基于自适应高斯混合模型的欠约束绳索驱动并联机器人异常检测
机器人学
2025-07-23 v2 人工智能
机器学习
摘要
绳索驱动并联机器人 (CDPRs) 越来越多地用于涉及带有中间停靠点预设工具路径的负载操作任务。在每个停靠点，平台保持固定姿态且电机使绳索保持张紧状态，系统必须通过检测可能损害性能的异常（例如阵风或绳索冲击）来评估继续运行是否安全。本文研究了是否可以仅使用电机扭矩数据来检测异常，而无需额外传感器。提出了一种基于高斯混合模型 (GMMs) 的自适应无监督离群点检测算法，用于从扭矩信号中识别异常。该方法以短暂的校准期（仅几秒钟）开始，在此期间在已知无异常数据上拟合 GMM。然后使用距 GMM 的马氏距离评估实时扭矩测量值，并通过统计推导的阈值触发异常标志。使用被识别为无异常的最新片段周期性地更新模型参数，以适应不断变化的条件。验证包括模拟不同风强度的 14 次长时间测试。所提出的方法实现了 100% 的真正例率和 95.4% 的平均真负例率，检测延迟为 1 秒。与功率阈值和非自适应 GMM 方法的对比评估表明，该方法对漂移和环境变化具有更高的鲁棒性。
引用
@article{arxiv.2507.07714,
title = {Adaptive Gaussian Mixture Models-based Anomaly Detection for under-constrained Cable-Driven Parallel Robots},
author = {Julio Garrido and Javier Vales and Diego Silva-Muñiz and Enrique Riveiro and Pablo López-Matencio and Josué Rivera-Andrade},
journal= {arXiv preprint arXiv:2507.07714},
year = {2025}
}
备注
14 pages, 8 figures, 1 table