Глубокая остаточная нейрональная

May 26, 2023

Том 12 научных отчетов, номер статьи: 17158 (2022) Цитировать эту статью

1249 доступов

1 Цитаты

1 Альтметрика

Подробности о метриках

Предлагается метод диагностики неисправностей суставов робота на основе данных с использованием глубокой остаточной нейронной сети (DRNN), в котором представлен метод диагностики неисправностей на основе Resnet. Предлагаемый метод в основном касается таких типов неисправностей, как ошибка усиления, ошибка смещения и неисправность датчиков и исполнительных механизмов соответственно. Во-первых, модель диагностики глубоких остаточных неисправностей сети создается путем объединения небольших ядер свертки и увеличения размера ядра. тем временем гауссов белый шум вводится в набор данных об ошибках для проверки помехоустойчивости предлагаемой глубокой остаточной сети. Кроме того, проводится моделирование, в котором используются различные методы диагностики неисправностей, включая машину опорных векторов (SVM), искусственную нейронную сеть (ANN), сверточную нейронную сеть (CNN), сеть долговременной памяти (LTMN) и глубокую остаточную нейронную сеть (DRNN). Результаты моделирования показывают, что точность диагностики неисправностей робототехнической системы с использованием DRNN выше, в то время как DRNN требует меньше времени на обучение модели. Визуализационный анализ доказал целесообразность и эффективность предложенного метода диагностики неисправностей датчиков и исполнительных устройств роботов с использованием метода DRNN.

В последнее время промышленные роботы широко используются во многих областях, таких как производство автомобилей, аэрокосмическая промышленность, связь и бытовая электроника1,2,3. Являясь выдающимся представителем технологии мехатроники, модуль соединения роботов объединяет большое количество компонентов, включая полый двигатель, сервопривод, редуктор гармоник, тормоз, энкодер, в ограниченном пространстве4. Учитывая сложную и изменчивую рабочую среду соединений робота, возникновение различных неисправностей неизбежно. Если не существует механизма диагностики неисправностей до того, как неисправность произойдет, это повлияет на эффективность производства, качество продукции и даже подвергнет опасности человеческую жизнь. Поэтому вопрос о том, как быстро и точно обнаружить и локализовать неисправности, является наиболее актуальным5.

Исследователи в течение многих лет занимались обнаружением неисправностей и отказоустойчивым управлением соединениями роботов и предложили множество практических методов диагностики неисправностей, включая аппаратное резервирование и методы диагностики неисправностей на основе теоретического анализа.

Среди методов диагностики неисправностей соединений роботов, основанных на теоретическом анализе, широко используется наблюдатель6,7. Благодаря характеристике быстрой сходимости метода скользящего режима ошибка может быть уменьшена в соответствии с замыслом, поэтому он обеспечивает быстроту наблюдения и поэтому используется везде при диагностике неисправностей суставов робота8,9. Кроме того, для диагностики неисправностей также применяются алгоритм обратного шага, метод Такаги-Сугено, а также наблюдатель Люенбергера10,11,12. Однако на большинство промышленных роботов влияют помехи или шум, поэтому при диагностике неисправностей робота необходимо учитывать влияние помех. Что касается роботизированной системы, первое, что приходит на ум, — это спроектировать наблюдатель возмущений. Существует множество методов проектирования наблюдателей возмущений, таких как метод обратной связи по выходу13, нелинейный наблюдатель возмущений14 и метод проектирования наблюдателей возмущений с линеаризацией обратной связи8.

Однако самая сложная проблема метода диагностики неисправностей суставов робота с участием наблюдателя заключается в том, что выигрыш наблюдателя очень сложно спроектировать. В настоящее время при проектировании выигрыша наблюдателя сначала следует определить функцию стоимости, а выигрыш наблюдателя выбирается так, чтобы минимизировать функцию стоимости. Вышеописанный процесс проектирования расширяет диапазон значений усиления, что оказывает большое влияние на производительность наблюдателя. Стабильность наблюдателя также является важным фактором, и она в основном гарантируется функцией Ляпунова, которую очень трудно найти15.

Сложность проектирования усиления в системе диагностики неисправностей роботов с участием наблюдателя способствует исследованию диагностики неисправностей роботов на основе резервных датчиков. Благодаря разработке датчиков, датчики, интегрированные с элементом обнаружения, приводами и источниками питания, совершили большой прорыв, например, чип магнитного обнаружения, элементы измерения скорости и гравитации16, и они стали очень важными компонентами обратной связи в системе диагностики неисправностей суставов робота. .