本發明涉及擦窗機器人領域，具體涉及一種智能擦窗系統。

背景技術：

相關技術中，對特別高的玻璃清潔時需要借助加長的清潔工具，不僅清潔力度得不到控制，也增加了清潔人工的工作難度。特別是考慮到高樓層外墻一面的清潔，人為的攀爬或是吊繩都存在很大的危險性，不是一種優選的方式。

技術實現要素：

針對上述問題，本發明提供一種智能擦窗系統。

本發明的目的采用以下技術方案來實現：

一種智能擦窗系統，包括擦窗機器人和用于對擦窗機器人進行故障檢測的擦窗機器人故障檢測裝置，所述擦窗機器人包括機器人本體、條形清潔墊片、洗滌劑噴射器和廢液回收裝置，所述條形清潔墊片設置于機器人本體的上部，所述洗滌劑噴射器設置于機器人本體的中部，該廢液回收裝置設置于所述條形清潔墊片的下方，所述機器人本體內置有吸附裝置和智能控制單元，所述智能控制單元包括控制單元、自動測距單元和報警單元，所述控制單元分別與所述自動測距單元和報警單元電連接。

本發明的有益效果為：采用擦窗機器人進行擦窗，解決了人員安全問題，而且通過內部的智能控制單元能夠迅速智能地、高效地、安全地完成高空擦窗作業。

附圖說明

利用附圖對本發明作進一步說明，但附圖中的實施例不構成對本發明的任何限制，對于本領域的普通技術人員，在不付出創造性勞動的前提下，還可以根據以下附圖獲得其它的附圖。

圖1是本發明的結構連接示意圖；

圖2是擦窗機器人故障檢測裝置的結構框圖。

附圖標記：

擦窗機器人1、擦窗機器人故障檢測裝置2、機器人本體10、條形清潔墊片20、洗滌劑噴射器30、廢液回收裝置40、歷史數據采集單元11、數據預處理單元12、特征提取單元13、實時故障診斷特征向量采集單元14、故障診斷模型建立單元15、故障診斷識別單元16。

具體實施方式

結合以下實施例對本發明作進一步描述。

參見圖1，本實施例提供了一種智能擦窗系統，包括擦窗機器人1和用于對擦窗機器人1進行故障檢測的擦窗機器人故障檢測裝置2，所述擦窗機器人1包括機器人本體10、條形清潔墊片20、洗滌劑噴射器30和廢液回收裝置40，所述條形清潔墊片20設置于機器人本體10的上部，所述洗滌劑噴射器30設置于機器人本體10的中部，該廢液回收裝置40設置于所述條形清潔墊片20的下方，所述機器人本體10內置有吸附裝置和智能控制單元，所述智能控制單元包括控制單元、自動測距單元和報警單元，所述控制單元分別與所述自動測距單元和報警單元電連接。

優選地，所述機器人本體10內置有聚合物鋰電池組，所述聚合物鋰電池組與控制單元電連接。

優選地，所述吸附裝置為釹鐵硼永磁鐵。

本發明上述實施例采用擦窗機器人1進行擦窗，解決了人員安全問題，而且通過內部的智能控制單元能夠迅速智能地、高效地、安全地完成高空擦窗作業。

優選地，該擦窗機器人故障檢測裝置2包括：(1)歷史數據采集單元11，用于通過傳感器采集擦窗機器人1在正常狀態下及各種故障狀態下運行時多個測點的歷史振動信號數據；(2)數據預處理單元12，用于對采集到的原始歷史振動信號數據進行預處理；(3)特征提取單元13，用于從過濾后的歷史振動信號數據中提取小波包奇異值特征，并將提取的小波包奇異值特征作為故障診斷特征向量樣本；(4)實時故障診斷特征向量采集單元14，用于獲取擦窗機器人1的實時故障診斷特征向量；(5)故障診斷模型建立單元15，用于建立基于改進的支持向量機的故障診斷模型，并使用故障診斷特征向量樣本對故障診斷模型進行訓練，計算出故障診斷模型參數的最優解，得到訓練完成的故障診斷模型；(6)故障診斷識別單元16，用于將該擦窗機器人1的實時故障診斷特征向量輸入到訓練完成的故障診斷模型中，完成擦窗機器人1故障的診斷識別。

優選地，所述數據預處理單元12利用數字濾波器按照下列過濾公式對采集到的原始歷史振動信號數據進行預處理：

其中，K為濾波后得到的歷史振動信號數據，K′為采集到的原始歷史振動信號數據，Ω為測點的個數，L＝1，2，3…Ω-1；τ為由數字濾波器自身特性決定的常數，θ為所用傳感器的固有采集頻率。

本優選實施例能消除原始歷史振動信號數據中的時域波形畸變，提高了數據預處理的精度，從而確保對擦窗機器人1進行故障識別的準確性。

優選地，所述提取小波包奇異值特征，包括：

(1)設擦窗機器人1處于狀態R時從測點B測量到的一個時刻的歷史振動信號為R_B(K)，B＝1,…,Ω，Ω為測點的個數，對R_B(K)進行層離散小波包分解，提取第層中的個分解系數，其中的值根據歷史經驗和實際情況結合確定；對所有的分解系數進行重構，以表示第層各節點的重構信號，構建特征矩陣如下：

(2)對特征矩陣T[R_B(K)]進行奇異值分解，獲得該特征矩陣T[R_B(K)]的特征向量為其中β₁,β₂,…,β_λ為由特征矩陣T[R_B(K)]分解的奇異值，λ為由特征矩陣T[R_B(K)]分解的奇異值的個數，定義R_B(K)對應的故障診斷特征向量為：

其中，表示特征向量中的最大奇異值，表示特征向量中的最小奇異值；

(3)對計算得到的故障診斷特征向量進行篩選，排除不合格的故障診斷特征向量，設排除的不合格的故障診斷特征向量的數量為Ω′，則該擦窗機器人1處于狀態R時在該固定時刻的故障診斷特征向量樣本為：

本優選實施例采用上述方式提取小波包奇異值特征作為故障診斷特征向量，具有較高的準確率以及較短的計算時間，能夠提高對擦窗機器人1進行診斷的容錯性，從而有利于實現對擦窗機器人1故障的精確診斷。

優選地，對計算得到的故障診斷特征向量進行篩選，包括：將擦窗機器人1處于狀態R時在該時刻的所有計算得到的故障診斷特征向量作為該時刻的特征向量篩選樣本集，計算該特征向量篩選樣本集的標準差σ_R和期望值μ_R；若計算得到的故障診斷特征向量不滿足則剔除該故障診斷特征向量，其中，為期望值μ_R的最大似然估計，為標準差σ_R的最大似然估計。本優選實施例采用該方式排除不合格的故障診斷特征向量，較為客觀科學，從而能夠確保對擦窗機器人1進行故障診斷的準確性。

優選地，該特征提取單元13還將剔除的不合格的故障診斷特征向量儲存到一個臨時數據儲存器中，并對特征提取單元13中的值進行進一步修正，具體包括：

若則的值在根據原有歷史經驗和實際情況結合確定的基礎上修改為若則的值在根據原有歷史經驗和實際情況結合確定的基礎上修改為

其中，Ω為測點的個數，Ω′為不合格的故障診斷特征向量的數量，q為人為設定的整數閥值。

本優選實施例進一步降低了不合格的故障診斷特征向量對擦窗機器人1進行故障診斷的影響。

優選地，該基于改進的支持向量機的故障診斷模型建立如下：

(1)采用徑向基函數作為核函數，利用該核函數將該故障診斷特征向量樣本從原空間映射到高維空間，在高維空間構造最優決策函數實現故障診斷特征向量樣本分類，構造最優決策函數為：

式中，x為輸入的故障診斷特征向量樣本，F(x)為輸入的故障診斷特征向量樣本對應的輸出，Z(x)表示徑向基函數，c為權重向量，e為偏差；此外，為引入的優化因子，其中Ω為測點的個數，Ω′為不合格的故障診斷特征向量的數量；

(2)定義支持向量機的目標函數和支持向量機的約束條件，并求解該支持向量機的目標函數，計算出權重向量和偏差，將計算得到的權重向量和偏差代入最優決策函數即為所建立的故障診斷模型；

其中支持向量機的目標函數定義為：

支持向量機的約束條件定義為：

Y_j(gx_j+e)≥1-ε_j,ε_j≥0,j＝1,…,m

式中，為支持向量機的目標函數，φ^*為優化后的懲罰因子，ε_j為引入的誤差變量；m為故障診斷特征向量樣本的數量；另外，x_j為輸入的第j個故障診斷特征向量樣本，Y_j(cx_j+e)為輸入的第j個故障診斷特征向量樣本對應的輸出，g為權重向量，e為偏差。

本優選實施例通過引入優化因子，減小了不合格的故障診斷特征向量對擦窗機器人1進行故障診斷的影響，進一步提高了該最優決策函數的實際精確度，為故障診斷模型的建立提供良好的函數基礎，從而構建更為精確的故障診斷模型，從而能夠確保對擦窗機器人1進行故障診斷的準確性。

其中，懲罰因子和該核函數的半徑參數的值按照下述方式進行優化：

將所有故障診斷特征向量樣本平均分成互不包含的子集，設定懲罰因子和該核函數的半徑參數的值的取值范圍，對每個粒子的位置向量進行二維編碼，產生初始粒子群；

對各粒子對應的參數選定訓練集進行交叉驗證，得到的預測模型分類準確率作為粒子對應的目標函數值，對粒子群中的粒子進行迭代；

用目標函數值評價所有粒子，當某個粒子的當前評價值優于其歷史評價值時，將其作為該粒子的最優歷史評價，記錄當前粒子最優位置向量；

尋找全局最優解，如果其值優于當前歷史最優解，則更新，達到設定的終止準則時，則停止搜索，輸出最優的懲罰因子和該核函數的半徑參數的值，否則返回去重新搜索。

本優選實施例采用上述方式對懲罰因子和該核函數的半徑參數的值進行優化，優化時間相對較短，優化效果好，能夠得到性能較好的支持向量機，進一步提高對擦窗機器人1進行故障診斷的精度。

根據上述實施例，發明人進行了一系列測試，以下是進行測試得到的實驗數據，該實驗數據表明，本發明能夠正常進行高空擦窗作業，且能精確對擦窗機器人1進行故障檢測，從而防止事故的發生，確保擦窗機器人1發生故障時能夠得到及時、安全的維修，具有非常顯著的有益效果：

最后應當說明的是，以上實施例僅用以說明本發明的技術方案，而非對本發明保護范圍的限制，盡管參照較佳實施例對本發明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或者等同替換，而不脫離本發明技術方案的實質和范圍。