[發明專利]一種機械臂執行器故障診斷方法

在審

• 申請號: 202111472397.0
• 申請日: 2021-12-06
• 公開（公告）號: CN113858218A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 易國棟;張婉清;易淑婷;陳曉紅;徐雪松
• 申請（專利權）人: 湖南工商大學
• 主分類號: B25J9/16
• 分類號: B25J9/16
• 代理公司: 長沙惟盛赟鼎知識產權代理事務所(普通合伙) 43228
• 代理人: 黃敏華

1.一種機械臂執行器故障診斷方法，其特征在于，包括如下步驟：

S.1、建立機械臂動力學模型；

S.2、將機械臂動力學模型轉化為狀態空間模型，確定故障估計項；

S.3、構建滑模觀測模型，使機械臂執行器狀態估計誤差有界穩定，

S.3.1、針對狀態空間模型建立滑模觀測模型，設計高階滑模控制輸入項，

S.3.2、將高階滑模控制輸入項轉化為滑模等效控制項和變結構控制項；

S.4、構建非線性干擾觀測模型，使變結構控制項跟蹤誤差指數收斂；

S.5、機械臂執行器狀態重構，輸出機械臂執行器狀態估計值；

S.6、故障診斷。

2.如權利要求1所述的一種機械臂執行器故障診斷方法，其特征在于：所述S.1中機械臂動力學模型為：

為機械臂關節的角度，為機械臂關節的角速度，為機械臂關節的角加速度向量，為控制輸入，為機械臂的慣性矩陣，為離心力和哥式力，為機械臂的庫倫摩擦，為重力項，為有界的外部干擾力矩，為執行器故障信號，為執行器有效因子。

3.如權利要求2所述的一種機械臂執行器故障診斷方法，其特征在于：所述S.2中狀態空間模型為：

式中為系統輸出，分別為n*n的機械臂慣性矩陣、n維的離心力和哥式力、n維的機械臂庫倫摩擦、n維的重力項，當執行器出現故障時，式中的變為。

4.如權利要求2所述的一種機械臂執行器故障診斷方法，其特征在于：所述S.3中滑模觀測模型為：

為高階滑模控制輸入項，式中分別為的觀測值，分別為的觀測值，為滑模觀測模型增益，和為神經網絡權值估計值，和為高斯基函數輸出，為滑模觀測模型增益矩陣。

5.如權利要求4所述的一種機械臂執行器故障診斷方法，其特征在于：所述高階滑模控制輸入項，

式中，為滑模等效控制項，為變結構控制項，為準連續二階滑模控制項，為期望軌跡的微分，為嚴格正常量，為滑模增益，為滑模面，為滑模面微分，為大于零的標量。

6.如權利要求5所述的一種機械臂執行器故障診斷方法，其特征在于：所述非線性干擾觀測模型為：

式中，和為干擾觀測模型的設計參數，為干擾觀測模型中的離心力和哥式力，為干擾觀測模型中的重力項，為干擾觀測模型中機械臂的庫倫摩擦，為外部干擾的估計值，和為輔助變量。

7.如權利要求6所述的一種機械臂執行器故障診斷方法，其特征在于：所述S.4中引入飽和函數sats為：

式中為滑模面，為滑模增益，為可調常量參數。

8.如權利要求1所述的一種機械臂執行器故障診斷方法，其特征在于：所述機械臂執行器狀態估計值為：

式中，為滑模等效控制項。

9.如權利要求1所述的一種機械臂執行器故障診斷方法，其特征在于：所述S.6包括如下步驟：

S.6.1、采用無標簽樣本逐層貪婪訓練堆疊去噪自編碼器，最后將訓練好的多個去噪自編碼器的隱含層連接起來，以這些隱含層每個神經元節點的參數作為深度神經網絡的初始化參數，組成一個預訓練好的深度神經網絡；

S.6.2、采用有標記樣本集微調深度神經網絡參數集；

S.6.3、初始化深度神經網絡主動學習所需的樣本集；

S.6.4、重復迭代增加深度神經網絡主動學習的有效樣本數；

S.6.5、應用訓練好的深度神經網絡進行機械臂的故障診斷。