一种基于Resnet神经网络的协作机器人钻井的端到端倾斜状态监控方法
Lu Qian1, Peifeng Liu2, Hao Lu2
1School of Transportation and Logistics Engineering, Wuhan University of Technology, Wuhan 430062, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
这项研究引入了一个有效的框架,用于使用振动信号监测机器人钻井质量. 该方法准确识别钻井倾斜状态,改善复杂环境中的表面质量和效率.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 制造业 工程 制造工程
- 信号处理 信号处理
背景情况:
- 协作机器人提供了灵活性,但受到了低刚度的影响,影响了钻井质量.
- 有效的在线监控对于高性能机器人钻井至关重要.
研究的目的:
- 开发一个端到端的框架,在线监测机器人钻井质量.
- 建立一种使用振动信号识别钻井倾斜状态的方法.
主要方法:
- 利用振动信号进行在线钻井质量监测.
- 使用Cannny边缘检测来量化钻井倾斜度.
- 开发了一个基于ResNet的模型来分类倾斜状态.
主要成果:
- 拟议的框架通过振动分析有效监测钻探质量.
- 该ResNet模型准确地对机器人钻井倾斜状态进行了分类.
- 该方法在各种工件材料中显示出高精度.
结论:
- 开发的框架为监测机器人钻井质量提供了有效和适用的解决方案.
- 这种方法在复杂的制造环境中提高了表面质量和钻井效率.


