基于神经网络的移动机器人的故障诊断方法研究(17)
由2组数据可看出：第1组数据中机器人在模块2上是正常状态；第2组数据机器人在模块2上发生的是系统故障。
第四步：判断机器人在模块3上发生哪些故障
Fault-0：正常状态 没有发生任何状态
Fault-1：系统故障 模块内部出现故障
Fault-2：传感器故障 用于测量信息的传感器发生故障
Fault-3：混合故障 系统故障和传感器故障同时发生
由实验所得：
第1组数据机器人在模块3上是正常状态；第2组数据机器人在模块3上发生的是系统故障；第3组数据机器人在模块3上是正常状态；第4组数据机器人在模块3上是正常状态；第5组数据机器人在模块3上是正常状态；第6组数据机器人在模块3上是正常状态；第7组数据机器人在模块3上是正常状态；第8组数据机器人在模块3上发生的是传感器故障。
图5.4.4 模块3的BP神经网络学习曲线
把第9、10组数据作为测试数据，测试结果如下：
Y =
1.0000 0.0000
0.0000 0.0000
0.0000 0.0000
0.0000 0.9974
由2组数据可看出：第1组数据中机器人在模块3上是正常状态；第2组数据机器人在模块3上发生的是混合故障。
5.5基于RBF网络的故障诊断及MATLAB仿真
第一步：建立RBF神经网络的训练样本。重新整理实验数据，并对其进行归一化处理，共有10个样本数据，4个模块状态，每个样本有12个特征参数。按照如下方式设计学习函数，网络的输入层神经元个数为10个，输出层的个数为4个，隐含层的个数根据Matlab函数自行调整。输出形式如下：
无模块故障（0 0 0 0）；模块1故障（0 1 0 0）；
模块2故障（0 0 1 0）；模块3故障（0 0 0 1）。
样本数据：
序号 输入样本 目标向量
1 0.0016 0.1732 0.3667 0.5274 0.9426 0.3557 0.3575 0.8756 0.0529 0.9909 0 1 0 0
2 0.0949 0.9557 0.577 0.7588 0.639 0.1508 0.0338 0.0089 0.3777 0.6106 0 1 0 1
3 0.6723 0.2461 0.0878 0.3025 0.7413 0.7502 0.6838 0.1012 0.9629 0.2391 0 0 1 0
4 0.4132 0.3165 0.8152 0.1261 0.576 0.4823 0.0328 0.9325 0.5594 0.3441 0 1 0 0
5 0.5305 0.839 0.503 0.1015 0.0542 0.6051 0.313 0.6081 0.4593 0.5666 1 0 0 0
6 0.3785 0.9897 0.923 0.0405 0.0312 0.3082 0.9578 0.7953 0.252 0.3812 0 1 1 0
7 0.082 0.1473 0.4587 0.9272 0.806 0.5229 0.5312 0.0223 0.9759 0.7469 0 1 0 0