié)方差為rk；

33、步驟b：根據(jù)真實(shí)狀態(tài)空間模型計(jì)算出預(yù)測(cè)的狀態(tài)向量即先驗(yàn)預(yù)測(cè)狀態(tài)向量其中初始預(yù)測(cè)的狀態(tài)向量使用的是初始的觀測(cè)值，即數(shù)據(jù)采集單元第一個(gè)采樣時(shí)間點(diǎn)采集到的狀態(tài)數(shù)據(jù)；

34、

35、步驟c：為卡爾曼濾波模型設(shè)置初始誤差協(xié)方差矩陣pk(ti-1)，然后計(jì)算先驗(yàn)誤差協(xié)方差矩陣

36、

37、步驟d：計(jì)算殘差協(xié)方差矩陣sk(ti)；

38、

39、步驟e：計(jì)算卡爾曼增益kk(ti)；

40、

41、步驟f：將ti時(shí)刻的觀測(cè)值z(mì)k(ti)代入，計(jì)算殘差向量rk(ti)，其中觀測(cè)值z(mì)k(ti)由數(shù)據(jù)采集單元計(jì)算得到；

42、

43、步驟g：更新狀態(tài)估計(jì)，即得到后驗(yàn)預(yù)測(cè)狀態(tài)向量

44、

45、步驟h：對(duì)卡爾曼濾波狀態(tài)的誤差協(xié)方差矩陣進(jìn)行更新，即得到后驗(yàn)誤差協(xié)方差矩陣

46、

47、步驟i：得到更新后的狀態(tài)估計(jì)后，計(jì)算假設(shè)卡爾曼濾波模型的概率；如果卡爾曼濾波模型與真實(shí)系統(tǒng)模型相匹配，則殘差服從高斯分布，因此，每個(gè)模型的條件概率為：

48、

49、fk為高斯似然函數(shù)：

50、

51、步驟j：將每個(gè)卡爾曼濾波器的狀態(tài)量乘以該濾波器正確的概率即條件概率，然后求和，得到最終估計(jì)的狀態(tài)xk(tik)和最終的誤差協(xié)方差矩陣pk(tik)；

52、

53、步驟k：步驟j最終估計(jì)的狀態(tài)xk(tik)即為所得的ti時(shí)刻準(zhǔn)確的位移和速度數(shù)據(jù)。

54、進(jìn)一步地，所述步驟s4，包括：

55、步驟s41：計(jì)算接收的估計(jì)結(jié)果所對(duì)應(yīng)的機(jī)器人正常歷史數(shù)據(jù)的均值μt和標(biāo)準(zhǔn)差σt；

56、步驟s42：使用z-score判斷新數(shù)據(jù)點(diǎn)是否異常，設(shè)定一個(gè)閾值，如果數(shù)據(jù)點(diǎn)的z-score超過這個(gè)閾值，則認(rèn)為該數(shù)據(jù)點(diǎn)異常；

57、對(duì)于新的軌跡數(shù)據(jù)，計(jì)算每個(gè)時(shí)間點(diǎn)數(shù)據(jù)的z-score：

58、

59、ztx：新軌跡數(shù)據(jù)中t時(shí)刻x軸坐標(biāo)值的z-score；

60、zty：新軌跡數(shù)據(jù)中t時(shí)刻y軸坐標(biāo)值的z-score；

61、ztv：新軌跡數(shù)據(jù)中t時(shí)刻速度值的z-score；

62、步驟s43：如果新軌跡數(shù)據(jù)存在某個(gè)時(shí)間點(diǎn)的z-score超過所設(shè)置的閾值，則認(rèn)為狀態(tài)數(shù)據(jù)異常，則判斷為接收的估計(jì)結(jié)果所對(duì)應(yīng)的機(jī)器人出現(xiàn)故障，云端數(shù)據(jù)處理及存儲(chǔ)單元向維護(hù)人員發(fā)出警報(bào)并發(fā)送故障機(jī)器人信息，至此診斷結(jié)束；如果新軌跡數(shù)據(jù)的任何一個(gè)時(shí)間點(diǎn)的z-score均未超過所設(shè)置的閾值，則認(rèn)為該狀態(tài)數(shù)據(jù)正常，并且云端數(shù)據(jù)處理及存儲(chǔ)單元將這些數(shù)據(jù)進(jìn)行存儲(chǔ)，然后重復(fù)步驟s1-步驟s4。

63、進(jìn)一步地，所述軌跡的均值μt的計(jì)算公式如下：

64、

65、所述軌跡的標(biāo)準(zhǔn)差σt的計(jì)算公式如下：

66、

67、nt表示t時(shí)刻的歷史數(shù)據(jù)總個(gè)數(shù)；表示

68、xtk表示第k條歷史軌跡數(shù)據(jù)中t時(shí)刻的x軸的坐標(biāo)值；

69、ytk表示第k條歷史軌跡數(shù)據(jù)中t時(shí)刻的y軸的坐標(biāo)值；

70、μtx表示所有歷史軌跡數(shù)據(jù)中t時(shí)刻x軸的坐標(biāo)值均值；

71、μty表示所有歷史軌跡數(shù)據(jù)中t時(shí)刻y軸的坐標(biāo)值均值；

72、σtx表示所有歷史軌跡數(shù)據(jù)中t時(shí)刻x軸的坐標(biāo)值標(biāo)準(zhǔn)差；

73、σty表示所有歷史軌跡數(shù)據(jù)中t時(shí)刻y軸的坐標(biāo)值標(biāo)準(zhǔn)差。

74、進(jìn)一步地，所述速度的均值μtv的計(jì)算公式如下：

75、

76、所述速度的標(biāo)準(zhǔn)差σtv的計(jì)算公式如下：

77、

78、nt表示t時(shí)刻的歷史數(shù)據(jù)總個(gè)數(shù)；

79、vtk表示第k條歷史軌跡數(shù)據(jù)中t時(shí)刻對(duì)應(yīng)的速度值；

80、μtv表示所有歷史軌跡數(shù)據(jù)中t時(shí)刻對(duì)應(yīng)的速度均值；

81、σtv表示所有歷史軌跡數(shù)據(jù)中t時(shí)刻對(duì)應(yīng)的速度標(biāo)準(zhǔn)差。

82、與現(xiàn)有的技術(shù)相比本發(fā)明的有益效果是：

83、1、本發(fā)明采用云邊協(xié)同技術(shù)，通過在多個(gè)機(jī)器人之間實(shí)現(xiàn)高效的信息共享和協(xié)作，利用分布式的互相監(jiān)測(cè)和診斷機(jī)制，實(shí)現(xiàn)了對(duì)機(jī)器人狀態(tài)的監(jiān)測(cè)，同時(shí)也減少了負(fù)載量，可搭載更多的功能模塊；基于多模型自適應(yīng)估計(jì)的卡爾曼濾波方法可以對(duì)機(jī)器人的速度、位移進(jìn)行準(zhǔn)確的估計(jì)，基于數(shù)據(jù)一致性判斷偏差可以更加準(zhǔn)確的發(fā)現(xiàn)疑似故障機(jī)器人，云端服務(wù)器根據(jù)歷史數(shù)據(jù)進(jìn)一步診斷可以使判斷結(jié)果更加準(zhǔn)確，云邊的配合使維護(hù)人員更快速的發(fā)現(xiàn)故障并及時(shí)進(jìn)行維修，確保系統(tǒng)的整體穩(wěn)定性和可靠性。

84、2、本發(fā)明在邊緣端使用多模型自適應(yīng)卡爾曼濾波方法對(duì)群機(jī)器人的位移和速度進(jìn)行準(zhǔn)確估計(jì)，在云端存儲(chǔ)歷史數(shù)據(jù)并根據(jù)歷史數(shù)據(jù)在對(duì)應(yīng)時(shí)刻的均值和標(biāo)準(zhǔn)差對(duì)機(jī)器人的實(shí)時(shí)數(shù)據(jù)是否故障進(jìn)行診斷。