[发明专利]非对齐多视图环境下机器人故障检测方法

权利要求书

1.非对齐多视图环境下机器人故障检测方法，其特征在于：具体包括如下步骤：

步骤1：将上一个时间段内与机器人的第v个特征相关且已知的特征数据放入第v个视图集中；v＝1，2，…V；其中V为机器人特征的总个数，所述上一个时间段内包含若干个采样时刻；

步骤2：将第v个视图集中的特征数据在原始特征空间上进行P1M聚类，得到第v个视图集在原始特征空间上的聚类中心c_v和该视图集中第i个特征数据对c_v的隶属度s_vi，其中i＝1，2，...，N_v；N_v为第v个视图集中特征数据的总个数；将第v个视图集中所有特征数据对c_v的隶属度按照由小到大的顺序进行排列，得到第v个隶属度序列；根据第v个视图集中所有特征数据的个数，在第v个隶属度序列中选择一个隶属度作为第v个视图集的隶属度阈值θ_v；

步骤3：将第v个视图集中的特征数据映射到核函数特征空间中，然后将核函数特征空间中的特征数据映射到公共子空间上；

步骤4：根据步骤2得到的所有的聚类中心，对公共子空间上的所有的视图集进行P1M聚类，得到公共子空间上的聚类中心c和每个特征数据对c的隶属度；

步骤5：将所有特征数据在公共子空间中对c的隶属度按照由小到大的顺序进行排列，得到公共子空间隶属度序列，根据所有特征数据的总个数，在该隶属度序列中选择一个隶属度作为公共子空间上的隶属度阈值θ；

步骤6：计算当前采样时刻机器人第v个视图集中所有特征数据对c_v和c的隶属度，若存在某个特征数据对c_v的隶属度小于θ_v或者对c的隶属度小于θ，则认定此时机器人出现故障。

2.根据权利要求1所述的非对齐多视图环境下机器人故障检测方法，其特征在于：所述步骤2中进行P1M聚类时，目标函数为：

其中，x_vi为第v个视图集中的第i个特征数据，m为模糊因子，η_v为第v个视图集在原始特征空间的正则化因子，s_v为第v个视图集中所有特征数据对c_v的隶属度的集合。

3.根据权利要求1所述的非对齐多视图环境下机器人故障检测方法，其特征在于：所述步骤3中采用隐变换φ(.)将第v个视图集中特征数据映射到核函数特征空间中。

4.根据权利要求3所示的非对齐多视图环境下机器人故障检测方法，其特征在于：所述步骤4中进行P1M聚类时具体包括如下步骤：

步骤4.1：初始化第v个变换矩阵W_v，令迭代计算次数e＝1；

步骤4.2：将W_v代入至如下目标函数中：

s.t.0≤u_vi≤1

其中，u_vi为第v个视图集中第i个特征数据对聚类中心c的属度，m为模糊因子，为第v个视图集中特征数据在核函数特征空间中所形成的特征矩阵，k_vi∈R^Nv为第v个视图集的核Gram矩阵K_v的第i列；u为公共子空间中所有特征数据对聚类中心c的隶属度的集合，W为所有变换矩阵的集合；η为正则化因子，

步骤4.3：求解步骤4.2中的目标函数得到：

步骤4.4：将步骤4.3中的c和u_vi代入至步骤变换矩阵W_v的计算公式中：

其中，T为矩阵转置，I_v为v维单位矩阵，γ为系数；

若e大于预设的最大迭代次数或者目标函数收敛，则转步骤4.5；否则e＝e+1，并返回步骤4.2；

步骤4.5：得到c、u_vi和W_v的值。

5.根据权利要求1所示的非对齐多视图环境下机器人故障检测方法，其特征在于：

所述步骤2中设置第v个视图集的隶属度阈值具体为：在第v个隶属度序列中选择第N_v*r+1个隶属度作为第v个视图集的隶属度阈值；r为拒绝比，且0＜r＜1；

所述步骤5中设置公共子空间上的隶属度阈值具体为：在公共子空间隶属度序列中选择第N*r+1个隶属度作为公共子空间上的隶属度阈值，所述的N为公共子空间上特征数据的总个数。