多 PCA 模型及 SV M-DS 融合决策的服务机器人故障诊断

针对轮式服务机器人驱动系统故障诊断问题，提出一种基于多主成分分析（principal component analysis ，简称PCA）模型及支持向量机和DS证据理论（support vector machine and dempster‐shafer ，简称SVM‐DS）融合决策的故障诊断方法，分别利用正常状态和故障状态下的传感器数据建立多个PCA模型。利用正常状态下的PCA模型实现故障的检测。传感器数据经多PCA模型特征提取后作为SVM的输入向量，实现故障的初步分离。基于混淆矩阵定义SVM的全局及局部可信度，并依据可信度值和故障初步分离结果完成基本概率分配函数的赋值，以实现SVM和DS证据理论在故障分离中的有效结合。实验结果表明，本研究方法能灵敏检测到机器人驱动系统故障的发生，故障分离平均正确率达92．6％，与传统单PCA模型的方法相比有更高的正确率和稳定性。