顧 偉，鄧振明，王 紅

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

0 引 言

進(jìn)入工業(yè)4.0時代，由于市場需求的可預(yù)測性逐步降低，制造業(yè)面臨高度柔性化、個性化等多種轉(zhuǎn)型挑戰(zhàn)。為此，引進(jìn)智能化、信息化設(shè)備，提升生產(chǎn)、轉(zhuǎn)運(yùn)及物流等環(huán)節(jié)的靈活性，成為當(dāng)前制造業(yè)企業(yè)的迫切需求。AGV作為現(xiàn)代化智能工廠的關(guān)鍵設(shè)備，可實(shí)現(xiàn)物料在不同生產(chǎn)車間、工位之間的無人化傳遞，降低生產(chǎn)過程重新配置成本，提高復(fù)雜按需生產(chǎn)過程的反應(yīng)速度，提升制造系統(tǒng)容錯性及可靠性[1]。此外，AGV還廣泛應(yīng)用于現(xiàn)代物流[2]、智能停車場[3]以及港口[4]等領(lǐng)域。因此，保證AGV的無故障運(yùn)行，開發(fā)出有效的AGV狀態(tài)檢測方法，對提升現(xiàn)代制造、物流等系統(tǒng)的整體可靠性及效率具有重要意義。

目前，國內(nèi)外對于AGV的研究多集中于系統(tǒng)設(shè)計[5]、運(yùn)動控制[6]以及路徑規(guī)劃與調(diào)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(xué)習(xí)的AGV系統(tǒng)故障診斷算法；劉云濤[9]針對AGV復(fù)雜系統(tǒng)，研究了基于改進(jìn)粒子濾波的故障診斷技術(shù)；陸嫻等[10]利用Matlab語言，提出了一種基于仿真技術(shù)的AGV運(yùn)行故障模擬方法，為設(shè)備選型提供了參考。Pratama等[11]基于多傳感器融合技術(shù)與擴(kuò)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(wǎng)相結(jié)合，研究了AGV系統(tǒng)的健康監(jiān)測與任務(wù)可靠性評估方法。

此外，盡管已提出諸多設(shè)備故障診斷方法[13-14]，但由于未結(jié)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(shù)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(guī)模制造系統(tǒng)中。此時，通過對車輪橫向力與縱向力進(jìn)行有效得實(shí)時估計，可避免由于傳感器集成過多導(dǎo)致成本過高及空間不足的問題，在此基礎(chǔ)上開發(fā)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(yīng)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(kuò)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?；谳喬ツＰ头椒ǖ闹饕秉c(diǎn)是需要實(shí)時監(jiān)測輪胎模型參數(shù)變化或需要對其進(jìn)行連續(xù)估計，因此難以進(jìn)行實(shí)際應(yīng)用。基于SMO的估計方法缺點(diǎn)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(jìn)行線性化，并對影響系統(tǒng)的干擾進(jìn)行過多的簡化假設(shè)；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(shù)學(xué)模型，使得后續(xù)的VS設(shè)計過程無需進(jìn)行線性化近似處理?；谒⒌腁GV緊湊模型及 H∞控制理論設(shè)計了VS，并證明了所設(shè)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(zhuǎn)矩進(jìn)行估計，并通過比較AGV模型和VS的輸出響應(yīng)產(chǎn)生診斷信號，從而實(shí)現(xiàn)故障檢測。所提方法能夠?qū)崟r估計AGV狀態(tài)，并且不依賴于輪胎摩擦模型。最后，通過實(shí)驗(yàn)驗(yàn)證了所提故障診斷方法的有效性。

1 AGV結(jié)構(gòu)概述

本文所采用的AGV原型樣機(jī)如圖1所示，包含四個帶有獨(dú)立直流電機(jī)和車輪的搖臂，同時，搖臂連接到由鋁件加固的有機(jī)玻璃主機(jī)架上。電機(jī)內(nèi)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(lán)牙和WiFi三種方式實(shí)現(xiàn)與通信并配置了WiFi攝像頭以實(shí)時觀察周圍環(huán)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(shù)據(jù)采集平臺，包括三軸加速度計、磁強(qiáng)計和陀螺儀，同時可以測量CPU的溫度、環(huán)境氣壓和濕度。AGV的轉(zhuǎn)向結(jié)構(gòu)及參數(shù)如圖2及表1所示。

圖2 AGV轉(zhuǎn)向系統(tǒng)

表1 AGV結(jié)構(gòu)參數(shù)

2 AGV數(shù)學(xué)模型

3 虛擬傳感器設(shè)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(jié)所建立的AGV數(shù)學(xué)模型定義了無故障狀態(tài)下AGV的狀態(tài)，可得出橫向力Fy,i、縱向力Fx,ij和車輪轉(zhuǎn)矩T的標(biāo)稱值。此外，根據(jù)第3節(jié)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(shù)的測量值計算AGV的力響應(yīng)。注意到，由于AGV各車輪由單獨(dú)的直流電機(jī)驅(qū)動，因此車輪轉(zhuǎn)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(shí)驗(yàn)結(jié)果與討論

為驗(yàn)證所提出的VS設(shè)計方法及其在故障檢測任務(wù)中的有效性，在前述AGV中實(shí)現(xiàn)了圖3所示的方案。基于前述故障診斷規(guī)則，所進(jìn)行的實(shí)驗(yàn)分為如下四種場景：

SC1：無故障運(yùn)行；

SC2：故障場景1—AGV右前輪離地；

SC3：故障場景2—AGV前輪側(cè)滑角過大；

SC4：故障場景3—AGV驅(qū)動轉(zhuǎn)矩?fù)p失過大。

實(shí)驗(yàn)過程中，AGV采用前輪驅(qū)動，轉(zhuǎn)向角 δf變化規(guī)律如下式所示。其中，“···”表示線性變化，轉(zhuǎn)向角變化規(guī)律如圖4所示。

圖4 轉(zhuǎn)向角δ f變化規(guī)律

AGV縱向速度vx參考值為0.556～1.39 m/s，結(jié)合前輪轉(zhuǎn)向角變化規(guī)律，在SC1場景下的AGV運(yùn)行軌跡為圖5所示的“8”字形曲線。此時，轉(zhuǎn)矩分配參數(shù)pi,j=0.25。

圖5 AGV無故障運(yùn)行軌跡

首先，通過實(shí)驗(yàn)比較了第2節(jié)中AGV理論模型與VS輸出響應(yīng)（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(shí)驗(yàn)過程中難以進(jìn)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(yīng)的比較結(jié)果初步驗(yàn)證第3節(jié)中所提估計策略的有效性，結(jié)果如圖6及圖7所示。隨后，為進(jìn)一步驗(yàn)證所提估計策略的準(zhǔn)確性，將實(shí)測與VS估計的車輪轉(zhuǎn)矩進(jìn)行對比，結(jié)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(yīng)之間的差異很小，初步表明所提估計策略可用于進(jìn)一步的故障診斷。圖8進(jìn)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(guī)則(59)～(61)，利用所設(shè)計的VS進(jìn)行了故障診斷，結(jié)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(tài)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(dǎo)致車輪縱向力相應(yīng)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(tǒng)計分析并基于“3 σ”原則進(jìn)行確定[26]。

圖8 無故障條件下AGV車輪總轉(zhuǎn)矩估計曲線

圖9 不同場景下的估計殘差曲線

6 結(jié)束語

本文基于AGV結(jié)構(gòu)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(zhuǎn)矩的自適應(yīng)估計。所提方法充分利用了AGV自身集成的傳感器測量數(shù)據(jù)，通過所構(gòu)建的AGV緊湊動力學(xué)模型與VS估計的輸出相應(yīng)生成相應(yīng)的殘差，進(jìn)而對AGV的不同類型故障進(jìn)行診斷，所得結(jié)論如下：

1）所提VS的估計策略無需進(jìn)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(shí)施簡便，相關(guān)定理證明了所提估計方法的收斂性，實(shí)驗(yàn)結(jié)果亦驗(yàn)證了所提方法的準(zhǔn)確性與有效性；

3）針對AGV運(yùn)行特性，提出了相對簡單易行的“IF-THEN”規(guī)則進(jìn)行故障診斷；

4）后續(xù)將基于所提出的故障檢測及診斷方法，進(jìn)一步開展復(fù)雜AGV系統(tǒng)的容錯控制、故障檢測及可靠性研究。