一种基于改进的SKF和EKF的联邦学习算法的故障巡检机器人制造技术

本发明专利技术公开了一种基于改进的SKF和EKF的联邦学习算法的故障巡检机器人，涉及故障巡检领域，包括机械臂和小车底盘，机械臂设置在小车底盘上，小车底盘的顶部设置有激光雷达和摄像头，机械臂包括第一机械臂、第二机械臂和第三机械臂，第二机械臂设置在第一机械臂与第三机械臂之间，第一机械臂远离第二机械臂的一端与电动推杆连接，电动推杆的另一端与设置在小车底盘内部的电机驱动器连接，小车底盘内部靠近电机驱动器的一侧顶部设置有雨量传感器和控制主板，雨量传感器与控制主板连接，小车底盘内部侧壁设置有惯性导航传感器和GPS传感器。本发明专利技术采用上述结构对气体管道微小泄漏准确识别，通过优化算法和算法参数调整，提高识别准确度并降低误判率。别准确度并降低误判率。别准确度并降低误判率。

【技术实现步骤摘要】
一种基于改进的SKF和EKF的联邦学习算法的故障巡检机器人


[0001]本专利技术涉及故障巡检领域，尤其是涉及一种基于改进的SKF和EKF的联邦学习算法的故障巡检机器人。

技术介绍

[0002]当前在管道气体微泄漏检测方面，主要采用的方法包括气体浓度检测法、红外检测法和声波法等。然而，这些主流的管道气体检测技术存在以下缺陷和不足：
[0003]气体浓度检测法的分辨率受限，导致检测速度较慢，且仅能识别较小的区域；
[0004]红外检测法容易受到环境温度和湿度的影响，同时障碍物会干扰成像效果；
[0005]声波法需要存在压差，并且测试距离通常限制在小于100米；
[0006]传统的管道气体微泄漏检测技术通常仅采用单一传感器进行检测，导致检测效率低、容易受环境干扰，且对测试环境要求较高。
[0007]因此，现有技术对于高效、准确、稳定地进行管道气体微泄漏检测仍存在一定的局限性和不足之处。

技术实现思路

[0008]本专利技术的目的是提供一种基于改进的SKF和EKF的联邦学习算法的故障巡检机器人，实现对气体管道微小泄漏的准确识别，通过优化算法和算法参数调整，进一步提高识别准确度并降低误判率。
[0009]为实现上述目的，本专利技术提供了一种基于改进的SKF和EKF的联邦学习算法的故障巡检机器人，包括机械臂和小车底盘，所述机械臂设置在所述小车底盘上，所述小车底盘的顶部设置有激光雷达和摄像头，所述机械臂包括第一机械臂、第二机械臂和第三机械臂，所述第二机械臂设置在所述第一机械臂与所述第三机械臂之间，所述第一机械臂远离所述第二机械臂的一端与电动推杆连接，所述电动推杆的另一端与设置在所述小车底盘内部的电机驱动器连接，所述小车底盘内部靠近所述电机驱动器的一侧顶部设置有雨量传感器和控制主板，所述雨量传感器与所述控制主板连接，所述小车底盘内部侧壁设置有惯性导航传感器和GPS传感器，所述小车底盘的底部设置有四个驱动轮。
[0010]优选的，所述第一机械臂远离所述第二机械臂的一端设置有伺服舵机，所述第三机械臂远离所述第二机械臂的一端设置有管道泄漏检测头，所述管道泄漏检测头包括气体传感器、红外热成像仪和麦克风传感器，所述气体传感器、所述红外热成像仪和所述麦克风传感器均与数据处理模块连接。
[0011]优选的，所述小车底盘内部远离所述电机驱动器的一端设置有锂电池和温湿度传感器，靠近所述温湿度传感器一侧的所述小车底盘外侧设置有显示屏。
[0012]一种基于改进的SKF和EKF的联邦学习算法的故障巡检机器人，包括以下步骤：
[0013]S1：客户端解码从联邦中心共享全局模型；
[0014]S2：客户端根据上述解码信息，通过扩展卡尔曼滤波器EKF更新本地客户端网络参
数；
[0015]S3：将本地私有数据转换为公开传输的网络参数信息；
[0016]S4：在网络传输过程中，客户端获取联邦中心的观测值；
[0017]S5：将更新的模型参数上传至联邦中心；
[0018]S6：联邦中心建立基于序贯卡尔曼滤波SKF的序贯融合滤波方法，对上传的客户端网络参数进行异步融合。
[0019]优选的，在步骤S3中，对于第i个客户端，第(k
‑
1)到第k个周期中得到不等间隔r
(i)
标记的样本对为：
[0020][0021]其中，表示样本对；是第i个样本的特征向量和标签；
[0022]基于前k
‑
1周期从联邦中心获得的网络参数估计值和相应的估计误差协方差，建立EKF的网络参数状态模型，利用随机游走思想建立状态模型和测量模型，其中状态模型为：
[0023][0024]测量模型为：
[0025][0026]其中为状态变量，A为状态转移矩阵，为测量变量，ω(k)为状态噪声，网络参数函数为F(D(k),A(k+1))，参数α＝[ω
T
,b
T
,β
T
]T
为变量状态噪声ω(k)和输出噪声v(k)是高斯白噪声，ω表示输入层和隐藏层的链路权值；β表示隐含层雨输出层的链路权值，b表示隐藏层偏差；
[0027][0028]构造的EKF为：
[0029][0030]式中为第(k
‑
1)到第k个周期样本状态下的预测观测函数；
[0031][0032]得到的状态预测值如下：
[0033][0034]预测协方差矩阵如下：
[0035]P
i
(k|k
‑
1)＝AP
i
(k
‑
1|k
‑
1)A
T
+Q
i
(k
‑
1)
[0036]其中为状态变量的先验估计值，P
i
(k|k
‑
1)为先验误差协方差，Q
i
(k
‑
1)
为ω(k)状态噪声的协方差矩阵；
[0037]扩展卡尔曼滤波最优增益矩阵Ki(k)为
[0038]K
i
(k)＝P
i
(k|k
‑
1)H
T
[HP
i
(k|k
‑
1)H
T
+R
i
(k)]‑1[0039]式中，R为观测噪声的协方差矩阵；H
T
为观测函数h的雅可比矩阵；
[0040]预测状态下的非线性观测函数的雅可比矩阵是：
[0041][0042]协方差的更新估计为：
[0043]P
i
(k|k)＝[I
‑
K
i
(k)H
i
]P
i
(k|k
‑
1)
[0044]其中P
i
(k|k)为误差协方差矩阵，K
i
(k)为增益矩阵；
[0045]根据测量和模型得到第k个周期的网络参如下所示，并发送给联邦中心；
[0046][0047]其中，表示客户端的网络参数；表示客户端网络参数的测量值；表示联邦中心参数的估计值。
[0048]优选的，在步骤S6中，使用SKF异步更新联邦中心全局网络参数，建立符合卡尔曼滤波的状态模型如下：
[0049][0050]测量模型为：
[0051]其中，为系统中无法通过观测直接得到的待估计状态；为传感器采集的数量序列，间接反应的值；A为系统的一步状态转移矩阵；H
i
为测量矩阵；ω
i
为系统噪声序列；v
i
为测量噪声序列；k表示网络参数更新的周期，k∈Z，参数更新值为SKF为：
[0052][0053]完成第(k
‑
1)到第k个周期的网络参数更新后，得到
[0054]优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种管道气体微泄漏故障巡检机器人，其特征在于：包括机械臂和小车底盘，所述机械臂设置在所述小车底盘上，所述小车底盘的顶部设置有激光雷达和摄像头，所述机械臂包括第一机械臂、第二机械臂和第三机械臂，所述第二机械臂设置在所述第一机械臂与所述第三机械臂之间，所述第一机械臂远离所述第二机械臂的一端与电动推杆连接，所述电动推杆的另一端与设置在所述小车底盘内部的电机驱动器连接，所述小车底盘内部靠近所述电机驱动器的一侧顶部设置有雨量传感器和控制主板，所述雨量传感器与所述控制主板连接，所述小车底盘内部侧壁设置有惯性导航传感器和GPS传感器，所述小车底盘的底部设置有四个驱动轮。2.根据权利要求1所述的一种管道气体微泄漏故障巡检机器人，其特征在于：所述第一机械臂远离所述第二机械臂的一端设置有伺服舵机，所述第三机械臂远离所述第二机械臂的一端设置有管道泄漏检测头，所述管道泄漏检测头包括气体传感器、红外热成像仪和麦克风传感器，所述气体传感器、所述红外热成像仪和所述麦克风传感器均与数据处理模块连接。3.根据权利要求2所述的一种管道气体微泄漏故障巡检机器人，其特征在于：所述小车底盘内部远离所述电机驱动器的一端设置有锂电池和温湿度传感器，靠近所述温湿度传感器一侧的所述小车底盘外侧设置有显示屏。4.一种基于改进的SKF和EKF的联邦学习算法的故障巡检机器人，其特征在于：包括以下步骤：S1：客户端解码从联邦中心共享全局模型；S2：客户端根据上述解码信息，通过扩展卡尔曼滤波器EKF更新本地客户端网络参数；S3：将本地私有数据转换为公开传输的网络参数信息；S4：在网络传输过程中，客户端获取联邦中心的观测值；S5：将更新的模型参数上传至联邦中心；S6：联邦中心建立基于序贯卡尔曼滤波SKF的序贯融合滤波方法，对上传的客户端网络参数进行异步融合。5.根据权利要求4所述的一种基于改进的SKF和EKF的联邦学习算法的故障巡检机器人，其特征在于：在步骤S3中，对于第i个客户端，第(k
‑
1)到第k个周期中得到不等间隔r
(i)
标记的样本对为：其中，表示样本对；是第i个样本的特征向量和标签；基于前k
‑
1周期从联邦中心获得的网络参数估计值和相应的估计误差协方差，建立EKF的网络参数状态模型，利用随机游走思想建立状态模型和测量模型，其中状态模型为：测量模型为：其中为状态变量，A为状态转移矩阵，为测量变量，ω(k)为状态噪声，网络参数函数为F(D(k),A(k+1))，参数α＝[ω
T
,b
T
,β
T
]
T
为变量状态噪声ω(k)和输出噪声v(k)
是高斯白噪声，ω表示输入层和隐藏层的链路权值；β表示隐含层雨输出层的链路权值，b表示隐藏层偏差；构造的EKF为：式中为第(k
‑
1)到第k个周期样本状态下的预测观测函数；得到的状态预测值如下：预测协方差矩阵如下：P
i
(k|k
‑
1)＝AP
i
(k
‑
1|k
‑
1)A
T
+Q
i
(k
‑
1)其中为状态变量的先验估计值，P
i
(k|k
‑
1)为先验误差协方差，Q
i
(k
‑
1)为...

【专利技术属性】
技术研发人员：陈冰琳，文成林，柯烨，林宜锋，陈静君，郑灿龙，陈树烽，崔永锋，柯宗杰，黄嘉敏，林婷，余广炼，蔺松鹤，林彤，苏振华，阮俞铭，李宇航，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：