一种基于彩虹记忆的新增级学习方法,用于AUV故障诊断

科学领域:

• 机器人和自动化机器人与自动化
• 海洋工程 海洋工程
• 人工智能的人工智能

背景情况:

• 自主水下车辆 (AUV) 对于深海勘探至关重要,但易受意外故障造成的事故的影响.
• 传统的故障诊断模型因静态训练数据集而难以应对动态的深海环境.
• 在不可预测条件下运行的AUV中,适应性故障诊断的需要至关重要.

研究的目的:

• 开发一个增量学习模型,使AUV能够适应新的故障场景,同时保留先前的知识.
• 引入RM-MFKAN模型,用于在深海勘探AUV中加强故障诊断.
• 提高AUV在动态海洋环境中的安全性和运行可靠性.

主要方法:

• 彩虹记忆 (RM) 框架用于分析数据特征和时间序列,区分旧任务和新任务.
• 数据重要性评估从之前的任务中选择和存储关键样本,以保存关键信息.
• 该RM框架与增强的KAN网络和用于培训的多分支功能融合神经网络集成.

主要成果:

• 在"海泽"数据集上,RM-MFKAN模型在AUV故障诊断方面表现出卓越的性能.
• 该模型成功地适应了新的故障场景,同时保留了先前获得的诊断知识.
• 实验结果验证了拟议的增量学习方法的有效性.

结论:

• RM-MFKAN模型为AUV的连续故障诊断提供了一个强大的解决方案.
• 这种方法提高了AUV在挑战深海勘探任务中的适应性和可靠性.
• 该研究强调了增量学习在提高自主海洋系统安全方面的潜力.