首页 > 论文范文 > 社会科学论文 > 科技论文 > 自动化论文 > 基于DWA算法的配网作业机器人避障路径规划

基于DWA算法的配网作业机器人避障路径规划

2024-01-17 28 上传者：管理员

摘要：配网作业机器人运行环境中存在不同大小的障碍物，作业过程中会出现路径冗余问题，导致配网作业机器人避障能力差，为此提出基于DWA算法的配网作业机器人避障路径规划方法。根据机器人质量、车轮半径和轮间距信息构建机器人运动学模型，描述机器人在不同时刻的位姿；确定机器人作业空间，结合起点与目标点位置构建局部地图，约束机器人运动范围；设计DWA算法的速度向量空间，多采样机器人速度，获取限速区域，在该区间内生成多条待选择的路径；利用方向评价、障碍物距离评价和速度评价3个子函数组成DWA评价函数，分别对子函数做归一化处理，选取评价值最高的路径作为最优避障规划路径。实验结果表明，该方法在简单和复杂的作业环境下均能准确避障，且路径最短。

关键词：
DWA算法
归一化处理
评价函数
避障路径规划
配网作业机器人
加入收藏

随着全球现代化工业的飞速发展，能源作为人类社会发展的重要基础得到高度关注。但随之产生了各种问题，如生态环境受到破坏以及气候问题等，开发无污染的可再生资源迫在眉睫。因此，相继出现一批可以替换传统能源的新能源技术，如风能以及太阳能等。

随着风力发电规模的不断增加，带来了运行维护任务繁重以及故障检修成本偏高等问题，尤其是受到地理位置的制约，风电场大部分建立在高原或沿海等地区，运行环境十分恶劣，易受到极端天气的干扰，为风电机组的维修带来困难。随着运行时间的不断增加，风电机组机械传动系统会出现不同类型的故障，造成机组无法正常运行。因此，准确诊断风电机组机械传动系统故障具有十分重要的研究意义[1,2]。国内相关专家针对上述内容展开了大量研究，如滕伟等[3]采用Wasserstein距离准确度量预测数据和真实数据两者之间的代价函数，分别对数据展开预处理以及筛选等相关操作，进而实现异常状态识别，最终达到故障诊断的目的；史光宇等[4]对振动信号灰度图展开短时傅里叶变换以及连续小波变换处理，采用卷积神经网络完成故障诊断；孙鹤旭等[5]采用改进的模糊C-均值算法确定最佳类数，将其应用于风电机组故障诊断中。在以上几种方法的基础上，结合机器学习，本文提出一种全新的风电机组机械传动系统故障诊断方法。经实验测试结果表明，本文方法可以全面减少故障诊断时间，获取高精度的故障检测结果。

1、故障诊断方法

1.1 风电机组机械传动系统噪声抑制

为了将风电机组机械传动系统中的噪声提出，通过经验模态分解(empirical mode decomposition, EMD)方法分解获取不同频率的固有模态函数(intrinsic mode function, IMF)分量[6,7],并且在全部IMF分量中选择可以表示故障特征频率的IMF,同时重构故障信号，达到信号去噪的目的。

通过EMD分解信号可以获取IMF分量和残余信号，通过分解获取的IMF分量可以准确描述数据的局部特征，而残余信号主要用来描述不同信号变化量变化规律。分别对不同的IMF展开分析，通过分析结果得到各种类型数据对应的特征信息。其中，全部IMF分量必须要满足以下约束条件，分别为：

a.如果时间序列是完整的，需要保证全部信号的极值点以及零点数量完全一致。

b.通过极大和极小值点可以确定包络线的取值全部为0。

其中，EMD分解的详细操作步骤如下所述。

a.确定原始信号中全部极大、极小值点以及包络线，获取上、下包络线的平均值曲线nl(t),即

式中：vl(t)和sl(t)分别为上包络线和下包络线。

求解原始信号和包络均值两者之间的差值ln(t),即

式中：Tl(t)为原始信号。

如果通过式(2)获取的计算结果没有达到上述2个约束条件，则需要将ln(t)作为原始信号，经过反复操作，得到满足需要的信号lnn(t),即

式中：nll(t)为包络均值。

经过k次筛选之后需要将nll(t)转换为第1个IMF分量，将其称为第一阶IMF,将其表示为

式中：dl(t)为第一阶IMF分量。

b.删除原始信号中存在的全部dl(t),获取第一阶剩余的信号。

经过分析可知，在第一阶信号中仍然包含周期更长的分量，因此需要对剩余信号rl(t)展开相同操作，进而获取不同阶次的剩余信号，对应的表达式为

当rl(t)逐渐转换为一个单调函数，则说明筛选结束，进而可以获取

通过输入信号可以获取信号对应的自相关函数，即

Ny(t)为信号对应的自相关函数；τ为短时噪声干扰；T1(t)、T2(t)和Tn(t)为矩阵的不同元素。

由于短时噪声干扰、信号以及白噪声之间不存在任何关联，并且信号对应的自相关函数占据十分重要的比例，因此，需要对输入信号展开自相关分析处理，对应的计算式为

式中：U(t)为输入信号的自相关处理结果。

在上述分析的基础上，获取风电机组机械传动系统去噪流程如图1所示[8,9],具体如下所述。

图1 风电机组机械传动系统去噪流程

1.2 基于机器学习的风电机组机械传动系统故障诊断

自编码神经网络在机器学习中占据重要地位[12,13],被广泛应用于特征提取中。自编码神经网络是一种结构对称的神经网络，因此网络的输入和输出节点是完全相同的。

其中，自编码神经网络的编码和解码可以表示为：

a.编码阶段。

式中：k为在隐藏层提取到的特征；ω1为编码阶段的权值；b1为编码阶段的阈值；x为网络的输入数据。

b.解码阶段。

式中：y为网络的输出数据；g为激活函数；ω2为解码阶段的权值；b2为解码阶段的阈值。

通常情况下，自编码的训练过程是通过优化算法计算最小化输入和输出数据差值，将其作为自编码损失函数，对应的计算式为

式中：J(w,b)为自编码损失函数；L(x,y)为输入层中神经元数量。

在机器学习中[14,15],希望可以采用比较简单的模型获取更加简单的学习特征。但在训练过程中，由于设定的损失函数取值十分小，因此在测试过程中得到的结果无法达到预期目标。为了有效避免上述情况的产生，不仅需要比较小的训练误差，同时还需要保证模型足够简单，模型的简化可以利用惩罚函数实现。分析编码过程，获取给定输入矩阵，即

式中：Xm×n为输入矩阵；xm×n为输入子矩阵。

在经过编码处理之后，输出的特征为低维特征向量，将提取到的低维特征向量展开解码处理，获取输出向量。

将以上所述的特征提取方法应用于风电机组机械传动系统故障诊断中，完成特征提取之后需要对提取的数据展开分类处理，获取故障类型。其中，采用粒子群优化算法对最小二乘支持向量机参数优化处理，详细的操作步骤如下所述：

a.随机形成多个粒子，将其组合构建一个全新的粒子群，对种群中的全部参数初始化处理。

b.根据相关公式更新不同粒子的速度以及位置。

c.通过计算得到不同粒子的具体位置邻域范围，并且分别计算各粒子的适应度取值，其中最佳适应度取值即为粒子的实际坐标位置。

d.重复步骤a～步骤c,直至满足设定的条件则停止操作。

e.通过优化得到的参数构建基于最小二乘支持向量机的分类器。

通过上述分析，利用自编码神经网络以及构建完成的分类器共同实现风电机组机械传动系统故障诊断，详细的操作流程如图2所示，具体描述如下：

a.选择故障特征数据，对全部故障数据归一化处理，同时还需要降噪处理。

b.在故障数据完成预处理之后，由于数据规模庞大，需要全面提升数据训练速度，同时对其展开降采样处理。

图2 基于机器学习的风电机组机械传动系统故障诊断流程

c.组建基于机器学习的Lasso自编码神经网络，采用已经构建完成的模型提取风电机组机械传动系统故障特征。

d.将提取到的风电机组机械传动系统故障特征数据划分为测试集和数据集，进而制定对应的标签。

e.通过改进的PSO算法对最小二乘支持向量机中的全部参数展开优化处理，以此为依据建立分类器。

f.将提取到的特征输入到分类器中分类处理，最终实现风电机组机械传动系统故障诊断。

2、实验结果与分析

为验证本文方法的有效性，以文献[3]方法和文献[4]方法作为对比方法，展开具体的实验测试和分析。风电机组机械传动实验平台如图3所示，同时设定采样频率为24 kHz。风电机组机械传动系统的实验参数如表1所示。

图3 风电机组机械传动实验平台

表1 风电机组机械传动系统实验参数

风电机组机械传动系统在不同故障状态下的时域波形如图4所示。

图4 风电机组机械传动系统故障信号的时域波形

分析图4可知，由于产生故障的原因和类型存在差异，因此获取的故障信号时域波形也存在比较明显的差异。尤其在冲击成分存在的状态下，信号大小总幅值也存在十分明显的差异。

测试数据集分为3组，分别为：001、002和003,搜集不同故障的相关数据，4种故障每种故障搜集81条，将4种故障每27条合成1组，001包含4种故障数据，每种故障数据27条，合计108条；002、003均为108条。在设定测试数据集的情况下，分别对各方法的故障诊断性能进行测试分析，实验结果如图5所示。

图5 不同数据集下各方法的故障诊断结果准确率对比分析

由图5可知，在不同测试数据集下，各故障诊断方法获取的故障诊断结果准确率也存在比较明显的差异。其中，本文方法的故障诊断结果准确率一直在90%以上，而文献[3]方法和文献[4]方法均低于本文方法。由此可见，本文方法可以更加准确诊断风电机组机械传动系统故障。

进一步测试不同数据集下各方法的风电机组机械传动系统诊断时间变化结果，详细的实验测试结果如图6所示。

由图6可知，由于测试数据集不同，各方法的风电机组机械传动系统故障诊断时间也存在比较大的差异。但是，本文方法所用的时间明显更短，说明本文方法可以更快地完成故障诊断。

图6 不同方法的风电机组机械传动系统故障诊断时间对比分析

3、结束语

针对故障诊断方法存在的不足，本文提出一种基于机器学习的风电机组机械传动系统故障诊断方法。经实验测试结果表明，本文方法可以更快更准确地完成风电机组机械传动系统故障诊断。

参考文献:

[1]齐咏生,樊佶,李永亭,等.基于增强型形态学滤波的风电机组轴承故障诊断方法[J].振动与冲击,2021,40(4):212-220.

[2]靳志杰,霍志红,许昌,等.基于特征选择和XGBoost的风电机组故障诊断[J].可再生能源,2021,39(3):353-358.

[3]滕伟,丁显,史秉帅,等.基于WGAN-GP的风电机组传动链故障诊断[J].电力系统自动化,2021,45(22):167-173.

[4]史光宇,徐健,杨强.基于卷积神经网络的风电机组轴承机械故障智能诊断方法[J].华北电力大学学报(自然科学版),2020,47(4):71-79.