Neural residual profundo

May 26, 2023

Scientific Reports volume 12, Artigo número: 17158 (2022) Citar este artigo

1249 acessos

1 Citações

1 Altmétrico

Detalhes das métricas

É proposto um método de diagnóstico de falhas conjuntas de robôs baseado em método baseado em dados usando rede neural residual profunda (DRNN), onde o método de diagnóstico de falhas baseado em Resnet é introduzido. O método proposto trata principalmente de tipos de falhas, como erro de ganho, erro de deslocamento e mau funcionamento de sensores e atuadores, respectivamente. Primeiro, um modelo de diagnóstico de falha de rede residual profundo é derivado do empilhamento de pequenos núcleos de convolução e do aumento do tamanho do núcleo. enquanto isso, o ruído branco gaussiano é injetado no conjunto de dados de falta para verificar a imunidade ao ruído para a rede residual profunda proposta. Além disso, uma simulação é conduzida, onde diferentes métodos de diagnóstico de falhas, incluindo máquina de vetores de suporte (SVM), rede neural artificial (ANN), rede neural convolucional (CNN), rede de memória de longo prazo (LTMN) e rede neural residual profunda (DRNN) são comparados, e os resultados da simulação mostram que a precisão do diagnóstico de falhas para o sistema robótico usando DRNN é maior, enquanto isso, o DRNN precisa de menos tempo de treinamento do modelo. A análise de visualização comprovou a viabilidade e eficácia do método proposto para diagnóstico de falhas de sensores e atuadores de juntas robóticas usando o método DRNN.

Recentemente, os robôs industriais têm sido amplamente utilizados em muitas aplicações, como linha de produção automotiva, aeroespacial, comunicação e eletrônicos de consumo1,2,3. Como um excelente representante da tecnologia mecatrônica, o módulo de junta robótica integra um grande número de componentes, incluindo motor oco, servo driver, redutor harmônico, freio, codificador, em um espaço limitado4. Considerando o ambiente de trabalho complexo e mutável das juntas robóticas, é inevitável que ocorram tipos de falhas. Se não houver nenhum mecanismo de diagnóstico de falhas antes que a falha aconteça, isso afetará a eficiência da produção, a qualidade do produto e até mesmo exporá a vida humana em perigo. Portanto, como detectar e localizar as falhas com rapidez e precisão é o mais urgente5.

Os pesquisadores têm se concentrado na detecção de falhas e no controle tolerante de falhas de juntas de robôs por muitos anos e propuseram vários métodos práticos de diagnóstico de falhas, incluindo redundância de hardware e métodos de diagnóstico de falhas baseados em análise teórica.

Entre os métodos de diagnóstico de falhas de juntas de robôs baseados em análise teórica, o observador é amplamente utilizado . Devido à característica de convergência rápida do método de modo deslizante, o erro pode atenuar conforme projetado, portanto, garante a rapidez do observador, por isso é utilizado em todos os locais no diagnóstico de falhas em juntas de robôs . Além disso, o algoritmo backstepping, o método Takagi-Sugeno e o observador Luenberger também são aplicados para diagnóstico de falhas . No entanto, a maioria dos robôs industriais é afetada por perturbações ou ruídos, por isso é necessário considerar o efeito da perturbação no diagnóstico de falhas do robô. Para um sistema robótico, a primeira coisa que vem à mente é projetar um observador de perturbações. Existem muitos métodos para projetar observadores de perturbação, como método de feedback de saída13, observador de perturbação não linear14 e método de projeto de observador de perturbação de linearização de feedback8.

No entanto, o problema mais complicado do método de diagnóstico de falhas nas juntas do robô baseado em observador é que o ganho do observador é muito difícil de projetar. Atualmente, no projeto do ganho do observador, a função de custo deve ser determinada primeiro, e o ganho do observador é selecionado para minimizar a função de custo. O processo de projeto acima amplia a faixa do valor do ganho, o que tem um grande impacto no desempenho do observador. A estabilidade do observador também é uma consideração importante e é garantida principalmente pela função de Lyapunov, que é muito difícil de encontrar15.

A dificuldade no projeto de ganho em sistemas de diagnóstico de falhas de robôs baseados em observadores promove a pesquisa de diagnóstico de falhas de robôs baseado em sensores redundantes. Graças ao desenvolvimento de sensores, sensores integrados com elemento de detecção, atuadores e fonte de alimentação fizeram um grande avanço, como chip de detecção magnética, medição de velocidade e elementos de medição de gravidade16, e se tornaram componentes de feedback muito importantes no sistema de diagnóstico de falhas conjuntas de robôs. .