基于云的服务机器人在线故障自诊断方法研究

The research of fault self-diagnosis of service robots is one of the most important tasks in the frontal and high-tech area of robotic research. The difficulties in accurate modeling of a service robot as well as the sparseness and incompleteness of fault information make the problem much more challenging. In this proposal, we propose a creative research plan, which is very similar to the process of human being self-rated health and hospitalization, decomposing the problem of robot fault diagnosis into three sub-problems, namely the big data acquirement and management of robot fault samples, real-time data driven fault diagnosis method and the cloud-based hierarchical diagnosis architecture. We can carry out research on the mentioned sub-problems thoroughly and synthesized, which mainly include: the big data acquirement method of robot fault samples, the semantic awareness and optimal method of fault context, the construction and management method of the cloud large database, the adaptive learning of high-level fault features based on DNN, the incremental model training method, the on-line fault diagnosis method of service robots and the strategy of distributed parallel computing model training and knowledge mining from the cloud data. We will establish the basic theory and method for the cloud-based on-line fault self-diagnosis of service robots and verify the feasibility and effectiveness of the proposed theory and technology by doing this project. This research will provide an important theory foundation and a key supporting technology for the large-scale applications of service robots.

服务机器人故障自诊断是服务机器人前沿高技术探索研究的重点任务之一。由于服务机器人系统精确建模难、故障信息存在较大的稀疏性和不完备性，使得该问题研究具有极大的难度。本项目独辟蹊径，提出了与人类自我健康评估及就医诊断过程相似的研究思路，将服务机器人在线故障自诊断方法这个难题分解为故障样本大数据获取及管理、故障自诊断方法和分层次云诊断架构三个子问题，分别展开系统、深入的研究工作。重点研究：服务机器人故障样本大数据获取方法；故障上下文语义感知与优化方法；云端大型数据库构建及管理方法；基于深度学习的服务机器人高层次故障特征自适应学习方法；增量式模型训练方法；服务机器人在线故障自诊断方法；云端数据知识化方法以及模型训练分布式并行计算策略；初步建立起基于云的服务机器人在线故障自诊断的基本理论和方法，并通过实验系统，验证相关理论和技术的可行性和有效性，为服务机器人推广应用提供重要的理论基础和关键技术支撑。

服务机器人工作在与人亲密接触的环境中，其安全性、可靠性至关重要。本项目最终目标是研究一套有效的服务机器人在线故障自诊断方法，现已完成任务书规定的所有任务，研究成果如下：.搭建了服务机器人故障诊断数据采集与算法验证平台，分析了传统故障样本生成方法的缺陷，并设计出基于滑动时间窗口的故障样本划分方法；研究了基于生成对抗网络的虚拟故障样本生成方法，有效地扩充故障样本集；采用“瘦客户端+智慧云脑”的设计理念，建立了一种满足云故障诊断要求的机器人系统架构；在此基础上，研究了云端故障样本数据库的构建与管理方法。.对服务机器人故障特征提取与选择方法进行了深入研究。提出了结合随机森林和梯度提升树的特征选择方法；针对传统故障诊断方法未考虑数据时间序列特性的缺陷，提出一种提取时间序列特征的混合智能故障诊断模型，提高了故障诊断的准确率；设计出一种具有开关网络层的长短期记忆网络模型，有效提升时序模型的故障诊断效率；提出基于卷积神经网络的云端在线故障诊断方法，将大计算量环节卸载至云端，巧妙解决了机器人本体硬件资源有限与诊断算法对算力要求高的矛盾；研究了基于通道卷积机制的异构传感器数据高层次故障特征提取策略，并基于图卷积神经网络，实现了异构传感器数据内在关系建模。.搭建了支持故障诊断服务的服务机器人云服务平台，充分发挥云端高并发、强算力的优势，解决大规模异构服务机器人服务调用问题；提出了云端模型更新部署方法，设计出一种分层次的云诊断流程，减少了机器人端与云端的通信需求。.项目组基于自主搭建的服务机器人平台进行大量实验研究，充分验证相关理论和技术的可行性与有效性。.在该项目资助下，发表论文学术论文22篇，其中SCI/EI收录21篇，授权发明专利8项，软件著作权4项，培养博士研究生3名，硕士研究生6名。