Resumen

Los robots con ruedas se han aplicado con éxito en muchos aspectos, como los vehículos de manipulación industrial y los robots de servicio con ruedas. Para mejorar la seguridad y la fiabilidad de los robots con ruedas, este artículo presenta un novedoso marco de diagnóstico de fallos híbrido basado en la máquina de vectores de soporte (SVM) con núcleo Mittag-Leffler (ML-kernel) y la fusión Dempster-Shafer (D-S). Utilizando datos de sensores muestreados bajo diferentes condiciones de funcionamiento, el enfoque propuesto establece inicialmente múltiples modelos de análisis de componentes principales (PCA) para la extracción de características de los fallos. A continuación, los vectores de características de los fallos se aplican para entrenar los clasificadores SVM probabilísticos (PSVM) que llegan a un diagnóstico preliminar de los fallos. Para mejorar la precisión de los resultados preliminares, se propone en este trabajo un nuevo clasificador PSVM basado en el núcleo ML, y se demuestra también la definición positiva del núcleo ML. Las asignaciones básicas de probabilidad (BPAs) se definen en base a los resultados preliminares del diagnóstico de fallos y sus valores de confianza. Finalmente, el resultado final del diagnóstico de fallos se archiva mediante la fusión de las BPAs. Los resultados experimentales muestran que el marco propuesto no sólo es capaz de detectar e identificar los fallos en el sistema de conducción del robot, sino que también tiene un mejor rendimiento en estabilidad y precisión de diagnóstico en comparación con los métodos tradicionales.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:resultados del diagnóstico de fallos, robot con ruedas, asignación básica de probabilidades, diagnóstico preliminar de fallos, marco de diagnóstico de fallos, núcleo, vector de características de fallos, diferentes condiciones de funcionamiento, análisis de componentes principales, clasificador basado en psvm
• Keywords:fault diagnosis results, wheeled robot, basic probability assignment, preliminary fault diagnosis, fault diagnosis framework, kernel, fault features vector, different running conditions, principal components analysis, based psvm classifier