[发明专利]非对齐多视图环境下机器人故障检测方法

说明书

本发明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_v和该视图集中每个特征数据对c_v的隶属度；设置第v个视图集的隶属度阈值θ_v；步骤3：将第v个视图集中特征数据映射到公共子空间上；步骤4：对公共子空间上的所有的视图集进行P1M聚类，得到聚类中心c和每个特征数据对c的隶属度；步骤5：设置公共子空间上的隶属度阈值θ；步骤6：判断机器人是否故障。本发明在非对齐视图环境下能够更快且精确的识别机器人是否故障。

技术领域

本发明属于异常检测领域。

背景技术

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。

发明内容

发明目的：为了解决上述现有技术中存在的问题，本发明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：本发明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c_v和该视图集中第i个特征数据对c_v的隶属度s_vi，其中i＝1，2，...，N_v；N_v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c_v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θ_v；

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；