46
Edin O.等将自组织神经网络的推进器故障模式识别策略 与控制律的控制矩阵伪逆重构方法相结合，研究了开架 式无人水下机器人推进器集成故障诊断与容错控制，并 针对“FALCON”和“URIS”两种ROV水下机器人的不同推 进器结构布置，给出了水平面和垂直面容错控制实验和 仿真结果。但是在以上所有无人水下机器人推进器故障 诊断与容错控制中，均假设推进器处于正常、完全故障 或几种固定故障模式，而实际的推进器拥堵故障与外界 环境密切相关，其故障的大小是不确定的、连续变化的 ，将其简化为几种固定模式，与实际故障情况有较大差 距，也必将影响故障辨识的精度。
3
动态环境下的多AUV任务分配与自主路径规划，是根 据各个待观察的目标点位置矢量与处于不同位置（坐 标矢量）的多AUV的竞争比较，根据目标点与AUV距 离最短原则进行聚类分配，从数学本质上来说，多 AUV多任务分配也是一个聚类分析问题。因此，可以 将自组织映射SOM神经网络模型与动态环境下的多 AUV任务分配与自主路径规划这一实际问题联系起来 ，实现多AUV任务的自动分配策略。
②外部故障：它主要指水下机器人在水下工作时， 由外部复杂多变的环境引起的推进器故障。如由于 螺旋桨附着物而引起的拥堵故障(Jammed)，螺旋 桨断裂故障（完全失效）等。在这两类故障中，以 外部故障最为常见，本课题主要研究推进器外部故 障的诊断。
2
图1给出了一个多AUV多目标点任务分配示例， 为了说明的简便，这里采用二维平面作为工作空 间，在该工作空间中，红色的点代表AUV机器 人，绿色的圆圈代表目标点。此外，假定机器人 都是相同的AUV，具备基本的导航、避障和位 置识别功能，因此这里所研究的只是如何动态的 进行任务分配。即如何应用自组织SOM神经网 络进行AUV任务分配，并使其目标函数（总路 径）最小。
其具体对应关系如下：“目标点坐标位置” “SOM的输 入模式”；“具体的待分配AUV” “二维SOM的输出获 胜神经元”；竞争算法中“SOM的输入模式矢量与输出 神经元权向量距离最短” “目标点位置矢量与AUV的位 置坐标矢量距离最近”；一旦找到获胜神经元，即相当 于把具体的任务（待观察目标）分配给了具体AUV。
4
5
6
7
8
初始化SOM神经网络
目标点位置作为输入层神经元
通过竞争取得获胜神经元
计算邻域函数
调整获胜神经元及其邻域神经元的权重向量
权重改变？
否 结束
是 移动输出层神经元
9
10
11
12
1. PCA基本概念
主元分析PCA(Principal Components Analysis ）
是统计学中分析数据的一种有效的方法， 其目的是在数据空间中找一组向量尽可能 地解释数据方差，通过一个特殊的向量矩阵， 将数据从高维空间投影到低维空间，降维后保 存数据的主要信息，从而使数据更易于处理。
第6讲生物启发神经 网络模型及应用11
在多机器人系统中，经常碰到的问题是多个机器人 之间的协调与合作，如何合理的给机器人分配任务， 才能在完成任务的前提下耗能最少，是多任务分配 所要研究的主要问题。假定在一个设定的区域内随 机分布一组移动机器人，同时随机分布一组目标点， 机器人的数目与目标点的数目均不确定。每个目标 点都需要一个机器人在该点完成一定的工作。机器 人系统任务分配就是使其到达所有目标点，并使总 代价趋近于最小化。对于每个机器人来讲，其代价 由从起始点运动到目标点所走过的距离来衡量。总 代价定义为所有单个机器人代价的总和。当所有目 标点都被访问过以后，任务完成。
48
7.2 水下机器人推进器故障
水下机器人的水下运动是靠推进器来实现的，而最 普遍使用的推力装置是由驱动电机加螺旋桨组成。 推进器故障也是水下机器人系统的常见故障源之一 。推进器的故障模式主要可以分为两大类:
①内部故障：主要指推进器内部器件故障及控制器 的连接出现故障。如：电机转轴温度超限﹑控制信 号通信中断﹑总线电压下降等。
对此，此处将信息融合故障诊断技术引入推进器拥堵故 障在线辨识之中，提出基于信度分配小脑神经网络CACMAC信息融合在线故障辨识模型，利用多维信息融合 技术来提高故障辨识的精度，同时应用CA-CMAC的连续 输出特性，解决常规故障诊断方法对推进器拥000推进器布置 实验及数据采集均来源于无人开架水下机器人
13
14
15
2.PCA信号预测模型
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
7.4 水下机器人推进器故障辨识信息融合
早期，针对水下机器人推进装置的故障，只是简单的 处理为无故障和完全失效两种情况，这是相当粗糙的 。对此近年来Edin O. 和 Geoff R.等将广泛应用于飞 行容错的控制矩阵伪逆重构方法引入无人水下机器人 推进器故障诊断与容错控制之中，并将推进器故障分 为推进器不同程度的拥堵故障(jammed)及推进器完 全失效等多种故障模式，使水下机器人的推进器容错 控制更接近于系统的实际运行状态，提高了容错控制 的应用范围和控制性能；最近，一些学者研究了具有 快速收敛特性的水下机器人神经网络故障诊断模型， 并将其与水下机器人容错控制律重构相结合，提出一 种快速集成水下机器人故障诊断与容错控制方法。
OUTLAND1000。OUTLAND1000水下机器人的推 进器配置。图2为OUTLAND1000水下机器人推进器 配置图，它共有4个推进器，2个尾推(尾部水平舵推 )：控制机器人前后推进和左右转向；一个处于重心 的垂直推进器：控制机器人潜浮运动；一个侧推： 原处于机器人中间的侧面位置，正对机器人重心， 控制机器人横移，在我们实验系统中，为了配合研 究水下机器人的容错控制进行了改装，将其平移至 机器人前端距重心7公分的位置。在故障诊断实验中 ，它处于停转状态。图3是对应的尾部推进器实物图 片。