[0012] 结合以下实施例对本发明作进一步描述。
[0013] 参见图1，本实施例提供了一种智能擦窗系统，包括擦窗机器人1和用于对擦窗机器人1进行故障检测的擦窗机器人故障检测装置2，所述擦窗机器人1包括机器人本体10、条形清洁垫片20、洗涤剂喷射器30和废液回收装置40，所述条形清洁垫片20设置于机器人本体10的上部，所述洗涤剂喷射器30设置于机器人本体10的中部，该废液回收装置40设置于所述条形清洁垫片20的下方，所述机器人本体10内置有吸附装置和智能控制单元，所述智能控制单元包括控制单元、自动测距单元和报警单元，所述控制单元分别与所述自动测距单元和报警单元电连接。
[0014] 优选地，所述机器人本体10内置有聚合物锂电池组，所述聚合物锂电池组与控制单元电连接。
[0015] 优选地，所述吸附装置为钕铁硼永磁铁。
[0016] 本发明上述实施例采用擦窗机器人1进行擦窗，解决了人员安全问题，而且通过内部的智能控制单元能够迅速智能地、高效地、安全地完成高空擦窗作业。
[0017] 优选地，该擦窗机器人故障检测装置2包括：(1)历史数据采集单元11，用于通过传感器采集擦窗机器人1在正常状态下及各种故障状态下运行时多个测点的历史振动信号数据；(2)数据预处理单元12，用于对采集到的原始历史振动信号数据进行预处理；(3)特征提取单元13，用于从过滤后的历史振动信号数据中提取小波包奇异值特征，并将提取的小波包奇异值特征作为故障诊断特征向量样本；(4)实时故障诊断特征向量采集单元14，用于获取擦窗机器人1的实时故障诊断特征向量；(5)故障诊断模型建立单元15，用于建立基于改进的支持向量机的故障诊断模型，并使用故障诊断特征向量样本对故障诊断模型进行训练，计算出故障诊断模型参数的最优解，得到训练完成的故障诊断模型；(6)故障诊断识别单元16，用于将该擦窗机器人1的实时故障诊断特征向量输入到训练完成的故障诊断模型中，完成擦窗机器人1故障的诊断识别。
[0018] 优选地，所述数据预处理单元12利用数字滤波器按照下列过滤公式对采集到的原始历史振动信号数据进行预处理：
[0019]
[0020] 其中，K为滤波后得到的历史振动信号数据，K′为采集到的原始历史振动信号数据，Ω为测点的个数，L＝1，2，3…Ω-1；τ为由数字滤波器自身特性决定的常数，θ为所用传感器的固有采集频率。
[0021] 本优选实施例能消除原始历史振动信号数据中的时域波形畸变，提高了数据预处理的精度，从而确保对擦窗机器人1进行故障识别的准确性。
[0022] 优选地，所述提取小波包奇异值特征，包括：
[0023] (1)设擦窗机器人1处于状态R时从测点B测量到的一个时刻的历史振动信号为RB(K)，B＝1,…,Ω，Ω为测点的个数，对RB(K)进行 层离散小波包分解，提取第 层中的 个分解系数，其中 的值根据历史经验和实际情况结合确定；对所有的分解系数进行重构，以表示第 层各节点的重构信号，构建特征矩阵如下：
[0024]
[0025] (2)对特征矩阵T[RB(K)]进行奇异值分解，获得该特征矩阵T[RB(K)]的特征向量为其中β1,β2,…,βλ为由特征矩阵T[RB(K)]分解的奇异值，λ为由特征矩阵T[RB(K)]分解的奇异值的个数，定义RB(K)对应的故障诊断特征向量 为：
[0026]
[0027] 其中， 表示特征向量 中的最大奇异值， 表示特征向量 中的最小奇异值；
[0028] (3)对计算得到的故障诊断特征向量进行筛选，排除不合格的故障诊断特征向量，设排除的不合格的故障诊断特征向量的数量为Ω′，则该擦窗机器人1处于状态R时在该固定时刻的故障诊断特征向量样本为：
[0029] 本优选实施例采用上述方式提取小波包奇异值特征作为故障诊断特征向量，具有较高的准确率以及较短的计算时间，能够提高对擦窗机器人1进行诊断的容错性，从而有利于实现对擦窗机器人1故障的精确诊断。
[0030] 优选地，对计算得到的故障诊断特征向量进行筛选，包括：将擦窗机器人1处于状态R时在该时刻的所有计算得到的故障诊断特征向量作为该时刻的特征向量筛选样本集，计算该特征向量筛选样本集的标准差σR和期望值μR；若计算得到的故障诊断特征向量不满足 则剔除该故障诊断特征向量，其中， 为期望值μR的最大似然估计， 为标准差σR的最大似然估计。本优选实施例采用该方式排除不合格的故障诊断特征向量，较为客观科学，从而能够确保对擦窗机器人1进行故障诊断的准确性。
[0031] 优选地，该特征提取单元13还将剔除的不合格的故障诊断特征向量储存到一个临时数据储存器中，并对特征提取单元13中的 值进行进一步修正，具体包括：
[0032] 若 则 的值在根据原有历史经验和实际情况结合确定的基础上修改为 若
则 的值在根据原有历史经验和实际情况结合确定的基础上修改为
[0033] 其中，Ω为测点的个数，Ω′为不合格的故障诊断特征向量的数量，q为人为设定的整数阀值。
[0034] 本优选实施例进一步降低了不合格的故障诊断特征向量对擦窗机器人1进行故障诊断的影响。
[0035] 优选地，该基于改进的支持向量机的故障诊断模型建立如下：
[0036] (1)采用径向基函数作为核函数，利用该核函数将该故障诊断特征向量样本从原空间映射到高维空间，在高维空间构造最优决策函数实现故障诊断特征向量样本分类，构造最优决策函数为：
[0037]
[0038] 式中，x为输入的故障诊断特征向量样本，F(x)为输入的故障诊断特征向量样本对应的输出，Z(x)表示径向基函数，c为权重向量，e为偏差；此外， 为引入的优化因子，其中Ω为测点的个数，Ω′为不合格的故障诊断特征向量的数量；
[0039] (2)定义支持向量机的目标函数和支持向量机的约束条件，并求解该支持向量机的目标函数，计算出权重向量和偏差，将计算得到的权重向量和偏差代入最优决策函数即为所建立的故障诊断模型；
[0040] 其中支持向量机的目标函数定义为：
[0041]
[0042] 支持向量机的约束条件定义为：
[0043] Yj(gxj+e)≥1-εj,εj≥0,j＝1,…,m
[0044] 式中， 为支持向量机的目标函数，φ*为优化后的惩罚因子，εj为引入的误差变量；m为故障诊断特征向量样本的数量；另外，xj为输入的第j个故障诊断特征向量样本，Yj(cxj+e)为输入的第j个故障诊断特征向量样本对应的输出，g为权重向量，e为偏差。
[0045] 本优选实施例通过引入优化因子，减小了不合格的故障诊断特征向量对擦窗机器人1进行故障诊断的影响，进一步提高了该最优决策函数的实际精确度，为故障诊断模型的建立提供良好的函数基础，从而构建更为精确的故障诊断模型，从而能够确保对擦窗机器人1进行故障诊断的准确性。
[0046] 其中，惩罚因子和该核函数的半径参数的值按照下述方式进行优化：
[0047] 将所有故障诊断特征向量样本平均分成互不包含的子集，设定惩罚因子和该核函数的半径参数的值的取值范围，对每个粒子的位置向量进行二维编码，产生初始粒子群；
[0048] 对各粒子对应的参数选定训练集进行交叉验证，得到的预测模型分类准确率作为粒子对应的目标函数值，对粒子群中的粒子进行迭代；
[0049] 用目标函数值评价所有粒子，当某个粒子的当前评价值优于其历史评价值时，将其作为该粒子的最优历史评价，记录当前粒子最优位置向量；
[0050] 寻找全局最优解，如果其值优于当前历史最优解，则更新，达到设定的终止准则时，则停止搜索，输出最优的惩罚因子和该核函数的半径参数的值，否则返回去重新搜索。
[0051] 本优选实施例采用上述方式对惩罚因子和该核函数的半径参数的值进行优化，优化时间相对较短，优化效果好，能够得到性能较好的支持向量机，进一步提高对擦窗机器人1进行故障诊断的精度。
[0052] 根据上述实施例，发明人进行了一系列测试，以下是进行测试得到的实验数据，该实验数据表明，本发明能够正常进行高空擦窗作业，且能精确对擦窗机器人1进行故障检测，从而防止事故的发生，确保擦窗机器人1发生故障时能够得到及时、安全的维修，具有非常显著的有益效果：
[0053]
[0054]
[0055] 最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
