基于卷积神经网络的人类共存机器人的故障诊断方法,使用时间序列数据生成和图像编码
Seung-Hwan Choi1, Jun-Kyu Park2, Dawn An1
1Advanced Mechatronics Research Group, Daegyeong Division, Korea Institute of Industrial Technology, Daegu 42994, Republic of Korea.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
这项研究引入了工业机器人的先进故障诊断,提高了安全性. 使用Wasserstein生成对抗网络 (WGAN-GP) 和光谱图与DenseNet模型显著提高了机器人驾驶模块的诊断准确性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 工业环境越来越多地使用人类共存机器人 (HCR),需要强有力的安全措施.
- 积极的故障诊断对于防止HCR安全事故至关重要.
- 有限的失败后数据对训练诊断模型构成挑战.
研究的目的:
- 开发和评估HCR驱动模块的新型故障诊断方法.
- 使用生成模型解决有限故障数据的挑战.
- 为了确定时间序列振动数据的最佳图像编码和卷积神经网络 (CNN) 架构.
主要方法:
- 从HCR驱动模块耐用性测试中收集的时间序列振动数据.
- 使用Wasserstein生成对抗网络与梯度惩罚 (WGAN-GP) 来增加有限的故障数据.
- 将时间序列数据转换为图像,使用反复图,格拉米角场,马尔科夫过渡场,谱图和刻度图.
- 应用并比较了四个CNN模型 (VGGNet,GoogleNet,ResNet,DenseNet) 进行故障分类.
主要成果:
- 通过生成合成故障数据,WGAN-GP显著提高了诊断准确性.
- 谱图图像编码和DenseNet CNN模型展示了卓越的性能.
- 提出的方法在诊断HCR驱动模块故障方面取得了高准确性.
结论:
- 将WGAN-GP与DenseNet集成用于数据增强和谱图,为机器人故障诊断提供了一种强大的方法.
- 这种方法提高了工业机器人的安全性和可靠性,特别是HCRs.
- 这些发现为选择有效的图像编码和CNN模型用于时间序列故障分析提供了一个框架.
