基于混合FEA-ANFIS框架的十二足Jansen机器人对称性破缺与容错分析

《Symmetry》：Symmetry-Breaking and Fault-Tolerance Analysis of a Twelve-Legged Jansen Robot Using a Hybrid FEA-ANFIS Framework

　　

本研究针对一个十二足Jansen步行机器人提出了一个全面的对称性破缺分析框架，该框架将有限元分析（FEA）与自适应神经模糊推理系统（ANFIS）代理建模相结合。通过在基于PLA的3D打印原型上结合21个单腿和多腿故障场景以及10个载荷水平（20–200 N），生成了一个包含210个案例的系统性数据集。引入了两个新的无量纲指标：韧性指数（RI），量化相对于基线的比例应力增加；以及不对称指数（AI），测量腿反作用力分布的不平衡性。结果确定了2腿和4腿故障之间的明确容错阈值：单腿故障保持在低风险（RI < 0.20），而三腿不对称故障（S18）达到临界水平（RI = 1.13，约PLA屈服强度的97%）。提出了一个混合机器学习框架，将ANFIS应用于最大应力（R² = 0.817）和安全系数（R² = 0.936）的预测，同时保留FEA表格用于双峰输出。ANFIS代理实现了约10⁶倍于FEA的加速（262.6 μs vs. 5–8 min），实现了实时故障诊断和数字孪生应用。该框架可推广至其他需要容错评估的多足机器人系统。

多足步行机器人因其在崎岖地形上的高机动性、静态稳定性以及通过多接触点提供容错能力等优势，在搜索救援、农业监测、军事侦察和工业巡检等领域具有重要应用前景。然而，现有研究多集中在六足或八足构型，对于高冗余十二足构型在腿故障条件下的结构行为研究十分有限。对称性破缺（symmetry breaking）是工程设计中关键现象，但在多足机器人领域缺乏量化指标。此外，有限元分析（FEA）作为结构评估的金标准，每次仿真需数分钟至数小时，难以满足实时故障诊断和数字孪生应用的需求。因此，研究人员开展本研究，旨在提出一种混合FEA-自适应神经模糊推理系统（ANFIS）框架，通过引入新的对称性破缺度量指标，系统分析十二足Jansen机器人在单腿和多腿故障下的结构响应，并实现实时预测。该研究发表在《Symmetry》。

研究人员开展了以下研究：基于PLA 3D打印原型，通过组合21个单腿和多腿故障场景（包括基线、单腿、对角、同侧、组、前轴和多腿故障）与10个载荷水平（20–200 N），生成了210个FEA案例的数据集。提出了两个新的无量纲对称性破缺指标：韧性指数（RI），衡量相对于基线最大应力的比例增加；不对称指数（AI），衡量腿反作用力分布的不平衡性。开发了混合机器学习代理模型：对最大应力（σ_max）和安全系数（SF）训练ANFIS模型，输入特征为载荷、失效腿数、左右失效差值及故障类型编码；对最大变形（δ_max）和倾斜角（θ）保留FEA表格。通过比较线性回归、多项式回归和多层感知器，验证了ANFIS的性能。得出主要结论：故障容错阈值位于2腿与4腿故障之间；单腿故障风险低（RI < 0.20），三腿不对称故障（S18）达临界水平（RI = 1.13，约97% PLA屈服强度）；同侧多腿故障（S13）达高风险。ANFIS代理实现约10⁶倍加速（262.6 μs vs. 5–8 min），支持实时故障诊断与数字孪生。该框架可推广至其他多足机器人系统。

关键技术方法包括：1）有限元分析（FEA）：使用ANSYS Workbench进行线性静态分析，SOLID186单元（20节点二次实体单元），全局网格尺寸5mm，在8个接地腿底部施加固定约束，在底盘中心分布施加20–200 N的Y向载荷。2）故障场景设计：定义21个场景（仅针对8个接地腿），涵盖单腿、对角、同侧、全组、前轴及多腿失效模式。3）对称性破缺量化：提出韧性指数（RI）和不对称指数（AI），并计算安全系数（SF）和倾斜角（θ）。4）混合机器学习：对σ_max和SF训练ANFIS模型（采用减法聚类，混合学习算法，200次迭代），输入特征包括载荷、失效腿数、左右失效绝对差和故障类型编码；训练集133例，测试集57例。5）比较方法：线性回归、多项式回归（2阶）和多层感知器（MLP）。

研究结果如下：

**3.1 基线结构响应**：以S0为参考，在200 N下载荷应力线性响应，σ_max = 23.159 MPa（约46% PLA屈服强度），安全系数SF ≥ 2.63，变形δ_max = 1.56 mm。倾斜角θ = +0.21°，源于几何和数值噪声。

**3.2 载荷-应力线性行为**：所有21个场景的σ_max随载荷线性增加，PLA保持线弹性，除非达到屈服极限。

**3.3 单腿故障（S1–S8）**：单腿故障下应力增加有限，左侧增加0.2–2.9%，右侧增加3.2–21.3%，最严重为S8（R6故障，+21.3%），但所有SF > 2.17，结构安全。

**3.4 多腿故障（S9–S14, S17–S20）**：对角故障（S9–S11）应力较低；同侧故障中S13（R5+R6）达高风险（σ_max = 34.85 MPa，RI = 0.53）；多腿故障中S18（L4+R2+R6）最严重，σ_max = 48.54 MPa（RI = 1.13，临界风险，约97%屈服强度），SF = 1.13。

**3.5 边界情况（S15和S16）**：四足群组故障（全左或全右）σ_max远超PLA屈服强度（S15: 186.49 MPa, S16: 161.20 MPa），超出线弹性范围，定性表明结构失效阈值位于2腿与4腿故障之间。

**3.6 韧性指数与不对称指数结果**：单腿故障RI < 0.20（低风险），S13达高风险（RI = 0.529），S18达临界（RI = 1.13）。RI与AI呈强正相关（Pearson r = 0.87），验证互补性。

**3.7 材料属性不确定性影响**：蒙特卡洛分析显示，±10%杨氏模量和屈服强度变化下，S18有35.61%概率SF < 1，其余场景安全，不影响排序。

**3.8 倾斜角分析**：单腿故障θ在±0.3°噪声内，多腿故障产生明显方向性倾斜（S13: +2.35°, S15: -49°，S16: +30.6°）。

**3.9 模态与谐波分析**：基频21.29 Hz，远高于工作频率1.1 Hz，验证准静态假设合理。

**3.10 ANFIS代理模型性能**：ANFIS对σ_max的R² = 0.817，对SF的R² = 0.936，推理时间262.6 μs，较FEA加速约10⁶倍。

**3.11 比较方法性能**：各方法对SF预测性能接近（R²约0.93–0.94），ANFIS因可解释性优势被选中；对σ_max，线性与多项式回归略优（R²=0.853），但ANFIS更适用于安全关键应用。

讨论部分指出，对称性破缺呈阈值性转变，单腿故障低风险，三腿故障临界；倾斜角噪声基底影响单腿检测但多腿故障中提供方向信息；混合ML框架根据输出特性选择模型，ANFIS可解释性优于黑箱模型；加速比支持数字孪生应用。局限性包括线弹性假设、各向同性简化、固结接触、缺乏实验验证等。

研究结论翻译如下：本研究从对称性破缺角度对十二足Jansen步行机器人进行了全面的结构分析。构建了包含210个案例的FEA数据集，并开发了混合ANFIS代理模型用于实时预测。主要发现总结如下：引入了两个新的无量纲对称性破缺度量——韧性指数（RI）和不对称指数（AI），使设计者能够客观比较不同多足步行机器的容错能力。通过系统分析，容错阈值精确定位于2腿和4腿故障之间：单腿故障保持低风险（RI < 0.20），三腿不对称故障（S18）超过临界阈值（RI = 1.13），而四腿群组故障（S15–S16）超出线弹性设计极限。同侧多腿故障（特别是S13: R5+R6）导致高风险，强调运动规划算法需特别关注同侧腿故障。定义了几何噪声基底概念：基线中+0.21°倾斜偏差表明倾斜角不能作为单腿故障检测的实用指标，但在多腿故障中提供清晰的方向信息。在混合ML框架内，成功训练了用于σ_max（R² = 0.817）和SF（R² = 0.936）的ANFIS模型；对于δ_max和θ，提供了FEA表格。ANFIS-SF模型为实时初步故障诊断提供了有前景的基础，有待实验验证。在推理速度方面，ANFIS比FEA快约10⁶倍（262.6 μs vs. 5–8 min）；这一特性为实时故障诊断、数字孪生应用和在线结构健康监测提供了实用基础。比较分析表明，ANFIS、多项式回归和MLP在SF预测上性能相当（R²约0.93–0.94）；在此情况下，ANFIS基于规则的可解释性优势成为在安全关键工程应用中选择它的主要理由。制造的物理原型（图20）验证了设计的机械可行性。承认当前分析完全基于数值方法为主要局限，因此实验结构验证是未来工作的首要方向。具体而言，原型将在本研究确定的应力集中部位（底盘-电机区域和关键腿连接处）安装应变片，在20–200 N范围内进行受控静态载荷测试；将测量应变和反作用力与FEA预测进行比较，以实验验证不对称指数。未来研究将涉及：（i）结合定向试样测试的各向异性PLA材料模型集成，（ii）基于多体动力学的轨迹同步分析，以及（iii）将所提框架应用于不同腿数和几何构型。所提出的FEA-ANFIS混合框架不特定于十二足Jansen步行机器人；它作为一种通用方法论提出，可直接应用于其他多足机器人系统的容错评估。