基于集群的模型不可知的超学习与智能感官系统的操作分组
Mainak Mallick1, Young-Dae Shim1,2, Hong-In Won3
1G. W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology, Atlanta, GA 30332, USA.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
这项研究通过整体元学习方法提高了机器人手臂的预测性维护. 这种新的方法提高了故障分类的准确性和概括性,特别是在少数拍摄的学习场景中.
科学领域:
- 机器人技术和工业自动化
- 机器学习和人工智能的人工智能
背景情况:
- 预测性维护 (PdM) 对装配线上的机器人臂至关重要,需要准确和快速的故障分类.
- 模型无意识的元学习 (MAML) 对PdM有希望,但患有参数过敏和有限的概括性.
- 现有的元学习框架在复杂的工业环境中扎着少量学习和跨领域概括.
研究的目的:
- 开发一个改进的元学习框架,以加强机器人手臂PdM的故障分类和概括.
- 在PdM应用中解决传统MAML在PdM应用中的过敏性和有限泛化挑战.
- 通过使用数字双胞胎来增强机器人手臂故障检测的少数镜头学习能力.
主要方法:
- 一种基于集合的元学习方法,将多数投票与模型不可知性元学习 (MAML) 整合在一起.
- 通过拉丁式超立方采样 (LHS) 实现的操作分组,以改善少量射击学习和概括.
- 通过数字生产的机器人手臂故障的合成振动信号数据集的验证.
主要成果:
- 拟议的整体MAML方法在分类更多的缺陷机械类别方面表现出卓越的准确性.
- 在跨领域少量射击 (CDFS) 学习场景中观察到显著的改善.
- 该方法保持了稳定的输出,同时提高了几次射击的学习能力和概括性.
结论:
- 基于集合的元学习方法有效地克服了机器人手臂PdM标准MAML的局限性.
- 整合LHS和多数投票增强了少数射击故障分类中的稳定性和概括性.
- 该框架为工业机器人系统的预测性维护提供了更准确,更可靠的解决方案.
