Neurale residuo profondo

May 26, 2023

Rapporti scientifici volume 12, numero articolo: 17158 (2022) Citare questo articolo

1249 accessi

1 Citazioni

1 Altmetrico

Dettagli sulle metriche

Viene proposto un metodo di diagnosi dei guasti dei giunti robot basato su dati che utilizza la rete neurale residua profonda (DRNN), in cui viene introdotto il metodo di diagnosi dei guasti basato su Resnet. Il metodo proposto si occupa principalmente di tipi di guasto, come errore di guadagno, errore di offset e malfunzionamento rispettivamente per sensori e attuatori. Innanzitutto, un modello di diagnosi dei guasti di rete residui profondi viene derivato impilando piccoli nuclei di convoluzione e aumentando la dimensione del nucleo. nel frattempo, il rumore bianco gaussiano viene iniettato nel set di dati di guasto per verificare l'immunità al rumore per la rete residua profonda proposta. Inoltre, viene condotta una simulazione in cui diversi metodi di diagnosi dei guasti tra cui Support Vector Machine (SVM), rete neurale artificiale (ANN), rete neurale convoluzionale (CNN), rete di memoria a lungo termine (LTMN) e rete neurale residua profonda (DRNN) vengono confrontati e i risultati della simulazione mostrano che l'accuratezza della diagnosi dei guasti per il sistema robotico che utilizza DRNN è maggiore, nel frattempo DRNN richiede meno tempo di addestramento del modello. L'analisi della visualizzazione ha dimostrato la fattibilità e l'efficacia del metodo proposto per la diagnosi dei guasti dei sensori e degli attuatori dei giunti robot utilizzando il metodo DRNN.

Recentemente, i robot industriali sono stati ampiamente utilizzati in molte applicazioni, come le linee di produzione automobilistica, il settore aerospaziale, le comunicazioni e l'elettronica di consumo1,2,3. In quanto eccezionale rappresentante della tecnologia meccatronica, il modulo di giunzione del robot integra un gran numero di componenti, tra cui motore cavo, servoazionamento, riduttore armonico, freno, encoder, in uno spazio limitato4. Considerando l'ambiente di lavoro complesso e mutevole dei giunti dei robot, è inevitabile che si verifichino tipi di guasti. Se non esiste un meccanismo di diagnosi dei guasti prima che si verifichi il guasto, ciò influenzerà l’efficienza produttiva, la qualità del prodotto e metterà persino in pericolo la vita umana. Pertanto, la cosa più urgente è quindi individuare e localizzare i guasti in modo rapido e accurato5.

I ricercatori si concentrano da molti anni sul rilevamento dei guasti e sul controllo tollerante ai guasti dei giunti dei robot e hanno proposto numerosi metodi pratici di diagnosi dei guasti, tra cui la ridondanza dell'hardware e metodi di diagnosi dei guasti basati sull'analisi teorica.

Tra i metodi di diagnosi dei guasti dei giunti robotici basati sull'analisi teorica, l'osservatore è ampiamente utilizzato6,7. A causa della caratteristica di convergenza rapida del metodo della modalità scorrevole, l'errore potrebbe attenuarsi come previsto, pertanto garantisce la rapidità dell'osservatore, quindi viene utilizzato ovunque nella diagnosi dei guasti dei giunti del robot8,9. Inoltre, per la diagnosi dei guasti vengono applicati anche l'algoritmo di backstepping, il metodo Takagi-Sugeno e l'osservatore di Luenberger10,11,12. Tuttavia, la maggior parte dei robot industriali è influenzata da disturbi o rumore, quindi è necessario considerare l’effetto del disturbo nella diagnosi dei guasti del robot. Per un sistema robotico, la prima cosa che viene in mente è progettare un osservatore di disturbi. Esistono molti metodi per la progettazione dell'osservatore dei disturbi, come il metodo del feedback sull'uscita13, l'osservatore dei disturbi non lineari14 e il metodo di progettazione dell'osservatore dei disturbi con linearizzazione del feedback8.

Tuttavia, il problema più complicato del metodo di diagnosi dei guasti dei giunti robot basato sull'osservatore è che il guadagno dell'osservatore è molto difficile da progettare. Attualmente, nella progettazione del guadagno dell'osservatore, la funzione di costo dovrebbe essere determinata per prima, e il guadagno dell'osservatore dovrebbe essere selezionato per minimizzare la funzione di costo. Il processo di progettazione di cui sopra estende la gamma del valore del guadagno, che ha un grande impatto sulle prestazioni dell'osservatore. Anche la stabilità dell'osservatore è una considerazione importante, ed è in gran parte garantita dalla funzione di Lyapunov, che è molto difficile da trovare15.

La difficoltà nella progettazione del guadagno nel sistema di diagnosi dei guasti dei robot basato sull'osservatore promuove la ricerca della diagnosi dei guasti dei robot basata su sensori ridondanti. Grazie allo sviluppo dei sensori, i sensori integrati con l'elemento di rilevamento, gli attuatori e l'alimentatore hanno fatto un grande passo avanti, come il chip di rilevamento magnetico, gli elementi di misurazione della velocità e della gravità16, e sono diventati componenti di feedback molto importanti nel sistema di diagnosi dei guasti dei giunti robot .