一種利用多模式融合推理的機(jī)器人故障診斷方法
【專利摘要】本發(fā)明提出一種利用多模式融合推理的機(jī)器人故障診斷方法，將各種推理機(jī)（如基于規(guī)則、神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)和證據(jù)理論的推理機(jī)）推理得到的結(jié)果用證據(jù)理論方法進(jìn)行融合，以得到一個(gè)可信度更高的推理結(jié)果。主要包括以下步驟：確定辨識(shí)框架；將各個(gè)推理機(jī)的推理結(jié)果轉(zhuǎn)換成基本概率指派；賦予各個(gè)推理方式的權(quán)重；用鄧普斯特組合規(guī)則融合上述基本概率指派；用賭博概率轉(zhuǎn)換做決策?，F(xiàn)有的混合推理，有的是將前一步推理得到結(jié)果送入下一步推理，有的是在系統(tǒng)的不同階段采用不同的推理。這樣，同一信息大多只采用一種推理方式推理，難以保證其確定性。本發(fā)明采用并行推理，通過將上述四種推理方法得到的推理結(jié)果進(jìn)行融合，提高推理結(jié)果的確定性。本發(fā)明可應(yīng)用于機(jī)器人故障診斷等多個(gè)領(lǐng)域的故障診斷，能對(duì)存在大量不確定性因素的故障設(shè)備系統(tǒng)做出決策。
【專利說明】一種利用多模式融合推理的機(jī)器人故障診斷方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及人工智能方向的不確定性推理和信息融合領(lǐng)域，是一種基于證據(jù)理論的多模式推理與融合方法，可應(yīng)用于機(jī)器人故障診斷等多個(gè)領(lǐng)域的故障診斷。
【背景技術(shù)】
[0002]由于現(xiàn)實(shí)世界中的事物及其關(guān)系比較復(fù)雜，具有隨機(jī)性、模糊性、不完全性和不精確性，使人們?cè)谡J(rèn)識(shí)上有一定程度的不確定性。在這種情況下進(jìn)行的推理就是不確定性推理。不確定性推理是從不確定的初始證據(jù)或事實(shí)出發(fā)，通過運(yùn)用不確定性的知識(shí)，使用某種方法傳播不確定性，最后得出一個(gè)既有一定程度的不確定性，又是合理或基本合理的結(jié)論的推理過程。目前已經(jīng)有多種理論應(yīng)用于不確定推理方面，主要的推理方法有基于規(guī)則的推理、基于貝葉斯網(wǎng)絡(luò)的推理、基于神經(jīng)網(wǎng)絡(luò)的推理、基于證據(jù)理論的推理方法等。
[0003]山西科技大學(xué)郭文強(qiáng)等在《一種基于貝葉斯網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法》的發(fā)明中對(duì)軸承振動(dòng)信號(hào)采樣，經(jīng)過處理后建立故障診斷推理貝葉斯網(wǎng)絡(luò)模型，設(shè)置帶診斷故障樣本，獲取軸承觀測(cè)證據(jù)，完成網(wǎng)絡(luò)節(jié)點(diǎn)信度更新，計(jì)算故障診斷類型節(jié)點(diǎn)得到推理結(jié)果O
[0004]通常，對(duì)于特定的推理需求和推理環(huán)境，選擇一種適合的推理方法進(jìn)行推理即可。然而有時(shí)，由于各推理方法都有其優(yōu)缺點(diǎn)，單一的推理模式并不能滿足所有推理場(chǎng)景。如將基于規(guī)則的推理應(yīng)用于專家系統(tǒng)，雖然表現(xiàn)形式單一、易于用戶理解、便于推理機(jī)設(shè)計(jì)，但它存在知識(shí)“瓶頸”的問題，知識(shí)成長較慢，導(dǎo)致系統(tǒng)效率較低。而基于案例推理的專家系統(tǒng)雖然系統(tǒng)過于依賴過去的案例，但不存在知識(shí)獲取“瓶頸”的問題。
[0005]甘傳付等在《混合推理在某型雷達(dá)故障診斷中的應(yīng)用》中論述了基于案例、模型和神經(jīng)網(wǎng)絡(luò)的混合推理策略。當(dāng)案例庫中不存在裝備故障，則利用神經(jīng)網(wǎng)絡(luò)方法確定有故障的分系統(tǒng)或部件，再利用基于模型的方法確定發(fā)生故障的元器件，最后將診斷結(jié)果擴(kuò)充到現(xiàn)有案例庫。這種方法提高了故障診斷的速度和精度。
[0006]合肥工業(yè)大學(xué)程龍?jiān)谡撐摹抖嗤评頇C(jī)制及信息反饋的遠(yuǎn)程故障診斷專家系統(tǒng)的研究》中，將兩種推理機(jī)制結(jié)合，優(yōu)勢(shì)互補(bǔ)。在案例匱乏的系統(tǒng)建立初期，系統(tǒng)主要根據(jù)由領(lǐng)域?qū)＜覛w納成的規(guī)則進(jìn)行推理，而在案例庫標(biāo)本達(dá)到一定數(shù)量的系統(tǒng)建立中后期，系統(tǒng)則根據(jù)對(duì)過去案例的相似度檢索結(jié)合規(guī)則進(jìn)行推理，提高了系統(tǒng)推理的效率。
[0007]Praveen Kumar等在“多模式融合來提高解決在動(dòng)態(tài)環(huán)境目標(biāo)檢測(cè)不確定性”《Addressing Uncertainty in Mult1-Modal Fusion for Improved Object Detection inDynamic Environment))中，用一個(gè)基于證據(jù)理論的通用框架下用可見光譜和熱紅外視頻互補(bǔ)的方式進(jìn)行動(dòng)態(tài)環(huán)境下物體的視頻監(jiān)控檢測(cè)。其過程是先采用模糊邏輯完成基本概率指派的生成，用證據(jù)理論融合基本概率指派得到確定的對(duì)象，最后用加權(quán)卡爾曼濾波融合完成確定對(duì)象的位置跟蹤。
[0008]上海電力學(xué)院彭道剛等發(fā)明了基于CPN和D-S證據(jù)理論的汽輪機(jī)集成故障診斷方法。該方法針對(duì)電廠汽輪機(jī)，將不同傳感器采集到的汽輪機(jī)振動(dòng)參數(shù)狀態(tài)處理后輸入CPN神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再利用D-S證據(jù)理論對(duì)各CPN神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進(jìn)一步融合診斷。
[0009]由于每種推理方法都有其各自的優(yōu)缺點(diǎn)，其適用的知識(shí)類型也不盡相同，所以需要用到幾個(gè)推理機(jī)結(jié)合適用的方法。現(xiàn)有的混合推理，有的是將前一步推理得到結(jié)果送入下一步推理，有的是在系統(tǒng)的不同階段采用不同的推理，有的是在一種主要的推理方式上加入其它的輔助推理模式。這樣，同一信息大多只采用一種推理方式推理，難以保證其確定性。
[0010]另一方面，現(xiàn)有的信息融合往往針對(duì)一個(gè)系統(tǒng)中使用多個(gè)或多類傳感器觀測(cè)到的數(shù)據(jù)，在一定準(zhǔn)則下進(jìn)行分析、綜合、支配和使用，獲得被測(cè)對(duì)象的一致性解釋與描述，進(jìn)而實(shí)現(xiàn)相應(yīng)的決策和估計(jì)。而沒有一種方法將通過不確定推理取得的結(jié)果加以融合，進(jìn)一步降低信息的不確定性。

【發(fā)明內(nèi)容】

[0011]本發(fā)明的目的提供一種通用性強(qiáng)、可提高單一推理模式的確定性、可采用多種模式進(jìn)行推理的推理與融合方法。主要解決現(xiàn)有各種獨(dú)立的推理方法存在局限性的技術(shù)問題。本發(fā)明方法可以推理不同類型的知識(shí)、可以將不同推理方式統(tǒng)一到一個(gè)融合框架下，將各推理得到的結(jié)果融合，并且做出最終決策。
[0012]為達(dá)到上述目的，本發(fā)明提供了一種多模式推理與融合方法，是采用以下技術(shù)手段實(shí)現(xiàn)的:
本發(fā)明選取了現(xiàn)有的四種主要的推理方法，包括基于規(guī)則的推理、基于神經(jīng)網(wǎng)絡(luò)的推理、基于貝葉斯網(wǎng)絡(luò)的推理和基于證據(jù)理論的推理。
[0013]基于規(guī)則的推理使用一組包含在知識(shí)庫內(nèi)的規(guī)則對(duì)工作存儲(chǔ)器內(nèi)的具體問題信息(事實(shí))進(jìn)行處理，并通過推理，推斷出新的信息。其推理較明了，易于系統(tǒng)解釋。
[0014]基于神經(jīng)網(wǎng)絡(luò)的推理使用大量以一定方式相互連接和相互作用的簡(jiǎn)單處理單元(神經(jīng)元)處理信息。神經(jīng)元按層次結(jié)構(gòu)的形式組織，每層上的神經(jīng)元以加權(quán)的方式與其他層上的神經(jīng)元連接，采用并行結(jié)構(gòu)和并行處理機(jī)制，網(wǎng)絡(luò)具有很強(qiáng)的容錯(cuò)性以及自學(xué)習(xí)、自組織及自適應(yīng)能力。
[0015]基于貝葉斯網(wǎng)絡(luò)的推理是利用貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)及其條件概率表，在給定證據(jù)后計(jì)算某些節(jié)取值的概率。貝葉斯網(wǎng)絡(luò)推理有兩種推理形式，即因果推理(由上向下)和診斷推理(自底向上)。
[0016]基于證據(jù)理論的推理通過從每個(gè)信息源得到的證據(jù)和命題建立相應(yīng)的基本概率指派，在同一個(gè)辨識(shí)框架下將不同證據(jù)體通過鄧普斯特(Dempster)組合規(guī)則合并成一個(gè)新的證據(jù)體，用某一決策選擇規(guī)則，獲得最后的結(jié)果。
[0017]考慮到各推理方法輸出的結(jié)果各不相同，故先要將結(jié)果轉(zhuǎn)換成基本概率指派形式，再用Dempster組合規(guī)則融合證據(jù)，最后將融合結(jié)果轉(zhuǎn)換成更容易讓人接受的概率形式進(jìn)行決策。具體的融合步驟包括:
(1)確定辨識(shí)框架:是確定一個(gè)關(guān)于某個(gè)問題域中所有可能的答案組成的有限集合；
(2)將基于規(guī)則的推理結(jié)果轉(zhuǎn)換成基本概率指派:是將置信度轉(zhuǎn)換成元素的基本概率指派；
(3)將基于神經(jīng)網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派:是將置信度轉(zhuǎn)換成元素的基本概率指派；
(4)將基于貝葉斯網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派:是將命題框架拓展為冪集，將概率轉(zhuǎn)換成基本概率指派；
(5)將基于證據(jù)理論的推理結(jié)果轉(zhuǎn)換成基本概率指派:是將推理后的基本概率指派作為融合的基本概率指派；
(6)賦予各個(gè)推理方式權(quán)重:是將權(quán)重作為折扣系數(shù)修正各條證據(jù)；
(7)用Dempster組合規(guī)則融合上述基本概率指派:用Dempster組合規(guī)則兩兩遞歸融合各條證據(jù)；
(8)用賭博(Pignistic)概率轉(zhuǎn)換做決策:是將融合結(jié)果轉(zhuǎn)換成易于判斷的概率形式。
[0018]將上述方法用于機(jī)器人故障診斷，包括以下步驟:
(I)確定辨識(shí)框架；
設(shè)Θ為一個(gè)有窮且完備的論域集合，Θ中的各元素相互獨(dú)立，如果所關(guān)心的任一命題均對(duì)應(yīng)于&的一個(gè)子集，則稱Θ為樣本空間或辨識(shí)框架。辨識(shí)框架是關(guān)于機(jī)器人各類故障模式所有可能的答案組成的有限集合。
[0019](2)將基于規(guī)則的推理結(jié)果轉(zhuǎn)換成基本概率指派；
設(shè)?為辨識(shí)框架，A為O的子集，當(dāng)集合函數(shù)m:P(0) — [O, 1]，滿足πι(Φ)=0且
Σ&β.(Α) = 1,則稱m為辨識(shí)框架O上的基本概率指派函數(shù)。在機(jī)器人故障診斷中，基本概率指派函數(shù)表示支持故障集合A發(fā)生的程度。
[0020]基于規(guī)則的推理方法將機(jī)器人的歷史維修記錄中提取到的故障信息建立故障信息知識(shí)庫，再根據(jù)故障特征信息，在故障知識(shí)庫中搜索相應(yīng)信息進(jìn)行推理。得到的推理結(jié)果其為單獨(dú)的結(jié)論或結(jié)論加置信度的形式。若為單獨(dú)的結(jié)論，其置信度可以理解為I。由于m(A)表示指派給A本身的置信測(cè)度，即支持命題A本身發(fā)生的程度，故可以將規(guī)則推理得到的置信度直接賦給其基本概率指派，剩下的部分賦給全集。
[0021](3)將基于神經(jīng)網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派；
基于神經(jīng)網(wǎng)絡(luò)的推理方法將機(jī)器人故障模式下測(cè)量的值處理得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，利用樣本數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。推理時(shí)將采集到的數(shù)據(jù)輸入，得到的推理結(jié)果為單獨(dú)的結(jié)論或結(jié)論加置信度的形式。若為單獨(dú)的結(jié)論，其置信度可以理解為I。由于m(A)表示指派給A本身的置信測(cè)度，即支持命題A本身發(fā)生的程度，故可以將神經(jīng)網(wǎng)絡(luò)推理得到的置信度直接賦給其基本概率指派，剩下的部分賦給全集。
[0022](4)將基于貝葉斯網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派；
基于貝葉斯網(wǎng)絡(luò)的推理方法對(duì)故障時(shí)的機(jī)器人信號(hào)進(jìn)行處理后得到的訓(xùn)練樣本，建立故障診斷貝葉斯網(wǎng)絡(luò)模型。推理時(shí)將采集到的數(shù)據(jù)輸入，通過基于貝葉斯理論的推理得到的推理結(jié)果為概率形式。由于基本概率指派是概率的推廣形式，只要將命題框架拓展到冪集，概率即為基本概率指派。
[0023](5)將基于證據(jù)理論的推理結(jié)果輸出；
基于證據(jù)理論的故障診斷方法通過采集機(jī)器人的故障信息后，進(jìn)行基本概率指派的轉(zhuǎn)換，然后通過證據(jù)理論進(jìn)行推理，得到的推理結(jié)果為基本概率指派形式，可以直接作為融合步驟的輸入。[0024](6)賦予各個(gè)推理方式權(quán)重；
Shafer的折扣算法用折扣因子修正證據(jù)。修正后的證據(jù)為
【權(quán)利要求】
1.一種利用多模式融合推理的機(jī)器人故障診斷方法，其特征在于，包括以下步驟: (1)確定辨識(shí)框架； (2)將基于規(guī)則的推理結(jié)果轉(zhuǎn)換成基本概率指派； (3)將基于神經(jīng)網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派； (4)將基于貝葉斯網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派； (5)將基于證據(jù)理論的推理結(jié)果轉(zhuǎn)換成基本概率指派； (6)賦予各個(gè)推理方式權(quán)重； (7)用鄧普斯特組合規(guī)則融合上述基本概率指派； (8)用賭博概率轉(zhuǎn)換做決策。
2.根據(jù)權(quán)利要求1所述的一種利用多模式融合推理的機(jī)器人故障診斷方法，其特征在于所述確定辨識(shí)框架，是確定一個(gè)關(guān)于某個(gè)問題域中所有可能的答案組成的有限集合。
3.根據(jù)權(quán)利要求1所述的一種利用多模式融合推理的機(jī)器人故障診斷方法，其特征在于所述的將基于規(guī)則的推理結(jié)果轉(zhuǎn)換成基本概率指派和將基于神經(jīng)網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派，是將置信度轉(zhuǎn)換成元素的基本概率指派。
4.根據(jù)權(quán)利要求1所述 的一種利用多模式融合推理的機(jī)器人故障診斷方法，其特征在于所述的將基于貝葉斯網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派，是將命題框架拓展為冪集，將概率轉(zhuǎn)換成基本概率指派。
5.根據(jù)權(quán)利要求1所述的一種利用多模式融合推理的機(jī)器人故障診斷方法，其特征在于所述的將基于證據(jù)理論的推理結(jié)果轉(zhuǎn)換成基本概率指派，是將推理后的基本概率指派作為融合的基本概率指派。
6.根據(jù)權(quán)利要求1所述的一種利用多模式融合推理的機(jī)器人故障診斷方法，其特征在于所述賦予各個(gè)推理方式的權(quán)重，是將權(quán)重作為折扣系數(shù)修正各條證據(jù)。
7.根據(jù)權(quán)利要求1所述的一種利用多模式融合推理的機(jī)器人故障診斷方法，其特征在于所述用鄧普斯特組合規(guī)則融合上述基本概率指派，用鄧普斯特組合規(guī)則兩兩遞歸融合各條證據(jù)。
8.根據(jù)權(quán)利要求1所述的一種利用多模式融合推理的機(jī)器人故障診斷方法，其特征在于所述用賭博概率轉(zhuǎn)換做決策，是將融合結(jié)果轉(zhuǎn)換成易于判斷的概率形式。
9.根據(jù)權(quán)利要求1所述的一種利用多模式融合推理的機(jī)器人故障診斷方法，其特征在于具體包括以下步驟 (1)確定辨識(shí)框架； 設(shè)?為一個(gè)有窮且完備的論域集合，?中的各元素相互獨(dú)立，如果所關(guān)心的任一命題均對(duì)應(yīng)于?的一個(gè)子集，則稱?為樣本空間或辨識(shí)框架；辨識(shí)框架是關(guān)于機(jī)器人各類故障模式所有可能的答案組成的有限集合； (2)將基于規(guī)則的推理結(jié)果轉(zhuǎn)換成基本概率指派； 設(shè)?為辨識(shí)框架，A為?的子集，當(dāng)集合函數(shù)m:P(?) — [O，I]，滿足m(0)=0且I^cflm(A) = I,則稱m為辨識(shí)框架?上的基本概率指派函數(shù)；在機(jī)器人故障診斷中，基本概率指派函數(shù)表示支持故障集合A發(fā)生的程度； 基于規(guī)則的推理方法將機(jī)器人的歷史維修記錄中提取到的故障信息建立故障信息知識(shí)庫，再根據(jù)故障特征信息，在故障知識(shí)庫中搜索相應(yīng)信息進(jìn)行推理；得到的推理結(jié)果其為單獨(dú)的結(jié)論或結(jié)論加置信度的形式；若為單獨(dú)的結(jié)論，其置信度可以理解為I; 由于m(A)表示指派給A本身的置信測(cè)度，即支持命題A本身發(fā)生的程度，故可以將規(guī)則推理得到的置信度直接賦給其基本概率指派，剩下的部分賦給全集； (3)將基于神經(jīng)網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派；
基于神經(jīng)網(wǎng)絡(luò)的推理方法將機(jī)器人故障模式下測(cè)量的值處理得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，利用樣本數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)；推理時(shí)將采集到的數(shù)據(jù)輸入，得到的推理結(jié)果為單獨(dú)的結(jié)論或結(jié)論加置信度的形式；若為單獨(dú)的結(jié)論，其置信度可以理解為I ;由于m(A)表示指派給A本身的置信測(cè)度，即支持命題A本身發(fā)生的程度，故可以將神經(jīng)網(wǎng)絡(luò)推理得到的置信度直接賦給其基本概率指派，剩下的部分賦給全集； (4)將基于貝葉斯網(wǎng)絡(luò)的推理結(jié)果轉(zhuǎn)換成基本概率指派； 基于貝葉斯網(wǎng)絡(luò)的推理方法對(duì)故障時(shí)的機(jī)器人信號(hào)進(jìn)行處理后得到的訓(xùn)練樣本，建立故障診斷貝葉斯網(wǎng)絡(luò)模型；推理時(shí)將采集到的數(shù)據(jù)輸入，通過基于貝葉斯理論的推理得到的推理結(jié)果為概率形式；由于基本概率指派是概率的推廣形式，只要將命題框架拓展到冪集，概率即為基本概率指派； (5)將基于證據(jù)理論的推理結(jié)果輸出； 基于證據(jù)理論的故障診斷方法通過采集機(jī)器人的故障信息后，進(jìn)行基本概率指派的轉(zhuǎn)換，然后通過證據(jù)理論進(jìn)行推理，得到的推理結(jié)果為基本概率指派形式，可以直接作為融合步驟的輸入； (6)賦予各個(gè)推理方式權(quán)重； Shafer的折扣算法用折扣因子修正證據(jù)； 修正后的證據(jù)為
【文檔編號(hào)】G06N3/02GK103577707SQ201310569168
【公開日】2014年2月12日 申請(qǐng)日期:2013年11月15日 優(yōu)先權(quán)日:2013年11月15日
【發(fā)明者】王睿虹, 許培達(dá), 陳欣, 鄧勇 申請(qǐng)人:上海交通大學(xué)