深層残留神経

May 26, 2023

Scientific Reports volume 12、記事番号: 17158 (2022) この記事を引用

1249 アクセス

1 引用

1 オルトメトリック

メトリクスの詳細

深層残差ニューラルネットワーク(DRNN)を用いたデータ駆動法ベースのロボット関節故障診断法を提案し,Resnetベースの故障診断法を導入した。 提案された方法は主に、センサーとアクチュエーターの両方のゲインエラー、オフセットエラー、誤動作などの種類の故障を扱います。 まず、小さな畳み込みコアを積み重ねてコア サイズを増やすことによって、深い残留ネットワーク障害診断モデルが導出されます。 その間、ガウス ホワイト ノイズが障害データ セットに注入され、提案された深い残留ネットワークのノイズ耐性が検証されます。 さらに、サポート ベクター マシン (SVM)、人工ニューラル ネットワーク (ANN)、畳み込みニューラル ネットワーク (CNN)、長期記憶ネットワーク (LTMN)、ディープ残差ニューラル ネットワーク (DRNN) などのさまざまな故障診断方法を使用したシミュレーションが実行されます。を比較したところ、シミュレーション結果は、DRNN を使用したロボットシステムの故障診断の精度がより高く、一方、DRNN が必要とするモデルのトレーニング時間がより少ないことを示しました。 可視化解析により、DRNN 法を用いたロボット関節センサーとアクチュエーターの故障診断に対する提案手法の実現可能性と有効性が証明されました。

近年、産業用ロボットは自動車生産ライン、航空宇宙、通信、家電など多くの用途で広く使用されています1,2,3。 メカトロニクス技術の代表的なロボット関節モジュールは、中空モーター、サーボドライバー、高調波減速機、ブレーキ、エンコーダーなどの多数のコンポーネントを限られたスペースに統合しています4。 ロボットの関節部の複雑で変化しやすい作業環境を考慮すると、何らかの故障が発生することは避けられません。 障害が発生する前に障害を診断するメカニズムがなければ、生産効率や製品の品質に影響を与え、さらには人命を危険にさらすことになります。 したがって、障害を迅速かつ正確に検出して特定する方法が最も緊急なことです5。

研究者らは長年、ロボット関節の故障検出とフォールトトレラント制御に焦点を当てており、ハードウェアの冗長性や理論解析に基づく故障診断手法など、多くの実用的な故障診断手法を提案してきました。

理論解析に基づくロボット関節の故障診断手法としてはオブザーバが広く用いられている6,7。 スライディングモード法の高速収束特性により、設計どおりに誤差が減衰する可能性があり、観察者の迅速性が保証されるため、ロボット関節の故障診断のあらゆる場所で使用されています8,9。 さらに、バックステッピングアルゴリズム、高木・菅野法、およびルーエンベルガーオブザーバーも故障診断に適用されます10、11、12。 しかし、産業用ロボットの多くは外乱やノイズの影響を受けるため、ロボットの故障診断では外乱の影響を考慮する必要があります。 ロボットシステムの場合、まず思い浮かぶのは外乱オブザーバーの設計です。 外乱オブザーバの設計方法には、出力フィードバック法13、非線形外乱オブザーバ14、フィードバック線形化外乱オブザーバ設計法8など多くの方法があります。

しかし、オブザーバーベースのロボット関節故障診断法の最も厄介な問題は、オブザーバーのゲインの設計が非常に難しいことです。 現在、オブザーバゲインの設計では、最初にコスト関数を決定する必要があり、コスト関数が最小になるようにオブザーバゲインが選択されます。 上記の設計プロセスにより、ゲイン値の範囲が拡張され、オブザーバーのパフォーマンスに大きな影響を与えます。 オブザーバーの安定性も重要な考慮事項であり、それはほとんどがリアプノフ関数によって保証されていますが、これを見つけるのは非常に困難です15。

オブザーバベースのロボット故障診断システムにおけるゲイン設計の難しさにより、冗長センサーに基づくロボット故障診断の研究が促進されています。 センサーの発展により、磁気検出チップ、速度計測素子、重力計測素子16など、検出素子、アクチュエーター、電源を一体化したセンサーが大きな進歩を遂げ、ロボット関節故障診断システムにおける非常に重要なフィードバック部品となっている。 。