基于重复性神经网络的重度估计方法用于机器人带电缆的早期故障诊断

科学领域:

• 电气工程 电气工程
• 工业自动化 工业自动化
• 预测性维护是指预测性维护.

背景情况:

• 电缆故障会在工业系统中造成大量停机时间和生产力损失.
• 早期检测"软故障" (导致永久故障的短暂状态) 是至关重要的,但尚未得到充分研究.
• 现有的方法缺乏量化故障严重性的能力,阻碍了有效的维护.

研究的目的:

• 通过估计故障严重程度,开发一种用于早期诊断电缆软故障的新方法.
• 解决软故障诊断方面的先前研究的局限性.
• 为主动维护和系统可靠性提供关键信息.

主要方法:

• 一个使用自动编码器识别故障的新奇检测网络,根据不同操作条件下的三相电流来识别故障.
• 一个错误严重程度估计网络,集成长期短期记忆 (LSTM) 和注意力机制来分析时间依赖的错误数据.
• 该方法只需要电流传感器,不需要额外的电压传感器或信号发生器.

主要成果:

• 提出的方法成功检测并区分了七种不同程度的软电缆故障.
• 新品检测组件有效地处理了工业运行条件的变化.
• 集成的LSTM和注意力机制从当前的数据准确地估计了故障严重程度.

结论:

• 开发的诊断方法为早期检测和评估电缆软故障的严重程度提供了有效的解决方案.
• 这种方法通过提供可量化的故障信息来增强预测性维护策略.
• 该系统能够在没有额外的专用设备的情况下运行,这使得它适用于工业实施.