基于神经网络的移动机器人的故障诊断方法研究(14)
图5.1移动机器人运动学模型图
5.2如何调取权值
输入到隐层权值：w1=net.iw{1,1}
隐层到输出层权值：w2=net.lw{2,1}
5.3诊断算法步骤及实验对象数据
驱动系统完成移动机器人3个坐标方向的移动和旋转功能。诊断系统中所用的传感器分布在驱动系统周围。这些传感器一般为陀螺仪和编码器，移动机器人主要完成3个模块组的运作。
图5.3中X、Y、Z表示移动机器人的运动形式，X表示移移动机器人在X轴上的前进和后退运动；Y表示移动机器人在Y轴上的向左或向右平移运动；Z表示移动机器人在Z轴上的旋转运动。由此可以将系统分为3个模块组对应完成移动机器人的前后移动，左右移动以及旋转功能。每个模块组包含3个子系统和4个传感器；各模块组表示如下：
Module1={terminal, motor driver X , motor x,sensor1,
sensoe2, sensoe3, sensoe4}
Module2={terminal, motor driver Y , motor y,sensor1,
Sensoe5, sensoe6, sensoe7}
Module3={terminal, motor driver Z , motor z,sensor1,
Sensoe8, sensoe9, sensoe10}
图5.3 模块组表示
本文将以移动机器人驱动系统为例讨论故障诊断问题，以上提到该系统有3个模块组，且3个模块组的结构相似，因此可以选用4个具有相同结构的BP（或RBF）神经网络来完成故障诊断过程。
5.3.1诊断算法步骤：
（1）按具体系统对相互关联的功能模块进行分组，得到module i。
（2）将得到的传感器信息进行归一化处理，使其处于（0，1）之间。
（3）将处理过的数据根据步骤（1)进行分组；得到输入数据。
（4）利用BP神经网络进行学习和训练，完成故障的诊断工作，给出诊断结果。
输入数据
序号 1 2 3 4 5 6 7 8
Module1 S1 0.0016 0.0949 0.6273 0.4132 0.5305 0.3785 0.0820 0.1014
S2 0.1732 0.9557 0.2461 0.3165 0.8390 0.9897 0.1473 0.8533
S3 0.3667 0.5770 0.0878 0.8152 0.5030 0.9230 0.4587 0.0170
S4 0.5374 0.7588 0.3025 0.1261 0.1015 0.0405 0.9272 0.6619
Module2 S1 0.0016 0.0949 0.6723 0.4132 0.5305 0.3785 0.0820 0.1014
S5 0.9426 0.6390 0.7413 0.5760 0.0542 0.3117 0.8060 0.0952
S6 0.3557 0.1508 0.7502 0.4823 0.6051 0.3082 0.5229 0.3322
S7 0.3575 0.0338 0.6838 0.0328 0.3130 0.9578 0.5312 0.7779
Module3 S1 0.0016 0.0949 0.6723 0.4132 0.5305 0.3785 0.0820 0.1014