非对齐多视图环境下机器人故障检测方法技术

本发明专利技术公开了一种非对齐多视图环境下机器人故障检测方法，具体为：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；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

【技术实现步骤摘要】
非对齐多视图环境下机器人故障检测方法
本专利技术属于异常检测领域。
技术介绍
异常检测，也称作离群点检测，是一种用于辨识不符合预期正常模式的样本或示例的数据挖掘技术，并已被广泛地用于众多领域，如入侵检测，诈骗检测，恶意软件检测等。随着科技的发展，机器人逐渐进入人们的生活，服务于大众，给人们的生活带来极大的便利，但机器人发生故障时将会影响其使用，故机器人故障检测成为不可或缺的环节。现实中，人们接收的数据往往来自不同的传感器，形成了所谓的多模态或多视图数据。如使用不同的传感器接收机器人不同方面的特征，例如力和扭矩，这就形成了二视图数据。现有的多视图异常检测方法针对的都是对齐的多视图场景。对齐和非对齐两种场景最明显的区别在于：在对齐场景中，能明确获知每个机器人在各视图中对应的特征数据；而在非对齐场景中，完全缺失了某一刻机器人的力和扭矩的对应关系；这可能是由于从传感器获得的数据在传输过程中丢失或被污染导致的。当在非对齐场景中进行异常检测时无法利用对齐场景下力和扭矩对齐的这一局部关键信息，仅能依靠各视图自身所属类别的对齐进行学习，导致得到的结果往往不符合实际情况。尽管目前对非对齐多视图学习已经进行了研究。但迄今为止还没有对非对齐环境下多视图异常检测开展研究，且传统多视图异常检测算法不适用在该新的场景中。
技术实现思路
专利技术目的：为了解决上述现有技术中存在的问题，本专利技术提供了一种非对齐多视图环境下机器人故障检测方法。技术方案：本专利技术提供了一种非对齐多视图环境下机器人故障检测方法，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cv和该视图集中第i个特征数据对cv的隶属度svi，其中i＝1，2，...，Nv；Nv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cv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θv；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cv和c的隶属度，若存在某个特征数据对cv的隶属度小于θv或者对c的隶属度小于θ，则认定此时机器人出现故障。进一步的，所述步骤2中进行P1M聚类时，目标函数为：其中，xvi为第v个视图集中的第i个特征数据，m为模糊因子，ηv为第v个视图集在原始特征空间的正则化因子，sv为第v个视图集中所有特征数据对cv的隶属度的集合。进一步的，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。进一步的，所述步骤4中采用P1M算法时具体包括如下步骤：步骤4.1：初始化第v个变换矩阵Wv，令迭代计算次数e＝1；步骤4.2：将Wv代入至如下目标函数中：s.t.0≤uvi≤1其中，uvi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，kvi∈RNv为第v个视图集的核Gram矩阵Kv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uvi代入至步骤变换矩阵Wv的计算公式中：其中，Φv∈R|F|×Nv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，T为矩阵转置，kvi∈RNv为第v个视图集的核Gram矩阵Kv的第i列，Iv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、uvi和Wv的值。进一步的，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Nv*r+1个隶属度作为第v个视图集的隶属度阈值；所述Nv为第v个视图集中特征数据的总个数，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。有益效果：本专利技术采用单簇聚类方法作为基学习器，针对非对齐场景下的机器人多视图数据设计了故障检测方法。本专利技术是非对齐多视图场景下异常检测的首次尝试，与单视图单簇聚类方法相比，本专利技术有显著的效果，能够更快且精确的识别机器人是否故障。本专利技术具有一定的推广性，可以适用于更多的领域。附图说明图1为本专利技术的流程图；图2为本专利技术中迭代优化计算的流程图。具体实施方式构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。作为异常检测的重要方法之一，单类分类方法被归为无监督异常检测。支持向量数据描述(SVDD)和单类支持向量机(OC-SVM)是两种典型的单类学习模型。SVDD旨在寻找一个将所有目标类训练数据全部包围的最小超球；同时OC-SVM通过最大化超平面与原点(视为异常点)间的距离或间隔寻找一个由支持向量表示的超平面。而本实施例早期的工作则从聚类的视角针对单类数据提出了一种单簇聚类的数据描述(OCCDD)方法，它是将可能性C-均值(PCM)聚类限定至仅为单簇聚类实现，简记为P1M。相比OCSVM和SVDD，P1M聚类不仅具有与之相当的性能，而且鲁棒性高，其获得的属于正常类的隶属度能作为置信度，在一定程度上为判别结果提供可解释性。受P1M实现原理的启发，并考虑到视图非对齐特性，本实施例提出了非对齐多视图环境下机器人故障检测方法，如图1所示，该方法具体包括如下步骤：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连续的历史采样时刻；本实施例中机器人特征包括力的特征，扭矩的特征；同一个采样时刻不同特征之间的特征数据个数不同；...

【技术保护点】
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：/n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；/n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

【技术特征摘要】
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cv和该视图集中第i个特征数据对cv的隶属度svi，其中i＝1，2，...，Nv；Nv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cv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θv；
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cv和c的隶属度，若存在某个特征数据对cv的隶属度小于θv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，xvi为第v个视图集中的第i个特征数据，m为模糊因子，ηv为第v个视图集在原始特征空间的正则化因子，sv为第v个视图集中所有特征数...

【专利技术属性】
技术研发人员：陈松灿，史小艳，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32