一个AM-CNN-BiGRU网络与时空特征融合,用于工业机器人的预测性维护
Zihao Zang1,2, Yiwen Zhang1,2, Shouxin Ruan3
1School of Mechanical and Electrical Engineering, Changchun University of Science and Technology, Changchun, 130022, China.
Scientific reports
|December 30, 2025
概括
本研究介绍了一种用于工业机器人的先进预测性维护 (PdM) 方法,使用基于注意力的卷积神经网络-BiGRU (AM-CNN-BiGRU) 模型. 这种新的方法通过整合多源传感器数据以提高可靠性,有效地预测机器人故障.
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:
- 工业机器人经常因老化,重型运行负载和恶劣环境而出现故障.
- 预测性维护 (PdM) 对于减轻停机时间和确保运营连续性至关重要.
- 现有的PdM方法可能无法完全捕捉工业机器人系统中复杂的故障模式.
研究的目的:
- 为工业机器人开发和验证一种新的PdM方法.
- 提高工业机器人系统中故障预测的准确性和可靠性.
- 为了有效地整合多源传感器数据,以进行可靠的故障检测.
主要方法:
- 提出了一种混合深度学习模型,AM-CNN-BiGRU,它结合了卷积神经网络 (CNN) 用于空间特征提取和双向门循环单元 (BiGRU) 用于时间依赖学习.
- 多源传感器数据 (振动,电流,扭矩) 被合并为CNN输入的独立通道.
- 纳入了注意力机制 (AM),以适应权重不同的数据源,改善关键故障标志的识别.
- 狮子优化器被用来训练深度学习模型.
主要成果:
- AM-CNN-BiGRU模型在预测工业机器人故障方面表现出卓越的性能.
- 对比实验表明,AM-CNN-BiGRU的表现优于其他最先进的时间序列预测算法.
- 该模型在关键评估指标中取得了最佳结果:R2,平均绝对误差 (MAE),平均绝对百分比误差 (MAPE) 和根平均平方误差 (RMSE).
结论:
- 拟议的AM-CNN-BiGRU模型对于工业机器人的预测性维护是有效和可靠的.
- 整合CNN,BiGRU和注意力机制使强大的特征提取和数据融合成为准确的故障预测.
- 这项研究为工业机器人健康监测和维护领域做出了重大贡献.
