| 摘要 | 第13-15页 |
| ABSTRACT | 第15-17页 |
| 中英文专业名词对照表 | 第18-19页 |
| 第一章 绪论 | 第19-43页 |
| 1.1 论文选题背景及研究意义 | 第19-21页 |
| 1.2 家庭服务机器人研究现状 | 第21-32页 |
| 1.2.1 国外家庭服务机器人研究现状 | 第22-25页 |
| 1.2.2 国内家庭服务机器人研究现状 | 第25-31页 |
| 1.2.3 家庭服务机器人发展现状总结 | 第31-32页 |
| 1.3 机器人故障诊断研究现状 | 第32-38页 |
| 1.3.1 故障诊断基本概念及方法简述 | 第32-34页 |
| 1.3.2 机器人故障诊断方法研究现状 | 第34-36页 |
| 1.3.3 基于数据驱动的故障诊断方法研究现状 | 第36-37页 |
| 1.3.4 机器人故障诊断研究现状总结 | 第37-38页 |
| 1.4 论文主要研究内容及章节安排 | 第38-43页 |
| 1.4.1 主要研究内容及创新点 | 第38-40页 |
| 1.4.2 论文章节安排 | 第40-43页 |
| 第二章 服务机器人故障诊断硬件平台设计与实验研究 | 第43-69页 |
| 2.1 引言 | 第43页 |
| 2.2 服务机器人系统构成及常见故障分析 | 第43-48页 |
| 2.2.1 服务机器人系统构成 | 第43-45页 |
| 2.2.2 服务机器人常见故障分析 | 第45-48页 |
| 2.3 航迹推算子系统故障诊断硬件平台设计与实现 | 第48-63页 |
| 2.3.1 驱动子系统分析与设计 | 第48-52页 |
| 2.3.2 航迹推算感知子系统分析与设计 | 第52-55页 |
| 2.3.3 高精度视觉定位传感器及工作方法 | 第55-63页 |
| 2.4 航迹推算子系统硬件平台测试实验 | 第63-67页 |
| 2.4.1 基于视觉的定位传感器测试 | 第63-65页 |
| 2.4.2 航迹推算子系统传感信息采集测试 | 第65-66页 |
| 2.4.3 服务机器人航迹推算子系统总体测试 | 第66-67页 |
| 2.5 本章小结 | 第67-69页 |
| 第三章 服务机器人故障诊断软件仿真平台设计与实验研究 | 第69-85页 |
| 3.1 引言 | 第69页 |
| 3.2 总体设计方案 | 第69-73页 |
| 3.2.1 机器人专用仿真软件对比 | 第70-72页 |
| 3.2.2 服务机器人故障诊断软件仿真平台需求分析 | 第72页 |
| 3.2.3 服务机器人故障诊断软件仿真平台总体设计方案 | 第72-73页 |
| 3.3 仿真场景建模及控制器设计 | 第73-79页 |
| 3.3.1 机器人本体及仿真环境建模 | 第75-78页 |
| 3.3.2 仿真控制器设计 | 第78-79页 |
| 3.4 故障模拟及注入方法 | 第79-82页 |
| 3.4.1 感知子系统故障模拟方法 | 第79-81页 |
| 3.4.2 驱动及机械子系统故障模拟方法 | 第81页 |
| 3.4.3 基于超级控制器的故障注入 | 第81-82页 |
| 3.5 故障仿真实验 | 第82-84页 |
| 3.5.1 故障模拟及注入实验 | 第82-83页 |
| 3.5.2 故障诊断软件仿真平台测试 | 第83-84页 |
| 3.6 本章小结 | 第84-85页 |
| 第四章 基于多模型感知及决策融合的机器人故障诊断方法研究 | 第85-105页 |
| 4.1 引言 | 第85页 |
| 4.2 轮式服务机器人航迹推算子系统故障机理分析 | 第85-87页 |
| 4.3 基于多PCA模型及SVM-DS融合决策的故障诊断算法 | 第87-96页 |
| 4.3.1 算法整体架构 | 第87页 |
| 4.3.2 故障特征提取与检测指标确定 | 第87-90页 |
| 4.3.3 基于改进PSO优化的MP-SVM故障初步分离 | 第90-94页 |
| 4.3.4 基于混淆矩阵的基本信度赋值及决策层融合方法 | 第94-96页 |
| 4.4 实验及分析 | 第96-104页 |
| 4.4.1 实验设备及条件 | 第96-98页 |
| 4.4.2 算法建模过程与分析 | 第98-100页 |
| 4.4.3 故障检测与故障分离结果及分析 | 第100-104页 |
| 4.5 本章小结 | 第104-105页 |
| 第五章 基于广义高斯核函数的服务机器人故障诊断方法研究 | 第105-121页 |
| 5.1 引言 | 第105页 |
| 5.2 一种新的广义高斯核函数的定义及其正定对称性证明 | 第105-112页 |
| 5.2.1 核函数的分类及构造方法 | 第106-107页 |
| 5.2.2 一种新的广义高斯核函数的定义 | 第107-109页 |
| 5.2.3 广义高斯核函数正定对称性证明 | 第109-112页 |
| 5.3 广义高斯核函数的分类性能验证 | 第112-113页 |
| 5.4 基于广义高斯核函数的机器人故障诊断方法 | 第113-120页 |
| 5.4.1 算法整体架构 | 第113-114页 |
| 5.4.2 算法实现 | 第114-116页 |
| 5.4.3 故障诊断实验及分析 | 第116-120页 |
| 5.5 本章小结 | 第120-121页 |
| 第六章 一种快速SVM训练方法及其在故障诊断中的应用 | 第121-139页 |
| 6.1 引言 | 第121页 |
| 6.2 SVM训练过程及加速方法分析 | 第121-125页 |
| 6.2.1 SVM训练过程 | 第121-122页 |
| 6.2.2 SVM训练加速方法 | 第122-124页 |
| 6.2.3 存在的问题分析 | 第124-125页 |
| 6.3 基于支持向量挑选和GPU并行运算的快速SVM训练方法 | 第125-129页 |
| 6.3.1 整体思路 | 第125-126页 |
| 6.3.2 支持向量挑选算法 | 第126-127页 |
| 6.3.3 基于GPU的核矩阵快速解算 | 第127-129页 |
| 6.4 支持向量挑选及机器人故障诊断实验 | 第129-137页 |
| 6.4.1 基于人工数据集的支持向量挑选算法测试 | 第129-135页 |
| 6.4.2 机器人故障诊断实验 | 第135-137页 |
| 6.5 本章小结 | 第137-139页 |
| 第七章 总结与展望 | 第139-143页 |
| 7.1 总结 | 第139-141页 |
| 7.2 展望 | 第141-143页 |
| 参考文献 | 第143-157页 |
| 致谢 | 第157-158页 |
| 攻读博士学位期间发表的学术论文 | 第158-159页 |
| 攻读博士期间获得的发明专利 | 第159-160页 |
| 攻读博士学位期间参加的科研项目 | 第160页 |
| 攻读博士学位期间所获奖励 | 第160-161页 |
| 学位论文评阅及答辩情况表 | 第161页 |
