基于虛擬傳感器的AGV故障診斷方法

顧 偉，鄧振明，王 紅

(1. 啟東開放大學電子信息部，江蘇 南通 226200; 2. 哈爾濱通用飛機工業有限責任公司，黑龍江 哈爾濱 150066; 3. 中國民用航空飛行學院，四川 廣漢 618307; 4. 北京航空航天大學儀器科學與光電工程學院，北京 100191)

0 引 言

進入工業4.0時代，由于市場需求的可預測性逐步降低，制造業面臨高度柔性化、個性化等多種轉型挑戰。為此，引進智能化、信息化設備，提升生產、轉運及物流等環節的靈活性，成為當前制造業企業的迫切需求。AGV作為現代化智能工廠的關鍵設備，可實現物料在不同生產車間、工位之間的無人化傳遞，降低生產過程重新配置成本，提高復雜按需生產過程的反應速度，提升制造系統容錯性及可靠性[1]。此外，AGV還廣泛應用于現代物流[2]、智能停車場[3]以及港口[4]等領域。因此，保證AGV的無故障運行，開發出有效的AGV狀態檢測方法，對提升現代制造、物流等系統的整體可靠性及效率具有重要意義。

目前，國內外對于AGV的研究多集中于系統設計[5]、運動控制[6]以及路徑規劃與調度[7]等方面，而針對AGV的故障檢測及診斷的研究較為缺乏。郇帥[8]通過分析AGV常見故障模式，提出了基于深度學習的AGV系統故障診斷算法；劉云濤[9]針對AGV復雜系統，研究了基于改進粒子濾波的故障診斷技術；陸嫻等[10]利用Matlab語言，提出了一種基于仿真技術的AGV運行故障模擬方法，為設備選型提供了參考。Pratama等[11]基于多傳感器融合技術與擴展Kalman濾波方法，提出了AGV的軌跡跟蹤與故障診斷算法；Yan等[12]將故障樹與Petri網相結合，研究了AGV系統的健康監測與任務可靠性評估方法。

此外，盡管已提出諸多設備故障診斷方法[13-14]，但由于未結合AGV的特性，故而各方法的適用性受到較大限制。同時，對于AGV的故障檢測通常需要基于作用在車輪上的橫向力及縱向力，但由于成本及空間的限制，且大多數AGV采用電池供電，因此無法采用過多的測量傳感器，尤其是在大規模制造系統中。此時，通過對車輪橫向力與縱向力進行有效得實時估計，可避免由于傳感器集成過多導致成本過高及空間不足的問題，在此基礎上開發新的診斷方法，對于采用電池供電的AGV具有重要意義。

針對車輛輪胎橫向力與縱向力估算，目前已提出多種方法，主要可分為：1）基于輪胎模型的方法，例如線性模型[15]、Burckhardt/Kiencke自適應輪胎模型[16]等；2）無輪胎模型方法，例如滑模觀測器（sliding mode observer, SMO）方法[17]、擴展卡爾曼濾波器（extended Kalman filter, EKF）方法[18]和無跡卡爾曼濾波器（unscented Kalman filter, UKF）方法[19]等。基于輪胎模型方法的主要缺點是需要實時監測輪胎模型參數變化或需要對其進行連續估計，因此難以進行實際應用。基于SMO的估計方法缺點在于對各種干擾和模型的不確定性缺乏魯棒性；基于EKF的估計方法需要對模型進行線性化，并對影響系統的干擾進行過多的簡化假設；而基于UKF的估計方法需要大量的計算，此外，UKF收斂性尚缺乏證明。

綜上，本文提出一種基于VS的AGV故障診斷新方法。建立了AGV的時變緊湊數學模型，使得后續的VS設計過程無需進行線性化近似處理。基于所建立的AGV緊湊模型及 H∞控制理論設計了VS，并證明了所設計VS的可解性與收斂性。利用VS對作用在AGV車輪上的橫向力、縱向力和轉矩進行估計，并通過比較AGV模型和VS的輸出響應產生診斷信號，從而實現故障檢測。所提方法能夠實時估計AGV狀態，并且不依賴于輪胎摩擦模型。最后，通過實驗驗證了所提故障診斷方法的有效性。

1 AGV結構概述

本文所采用的AGV原型樣機如圖1所示，包含四個帶有獨立直流電機和車輪的搖臂，同時，搖臂連接到由鋁件加固的有機玻璃主機架上。電機內嵌編碼器用以測量車輪角速度 ωi,j，其中，i∈(front,rear)、j∈(left,right)表示車輪位置。AGV中集成了鋰聚合物電池、傳感器模塊（包括九個超聲波傳感器和一個可水平和垂直移動的光探測和測距（LIDAR）傳感器）及連接板等，采用WF-32板作為主控制器，同時，通過UART、藍牙和WiFi三種方式實現與通信并配置了WiFi攝像頭以實時觀察周圍環境。

圖1 帶有NGIMU的AGV

此外，AGV中還集成了下一代慣性測量單元（next generation inertia measurement unit，NGIMU），如圖1所示。NGIMU是一個緊湊的慣性測量單元和數據采集平臺，包括三軸加速度計、磁強計和陀螺儀，同時可以測量CPU的溫度、環境氣壓和濕度。AGV的轉向結構及參數如圖2及表1所示。

圖2 AGV轉向系統

表1 AGV結構參數

2 AGV數學模型

3 虛擬傳感器設計

4 基于VS的故障檢測與診斷

所提出的故障檢測及診斷方案框架如圖3所示。第2節所建立的AGV數學模型定義了無故障狀態下AGV的狀態，可得出橫向力Fy,i、縱向力Fx,ij和車輪轉矩T的標稱值。此外，根據第3節提出的方法，VS可以提供上述量的估計值。方案利用作用在AGV上的力矩等參數的測量值計算AGV的力響應。注意到，由于AGV各車輪由單獨的直流電機驅動，因此車輪轉矩可直接測量。另一方面，AGV模型中的車輪角速度利用其縱向速度計算得出：

圖3 所提故障檢測方案示意圖

5 實驗結果與討論

為驗證所提出的VS設計方法及其在故障檢測任務中的有效性，在前述AGV中實現了圖3所示的方案。基于前述故障診斷規則，所進行的實驗分為如下四種場景：

SC1：無故障運行；

SC2：故障場景1—AGV右前輪離地；

SC3：故障場景2—AGV前輪側滑角過大；

SC4：故障場景3—AGV驅動轉矩損失過大。

實驗過程中，AGV采用前輪驅動，轉向角 δf變化規律如下式所示。其中，“···”表示線性變化，轉向角變化規律如圖4所示。

圖4 轉向角δ f變化規律

AGV縱向速度vx參考值為0.556～1.39 m/s，結合前輪轉向角變化規律，在SC1場景下的AGV運行軌跡為圖5所示的“8”字形曲線。此時，轉矩分配參數pi,j=0.25。

圖5 AGV無故障運行軌跡

首先，通過實驗比較了第2節中AGV理論模型與VS輸出響應（車輪橫向力、縱向力）之間的差異。其原因在于，車輪橫向力與縱向力在實驗過程中難以進行直接測量（或即便可以測量，但成本過于高昂），因此采用理論模型計算值與VS輸出響應的比較結果初步驗證第3節中所提估計策略的有效性，結果如圖6及圖7所示。隨后，為進一步驗證所提估計策略的準確性，將實測與VS估計的車輪轉矩進行對比，結果如圖8所示。

圖6 無故障條件下AGV縱向車輪力估計曲線

圖7 無故障條件下AGV橫向車輪力估計曲線

由圖6及圖7可以看出，VS所估計的各車輪橫向力及縱向力與理論模型計算得出的名義值相符（除初始階段以外），AGV模型與VS響應之間的差異很小，初步表明所提估計策略可用于進一步的故障診斷。圖8進一步表明了所提估計策略的有效性。

最后，針對故障場景SC2～SC4，基于診斷規則(59)～(61)，利用所設計的VS進行了故障診斷，結果如圖9所示，其中，圖9(a)表示SC1場景下，殘差zFx,fr的變化曲線。圖9(b)～(d)分別表示了AGV處于故障場景SC2～SC4狀態下，殘差(56)～(58)的變化情況。例如，從圖9(b)可以看出，從k=1 450開始，AGV右前輪離地，這使得其角速度迅速增大。此時，由于AGV理論模型中，縱向力的計算引入了式(55)，這將導致車輪縱向力相應減小，殘差zFx,fr逐漸增大，其他故障場景的分析具有相似性。此外，閾值 γx、 γy及 γT采用統計分析并基于“3 σ”原則進行確定[26]。

圖8 無故障條件下AGV車輪總轉矩估計曲線

圖9 不同場景下的估計殘差曲線

6 結束語

本文基于AGV結構特性及 H∞控制理論，提出了一種基于VS的AGV故障檢測及診斷方法，其核心在于對AGV車輪橫向力、縱向力及車輪轉矩的自適應估計。所提方法充分利用了AGV自身集成的傳感器測量數據，通過所構建的AGV緊湊動力學模型與VS估計的輸出相應生成相應的殘差，進而對AGV的不同類型故障進行診斷，所得結論如下：

1）所提VS的估計策略無需進行線性化，提高了估計精度；

2）所提故障檢測方法無需了解AGV的輪胎模型，實施簡便，相關定理證明了所提估計方法的收斂性，實驗結果亦驗證了所提方法的準確性與有效性；

3）針對AGV運行特性，提出了相對簡單易行的“IF-THEN”規則進行故障診斷；

4）后續將基于所提出的故障檢測及診斷方法，進一步開展復雜AGV系統的容錯控制、故障檢測及可靠性研究。