随着机器人技术的不断发展与成熟,机器人对其导航系统的精度与稳定性的要求越来越高。惯性导航单元(IMUs)作为机器人导航系统的重要组成部分之一,其故障会影响机器人的工作稳定性与可操作性。因此,IMUs的故障检测与诊断成为提高机器人导航系统稳定性与可靠性的研究重点。基于此,本文围绕IMUs故障诊断模型深度置信网(DBN)的研究与优化,轮式机器人的IMUs故障数据集的创建,以及优化后的DBN故障诊断性能的评价三方面展开相关研究,内容主要覆盖以下几个方面:首先,基于对DBN的工作原理的研究,完成了受限玻尔兹曼机(RBM)特征提取能力的验证和DBN分类能力的验证。根据课题需求将3个RBM堆叠构成DBN,并在DBN顶层叠加Softmax分类器完成了 DBN故障诊断模型的搭建。同时,针对IMUs的输出信号受到外界干扰信号和惯性传感器自身误差累计的影响,导致故障复杂多样且数据间关联度不高,使得DBN模型的故障诊断实时性与准确性大大降低的问题,从权值寻优和和DBN隐层神经元的数目两个方面对DBN进行了优化。在DBN的权值微调过程引入非精确线性遗传搜索算法(Inexact LSA-GA),通过将非精确线性搜索算法与遗传算法(GA)相结合,加快权值的末端寻优并提高寻优准确性。引入蝙蝠算法(BA)通过改变蝙蝠群的位置实现DBN隐层神经元数目的动态调整。其次,基于对轮式机器人IMUs工作特性的研究,通过实验与仿真相结合的方式,以搭载MPU6050芯片的轮式机器人为研究对象,完成了IMUs故障数据集的创建。在实验过程中采用基于密度的局部异常数据挖掘算法(LOF)和归一化算法对数据进行预处理,剔除因惯性传感器自身误差累计和外部环境的干扰产生的异常值,缩小同一运动状态下数据样本间的误差。同时,通过仿真过程对IMUs常见故障进行了故障信号模拟,并通过姿态解算实现了预处理数据与故障信号的融合,完成了数据结构为39000×6的IMUs故障数据集的创建。最后,基于故障诊断正确率、故障分类性能和泛化能力三个方面,完成了对优化后的DBN故障诊断模型的性能的综合评价。结果表明,优化后的DBN故障诊断模型在给定的数据集上具有良好的故障分类能力和泛化能力,且动态可调的“DBN结构”有助于多类故障类别之间的数据关联的提取。因此,本文提出的优化后的DBN故障诊断模型为基于数据驱动的一般故障诊断问题提供了首选参考模型。