機器人系統的故障檢測與診斷研究

張麗娟

（石家莊科技職業學院，石家莊 050000）

隨著機器人的重要性不斷提高，其在日常生活中的應用越來越廣泛[1]。然而，這些復雜、昂貴的機器系統容易出現各種故障，如磨損、噪聲、控制故障等[2]。故障的檢測與準確診斷對于確保機器人系統的穩健性和可靠性尤為關鍵。解決機器人系統故障問題，需要深入了解新興應用場景，而且研究方法要很好地應對復雜故障帶來的挑戰。

機器人系統的工作涵蓋3 個主要過程，即感知、思考和行動。機器人通過傳感器感知外部環境，再利用算法綜合感知信息進行思考，最終執行決策。在這個復雜的運行過程中，機器人容易出現不同類型的故障。機器人系統的故障分為硬件故障、軟件故障和交互故障，如圖1 所示。硬件故障可能發生在機器人系統的任何物理組件上，影響機器人的信息反饋和指令執行能力。軟件故障涉及算法錯誤或正確算法的錯誤執行，影響機器人的認知行為，即感知、決策和行為執行[3]。交互故障可能是機器人內部故障的結果，也可能由外部事件引起。

圖1 機器人系統故障分類

為全面了解機器人系統的多樣性，研究了機器人系統的不同特征。這些特征對故障檢測與診斷方法的選擇具有重要影響。先分析不同的故障檢測與診斷方法，再針對機器人系統的不同約束和要求選擇合適的故障檢測與診斷方法。

1 機器人系統不同特征下的故障檢測與診斷

機器人系統作為一個綜合性系統，融合了多個學科的技術。在多種特征相互結合的背景下，傳統機器人故障檢測與診斷方法面臨著新的挑戰。表1 總結了機器人系統的主要特征，以及每個特征給故障檢測與診斷帶來的挑戰，同時提出了對應的解決方法。

表1 機器人系統主要特征

1.1 依賴外部傳感器

雖然增加專門的傳感器能夠實現機器人的故障檢測，但是會提高系統成本。許多機器人未配備故障診斷傳感器，需依賴現有的傳感器，將給故障檢測診斷帶來巨大挑戰。

傳感器故障可能導致機器人系統出現錯誤行為。為檢測傳感器故障，需將傳感器讀數與預定義期望值或預測值比較。若無外部感知源（如操作員或其他機器人）作為輔助，則故障診斷會更加困難。

傳感器融合技術采用數據驅動的方法，當多個傳感器感知環境的不同方面時，可以將它們的數據融合。如果傳感器讀數與融合后的結果不一致，說明機器人系統可能存在故障?；趥鞲衅魅诤系墓收蠙z測方法對機器人系統至關重要。

1.2 自主控制

機器人系統可以是由人操控的，也可以是高度自主的。對于高度自主的機器人，面臨的挑戰有3 點：第一，如何在只使用自身傳感器，缺乏外部比較的情況下診斷故障；第二，需要快速在線檢測故障，即使存在故障，機器人仍要繼續自主運行；第三，自主機器人對遠程支持系統的依賴較少，故障診斷需在機器人本體上進行。

解決上述挑戰的方法之一是基于模型的方法。診斷依賴于正常系統行為和已知故障的顯式先驗模型。行為模型通過解析方程或邏輯公式來描述系統正常行為，可快速產生對機器人行為的期望。如果觀察到的行為與預期行為不一致，則懷疑是由故障引起的。

另一種方法是利用機器學習生成故障檢測與診斷模型，這種方法可在線使用，通過離線學習減少在線計算負荷[4]。然而，通過離線學習生成的靜態模型可能不適用于檢測新產生的故障。

1.3 與環境的交互

機器人會與物體、機器人和人類進行交互。這些交互帶有高度不確定性和未知故障，在交互過程中，故障檢測診斷的挑戰在于檢測未知故障。

早期研究認為群體機器人具有容錯性，但近期研究表明故障機器人顯著影響健康機器人，導致任務失敗。一臺機器人的故障可能會在相鄰機器人中傳播，形成群體級聯效應。群體系統中的故障分為兩類，拓撲故障和組件故障。拓撲故障會改變群拓撲，而組件故障僅影響單個機器人的執行器、傳感器和控制器?；谀Ｐ偷墓收显\斷方法可通過建立數學模型來描述機器人系統的物理特性，檢測和診斷潛在故障，模型包括運動學、動力學和傳感器模型等。

2 不同的故障診斷方法

表2 為故障檢測與診斷方法在機器人系統中的優勢和面臨的挑戰。從表2 可以看到，每種方法都有一定的缺陷，而構建一個結合這些方法的混合方法可以克服相應挑戰。

表2 不同故障檢測與診斷方法在機器人系統中的優勢與挑戰

2.1 數據驅動的方法

數據驅動的方法從采樣數據中提取有用信息，從而實現故障檢測與診斷。一些數據驅動的方法將在線數據與已知的故障表達式或曾經觀察到的正常行為進行比較。統計匹配的小偏差將在線數據歸類為正常數據，異常值大偏差被歸類為異常或未知故障[5]。

其他數據驅動的方法如機器學習法，從數據中選擇或提取信息特征，通過學習來生成故障檢測或診斷模型。生成的模型能分類數據，特別是對機器人實時產生的在線數據進行分類，判斷數據是否表示故障，甚至將其與診斷關聯起來。

所有由數據驅動的方法都十分依賴于數據質量。機器學習中有無監督方法取決于訓練數據中是否存在足夠的例子。在可能發生未知故障的機器人領域，無監督方法更為合適，但對于已知的故障檢測，無監督方法通常不如監督方法準確。

2.2 基于模型的方法

基于模型的方法完全依賴于關于系統的先驗知識。診斷過程依賴于正常系統行為或其已知故障的顯式模型[6]。觀察到的機器人行為動作和模型產生的預期不一致，可能是由故障引起的。

基于模型的診斷方法的主要缺點是構建分析模型的成本較高，尤其是在機器人領域，因為模型構建需考慮機器人的動態環境、任務和復雜性。結構模型描述了組件之間的依賴關系，相較于行為模型更易構建。然而，結構模型通常不能完成故障檢測任務，由于無法推斷預期行為，進而無法與觀察到的行為進行比較。但是在診斷過程中，結構模型因其能夠較為清晰地描述相互依賴關系，故而允許診斷故障后查找故障的根本原因。一些基于模型的診斷方法使用故障模型，描述已知故障行為，但僅依賴于故障模型的方法無法檢測未知故障。

2.3 基于知識的方法

基于知識的方法模仿人類專家，利用領域專家的知識與經驗檢測機器人系統故障。這種方法的優勢在于結合基于模型和數據驅動的方法?；谥R的方法可分為因果分析和專家系統兩類。

因果分析方法通過分析因果關系推斷系統可能存在的故障。領域專家建立系統因果模型，描述組件之間的關系和故障對系統的影響。通過因果推理識別可能的關系鏈，采用規則引擎、邏輯推理等技術逐步排除不合理假設，確定最可能導致系統行為的故障原因。該方法適用于復雜系統，其故障可能以非直觀的方式影響整體性能。

專家系統模仿人類專家的推理過程，獲取的知識需要以計算機能夠理解和處理的形式進行表示，如if-then 規則、框架、產生式規則等。這些規則描述了特定情境下針對某些觀察到的現象應采取的行動或推斷，可以從第一性原理或機器人系統的結構描述中找到。專家系統包含一個推理引擎，用于執行基于知識庫中規則的推理。當系統觀測到機器人行為或系統狀態時，推理引擎根據知識庫中的規則來推斷可能的故障原因。專家系統的主要缺點是不能處理未知故障，在從固定的專家規則中推斷出新的診斷結果方面具有挑戰性。

3 結語

文章研究了機器人系統的故障檢測與診斷方法，這些方法適用于機器人系統的不同特征。詳細闡述了這些方法的優勢和面臨的挑戰，分析了每種方法對于機器人系統的優缺點。期望通過以上分析，為機器人的故障檢測與診斷提供參考。