Tiefer neuronaler Rest

May 26, 2023

Wissenschaftliche Berichte Band 12, Artikelnummer: 17158 (2022) Diesen Artikel zitieren

1249 Zugriffe

1 Zitate

1 Altmetrisch

Details zu den Metriken

Es wird eine datengesteuerte Methode zur Diagnose von Robotergelenkfehlern unter Verwendung eines tiefen neuronalen Restnetzwerks (DRNN) vorgeschlagen, wobei eine auf Resnet basierende Fehlerdiagnosemethode eingeführt wird. Die vorgeschlagene Methode befasst sich hauptsächlich mit Fehlertypen wie Verstärkungsfehler, Offsetfehler und Fehlfunktion sowohl für Sensoren als auch für Aktoren. Zunächst wird ein Diagnosemodell für tiefe Restnetzwerkfehler abgeleitet, indem kleine Faltungskerne gestapelt und die Kerngröße erhöht werden. In der Zwischenzeit wird das Gaußsche weiße Rauschen in den Fehlerdatensatz eingefügt, um die Störfestigkeit für das vorgeschlagene tiefe Restnetzwerk zu überprüfen. Darüber hinaus wird eine Simulation durchgeführt, bei der verschiedene Fehlerdiagnosemethoden einschließlich Support Vector Machine (SVM), künstliches neuronales Netzwerk (ANN), Convolutional Neural Network (CNN), Long-Term Memory Network (LTMN) und Deep Residual Neural Network (DRNN) zum Einsatz kommen. werden verglichen, und die Simulationsergebnisse zeigen, dass die Genauigkeit der Fehlerdiagnose für Robotersysteme, die DRNN verwenden, höher ist, während DRNN gleichzeitig weniger Zeit für das Modelltraining benötigt. Die Visualisierungsanalyse bewies die Machbarkeit und Wirksamkeit der vorgeschlagenen Methode zur Fehlerdiagnose von Robotergelenksensoren und -aktuatoren mithilfe der DRNN-Methode.

In jüngster Zeit werden Industrieroboter häufig in vielen Anwendungen eingesetzt, beispielsweise in der Automobilproduktion, in der Luft- und Raumfahrt, in der Kommunikation und in der Unterhaltungselektronik1,2,3. Als herausragender Vertreter der Mechatronik-Technologie integriert das Robotergelenkmodul eine große Anzahl von Komponenten, darunter Hohlmotor, Servotreiber, Oberschwingungsreduzierer, Bremse und Encoder, auf engstem Raum4. Angesichts der komplexen und veränderlichen Arbeitsumgebung von Robotergelenken ist es unvermeidlich, dass Fehler dieser Art auftreten. Wenn es keinen Fehlerdiagnosemechanismus gibt, bevor ein Fehler auftritt, beeinträchtigt dies die Produktionseffizienz und die Produktqualität und setzt sogar Menschenleben in Gefahr. Daher ist die schnelle und genaue Erkennung und Lokalisierung von Fehlern das Wichtigste5.

Forscher konzentrieren sich seit vielen Jahren auf die Fehlererkennung und fehlertolerante Steuerung von Robotergelenken und haben viele praktische Fehlerdiagnosemethoden vorgeschlagen, darunter Hardware-Redundanz und theoretische, analysebasierte Fehlerdiagnosemethoden.

Unter den auf theoretischer Analyse basierenden Methoden zur Fehlerdiagnose von Robotergelenken ist der Beobachter weit verbreitet6,7. Aufgrund der schnellen Konvergenzcharakteristik der Sliding-Mode-Methode kann der Fehler wie vorgesehen abgeschwächt werden. Daher gewährleistet es die Schnelligkeit des Beobachters und wird daher überall bei der Diagnose von Robotergelenkfehlern verwendet8,9. Darüber hinaus werden zur Fehlerdiagnose auch der Backstepping-Algorithmus, die Takagi-Sugeno-Methode sowie der Luenberger-Beobachter eingesetzt10,11,12. Da die meisten Industrieroboter jedoch durch Störungen oder Lärm beeinträchtigt werden, müssen die Auswirkungen von Störungen bei der Roboterfehlerdiagnose berücksichtigt werden. Bei einem Robotersystem fällt mir als Erstes der Entwurf eines Störungsbeobachters ein. Es gibt viele Methoden für den Entwurf von Störungsbeobachtern, z. B. die Ausgangsrückkopplungsmethode13, den nichtlinearen Störungsbeobachter14 und die Entwurfsmethode für Störungsbeobachter mit Rückkopplungslinearisierung8.

Das schwierigste Problem der beobachterbasierten Methode zur Diagnose von Robotergelenkfehlern besteht jedoch darin, dass der Gewinn des Beobachters sehr schwer zu entwerfen ist. Derzeit sollte beim Entwurf der Beobachterverstärkung zunächst die Kostenfunktion bestimmt und die Beobachterverstärkung so ausgewählt werden, dass die Kostenfunktion minimiert wird. Der obige Entwurfsprozess erweitert den Bereich für den Wert der Verstärkung, was einen großen Einfluss auf die Leistung des Beobachters hat. Die Stabilität des Beobachters ist ebenfalls ein wichtiger Gesichtspunkt und wird größtenteils durch die Lyapunov-Funktion garantiert, die sehr schwer zu finden ist15.

Die Schwierigkeit beim Verstärkungsdesign in beobachterbasierten Roboterfehlerdiagnosesystemen fördert die Erforschung der Roboterfehlerdiagnose auf der Grundlage redundanter Sensoren. Dank der Entwicklung von Sensoren haben Sensoren, die in Detektionselemente, Aktoren und Stromversorgung integriert sind, einen großen Durchbruch erzielt, wie z. B. magnetische Detektionschips, Geschwindigkeitsmess- und Schwerkraftmesselemente16, und sie sind zu sehr wichtigen Feedback-Komponenten im Diagnosesystem für Gelenkfehler von Robotern geworden .

Mit einem dreidimensionalen Gyroskop wird die Bewegung des Objekts gemessen. Für ein Robotergelenksystem mit sechs Freiheitsgraden werden kostengünstige MEMS-Magnet-, Winkelgeschwindigkeits- und Schwerkraftsensoren verwendet, um den Gelenkwinkel eines rotierenden Manipulators abzuschätzen17. Der Sensor wird an jeder Position der Manipulatorverbindung in jeder Lage installiert, und die Lage- und Positionsinformationen des Gelenksystems werden von den oben genannten Lagemesssensoren erfasst.

Das auf redundanten Sensoren basierende Roboter-Fehlerdiagnosesystem erhöht jedoch nicht nur die strukturelle Komplexität, sondern auch die Hardwarekosten des Systems. Darüber hinaus erhöhen zusätzliche Sensoren auch die Möglichkeit eines Sensorausfalls im System. Mit der Entwicklung der künstlichen Intelligenz wird die datengesteuerte Fehlerdiagnosemethode entwickelt. Ein Robotersystem, das auf einer datengesteuerten Methode basiert, muss lediglich mithilfe von Fehlerdaten trainiert werden, die bei einem Fehler im Robotersystem leicht erfasst werden können, sodass keine Notwendigkeit besteht, redundante Sensoren zu verwenden.

Die Methode des neuronalen Netzwerks (NN) bietet die Vorteile einer massiv parallelen, verteilten Verarbeitung, Selbstorganisation und Selbstlernfähigkeit und ist daher bei der Fehlerdiagnose sehr beliebt18,19,20. Der Hauptstrom von NN umfasst Basic Perceptron, Feed-Forward NN (FFNN), Long Short-Term Memory (LSTM), CNN und RNN usw.21,22,23. Perceptron ist die ursprünglichste Version von NN, bei dem es sich lediglich um ein einfaches Neuron handelt. Da tatsächliche Probleme mehr Neuronen benötigen, um an der Berechnung teilzunehmen, werden Netzwerke vorgeschlagen, die aus vielen Neuronen bestehen, die im herkömmlichen Sinne das NN sind. Es gibt viele Varianten des NN. Zhang verwendete mehrschichtiges FFNN zur mechanischen Fehlerdiagnose24. R. Sánchez untersuchte Stirnradgetriebe mit künstlicher NN mit Feed-Forward-Back-Propagation, um eine Fehlererkennung und -klassifizierung zu realisieren25. Kürzlich untersuchte Khouloud LSTM zur Fehlererkennung bei reflektierenden Fasern, wodurch die Betriebs- und Wartungskosten gesenkt wurden26. Albert probierte auch das neuronale LSTM-Netzwerk für die Fehlerdiagnose von Photovoltaikanlagen aus und realisierte eine automatische Merkmalsextraktion. Um die Fähigkeit des neuronalen Netzwerks zur Merkmalsextraktion zu verbessern, wird außerdem eine Faltungsoperation eingesetzt, bei der ein Faltungskern verwendet wird, um die gesamte Abbildung zu scannen27. Chen recherchierte bei CNN zur Diagnose von Lagerfehlern28. Bo verwendete eine adaptive Etikettenausbreitungstechnik in Kombination mit einem tiefen Faltungs-Variations-Autoencoder, um eine Fehlerdiagnose zu ermöglichen29. Allerdings kann ein reguläres NN aufgrund der einfachen Struktur dieses Netzwerks nicht die ausreichenden Informationen extrahieren, die von der Fehlerdiagnosearchitektur benötigt werden. FFNN benötigt umfangreiche Datensätze, um alle Situationen abzudecken, andernfalls kann es fehlschlagen. Die Matrixberechnung von CNN ist komplex, insbesondere bei mehrschichtigen NN-Strukturen. Darüber hinaus steht CNN vor einem schwerwiegenden Problem, nämlich dem Gradientenverlust bei der Parameteraktualisierung durch Rückausbreitung.

Um den Gradientenverlust beim Parameteraktualisierungsprozess zu überwinden, wird das RNN zur Fehlerdiagnose des Roboteraktuators verwendet. Die Ausgabe der letzten Schicht wird an die nächste weitergeleitet, wodurch das Problem des Gradientenverlusts gelöst wird, das beim Deep Learning NN besteht. Ein mehrskaliges Cluster-Graph-Faltungsnetzwerk mit Mehrkanal-RNN wird in30 vorgeschlagen. Die Diagnose von Motorfehlern unter instationären Bedingungen wird in31 untersucht. Außerdem wird in32 die Ortung von Lagerfehlern mithilfe von RNN untersucht. Diese wissenschaftliche Forschung zur Fehlerdiagnose von Robotern mithilfe von RNN hat die eingereichten Roboteranwendungen erheblich bereichert. Chen erläuterte ausführlich die Anwendung von RNN in mehreren Domänen33, und die Fehlerdiagnose der Lagermechanik in unbekannten Situationen ist ebenfalls ein Hotspot.

Allerdings konzentriert sich die bestehende NN-Fehlerdiagnose meist auf den mechanischen Fehler von Roboteraktoren, ohne gleichzeitig die Fehlerklassifizierung von Sensoren und Aktoren zu berücksichtigen. Sowohl die Sensoren als auch die Aktoren des Roboters können konstante Abweichungen und konstante Verstärkungsfehler aufweisen, und die Sensoren werden durch Rauschen stark gestört. Darüber hinaus ist der Unterschied der Fehlerdaten zwischen den Sensoren und dem Aktor sehr gering und die Verwendung herkömmlicher NN-Methoden führt zu einer geringen Identifikationsgenauigkeit und langen Schulungs- und Diagnosezeiten.

Als Erweiterung unserer bisherigen Forschung in34 wird in diesem Artikel eine datengesteuerte Methode zur Diagnose tiefer neuronaler Restfehler im Robotergelenksystem vorgeschlagen. Es deckt viele Arten von Fehlern ab, einschließlich Sensor- und Aktorfehler. Darüber hinaus sind die Fehler für Sensor und Aktor detailliert gruppiert. Zunächst wird ein tiefes neuronales Restnetzwerk unter Verwendung eines kleinen Faltungskerns zur Fehlerdiagnose aufgebaut. Anschließend wird von MATLAB erhaltenes Gaußsches weißes Rauschen in den Fehlerdatensatz injiziert, um die Rauschimmunität für das vorgeschlagene tiefe Restnetzwerk zu überprüfen. Abschließend werden die Machbarkeit und Wirksamkeit der vorgeschlagenen Methode zur Diagnose tiefer Restfehler im Netzwerk für die Fehlerdiagnose von Robotergelenksensoren und -aktuatoren durch Simulation nachgewiesen. Die Hauptbeiträge dieser Arbeit sind wie folgt.

(1) Die Fehlerrückmeldungsdaten von Robotersensoren und Aktoren sind sehr ähnlich, was aus unserer vorherigen Forschung hervorgeht [Dies ist der Artikeltitel unserer vorherigen Forschung und sollte als Referenz angegeben werden], sodass dies zu mehrdeutigen Datenmerkmalen führen kann Grenze und dies führt zu einer geringen Diagnosegenauigkeit. Das DRNN wird übernommen und die Diagnosearchitektur ist gut konzipiert, um Gradientenverluste zu eliminieren.

(2) In diesem Artikel wird eine Datenfusionsmethode für Robotersensor- und Aktuator-Feedbacksignale beschrieben. Dabei wird davon ausgegangen, dass das Gaußsche weiße Rauschen den realen Betriebszustand simuliert. Die Fehlerdiagnose des Roboters mithilfe fusionierter Daten vereinfacht die Dimensionierung der Eingabe.

(3) Es werden umfassende Vergleichsexperimente durchgeführt, bei denen die derzeit gängigen NN-Methoden übernommen werden, um ihre Wirksamkeit zu zeigen und mit DRNN zu vergleichen. Die Ergebnisse zeigen, dass DRNN eine schnellere Konvergenzgeschwindigkeit und eine höhere Genauigkeit aufweist.

Dieses Papier ist wie folgt aufgebaut: Das Modell des Robotergelenks wird in Teil II erstellt und der Fehlerdatensatz wird gemäß dem Fehlermodell im ersten Teil erhalten. Anschließend wird in Teil III das Grundprinzip von DRNN vorgestellt. In Teil IV werden Simulationen und analytische Visualisierung der Fehlerklassifizierungsergebnisse durchgeführt. Der Autor fasst die Forschungsergebnisse am Ende dieses Artikels zusammen.

Das dynamische Modell des Robotergelenks wird aus energetischer Sicht durch die Lagrange-Balance-Methode erstellt35.

wobei \(\tau\) der Vektor für das Drehmoment mit der Dimension n ist, \(q,\dot{q},\ddot{q} \in R^{n}\) Zustandsvariablen der Winkelposition und Winkelgeschwindigkeit sind und Winkelbeschleunigung, \(D(q)\) und \(C(q,\dot{q})\) sind quadratische Matrizen mit der Dimension n, bezeichnen Trägheitsmatrix bzw. Coriolis-Kraftmatrix, \(G(q) \in R^{n}\) ist der Schwerkraftmomentvektor.

Lassen Sie Position und Geschwindigkeit der Gelenke die Zustandsvariablen sein und verwenden Sie die Variablensubstitution \(x = [x_{1} \quad x_{2} ]^{T} = [q\quad \dot{q}]^{T} \), dann könnte (Gleichung 1) umgeschrieben werden als

wobei \(x\) die Zustandsvariablen für \(S_{1}\), \(y\) die Systemausgabe und \(f(q,\dot{q},\tau)\) das System ist Kopplungsterm und die spezifischen Werte der Matrix \(A\),\(B\) und \(E\) sind wie folgt.

Fehler im Roboter-Gelenkaktuator lassen sich grob in zwei Kategorien einteilen, je nach dem Mechanismus beim Auftreten von Gelenkfehlern: multiplikative Fehler und additive Fehler.

Für \(S_{1}\) könnte das System (Gleichung 2) wie folgt geschrieben werden, wenn der Aktuator einen multiplikativen Fehler aufweist

wobei \(\rho \in [0,1][0,1]\) der effektive Faktor des Aktors ist. Eine Null von \(\rho\) bedeutet, dass der Aktuator vollständig kaputt ist, während eine Eins bedeutet, dass er sehr gut funktioniert.

Zusätzlich zum effektiven Faktor \(\rho\) kann es einen zusätzlichen Drehmoment-Offset-Fehler geben, der in der folgenden Gleichung dargestellt werden könnte.

Dabei ist \(f_{a}\) die Aktuatorausfallfunktion und ihr Wert korreliert positiv mit dem Grad der Beschädigung.

Jetzt würden sowohl \(\rho\) als auch \(f_{a}\) entscheiden, welche Art von Fehlern der Aktuator derzeit hat. Durch weitere Unterteilung der Fehler können die folgenden vier Fehlermodelle erstellt werden.

ErrA1: Konstantabweichungsfehler des Stellantriebs.

ErrA2: Konstantverstärkungsfehler des Aktors.

ErrA3: Der Aktuator steckt vollständig fest.

ErrA4: Der Aktuator ist komplett kaputt.

Tabelle 1 fasst die oben genannten Aktorfehlertypen zusammen.

Ähnlich wie der Fehler des Robotergelenkaktuators kann der Sensorfehler in vier Gruppen eingeteilt werden: Fehler durch konstante Abweichung, Fehler durch konstante Verstärkung und Fehler durch hängengebliebenes Verhalten sowie vollständig defekter Sensor. Sensoren werden zur Erkennung des Systemzustands verwendet, sodass sich ein Sensorausfall direkt auf die Zustandsrückmeldung des Systems auswirkt, was bedeutet, dass die Ausgabe des Systems direkt beeinflusst wird.

Hier werden vier Arten von Sensorfehlern aufgelistet und entsprechende mathematische Formeln abgeleitet.

ErrS1: Konstantabweichungsfehler des Sensors.

wobei \(f_{b}\) die Sensorausfallfunktion mit der gleichen Dimension von \(x\) ist. \(f_{b}\) korreliert positiv mit dem Schadensgrad.

ErrS2: Konstantverstärkungsfehler des Sensors.

wobei \(\lambda\) der effektive Faktor des Sensors ist.

ErrS3: Der Sensor befindet sich am konstanten Ausgangspunkt.

Wenn dies geschieht, bedeutet das, dass der Sensor nicht reagiert, wenn sich das Robotergelenk bewegt.

ErrS4: Der Sensor befindet sich am Nullausgangspunkt.

Der effektive Faktor des Sensors ist Null, was bedeutet, dass der Sensor nicht mehr funktioniert. Die Aktuator- und Sensorfehler werden miteinander kombiniert und unter Berücksichtigung von (Gleichung 1) und (Gleichung 2) ergibt sich der Ausdruck nach der Integration in (Gleichung 5).

Das Modell des Robotergelenksteuerungssystems wird von MATLAB/Simulink erstellt, wie in Abb. 1 dargestellt. Die Gesamtsimulationszeit ist auf 40 s eingestellt und die Abtastfrequenz beträgt 100 Hz.

Modell eines Robotergelenksteuerungssystems.

Im Vergleich zum gemeinsamen Sensorfehlermodell und Aktuatorfehlermodell in (Gleichung 5) wirken sie sich auf unterschiedliche Weise auf das System aus. Durch die Modellableitung und -transformation kann der Sensorfehler jedoch durch den Filter erster Ordnung in einen Aktuatorfehler umgewandelt werden, was das Analyseverfahren vereinfacht. Um mithilfe des erfassten Fehlerdatensatzes möglichst viele Informationen wiederzugeben, werden die Sensor- und Aktuatorfehlerdaten gemäß der folgenden Formel vorverarbeitet.

Dabei bezeichnet \(Fault\) den benötigten Fehlerdatensatz, \(\Delta Sensor\) stellt die Differenz zwischen Sensorausgang und Einstellungen dar, \(Actuator\) ist der Ausgang des Aktors, \(a\) und \(b\) sind Sensor- bzw. Aktorfehlerkoeffizienten. Element \(Rauschen\) stellt das Gaußsche weiße Rauschen dar und wird mit Sensor- und Aktuator-Feedbacksignalen ergänzt, und drei davon bilden die Fehlersignale, um die Rauschimmunitätsfähigkeit des RNN zu überprüfen.

In unserer Studie werden Fehlertypen sowohl für den Sensor als auch für den Aktor berücksichtigt, einschließlich eines Fehlers mit konstanter Verstärkung, eines Fehlers mit konstanter Abweichung, eines Fehlers, der feststeckt, und eines inaktiven Fehlers. Über acht Fehlerarten werden getrennt für Sensor und Aktor untersucht. Darüber hinaus wird auch ein Fehler mit konstanter Abweichung berücksichtigt, der gleichzeitig am Sensor und Aktor auftritt. Tabelle 2 listet alle zehn Arten von Systemtypen einschließlich des Normalzustands auf.

RESNET ist eine Art tiefes CNN und stellt Vorwärtsinformationen durch Residual-Feedforward bereit. Durch RESNET wird nicht nur die Tiefe des Netzwerks erweitert, sondern auch das Phänomen des Verschwindens des Gradienten bei der Parameteraktualisierung vermieden, wodurch die starke Anpassungsfähigkeit des Netzwerks verbessert wird.

Im Allgemeinen besteht CNN aus fünf Teilen: Faltungsschicht, Stapelstandardisierung, aktive Schicht, Pooling-Schicht und Dropout-Schicht. Die gesamte CNN-Architektur besteht aus einer vollständig verbundenen Schicht (FCL), wie in Abb. 2 dargestellt.

Diagramm für das CNN-Fehlerdiagnosesystem.

Darüber hinaus könnte die CNN-Fehlerdiagnosearchitektur in zwei Teile unterteilt werden: Filter- und Klassifizierungsmodule. Das Filtermodul kann Merkmale aus dem Eingabedatensatz extrahieren, und das Klassifizierungsmodul kann die aus dem Filtermodul extrahierten Merkmale verarbeiten und klassifizieren. Beide Module verwenden einen Parameter-Sharing-Mechanismus und eine spärliche Verbindung, um den Umfang des Modelltrainings zu reduzieren und die Trainingseffizienz des Netzwerks zu verbessern36.

Bei der Verwendung von RESNET zur Fehlerdiagnose ist normalerweise eine große Trainingsprobe erforderlich. Zu den herkömmlichen Methoden zur Datensatzverbesserung gehören hauptsächlich: Flip-Transformation, Skalierung, Rotationstransformation, Spiegeltransformation und Translationstransformation37. Für eindimensionale Beispieldaten sind diese Methoden jedoch nicht geeignet. Um die erfassten Robotergelenkfehlerdaten zu erweitern, wird eine Methode zur Verbesserung des gleitenden Abtastdatensatzes vorgeschlagen, wie in Abb. 3 dargestellt.

Schematische Darstellung der Methode zur Datensatzerweiterung.

Es werden die Systemdaten über einen bestimmten Zeitraum abgerufen und jedes Mal, wenn das Netzwerk trainiert werden muss, werden Datenabtastpunkte von \(N_{1}\) verwendet. Unter der Annahme, dass insgesamt \(m*N_{1}\) Daten erhalten werden, könnte das Netzwerk \(m\)-mal gemäß der oben genannten Methode trainiert werden. Um den Nutzungskoeffizienten für Daten zu erweitern, liegt der Startpunkt des zweiten Datensatzes \(h\) weiter hinten als der erste, und der Rest ist ungefähr gleich.

Wenn die Gleitschrittgröße klein ist, was bedeutet, dass \(h\) ziemlich groß ist, können wir mehr Datenproben erhalten, was die Anforderungen von Datensätzen für tiefe Faltungs-Neuronale Netzwerke im Training gut erfüllen kann. Umfassend betrachtet beträgt die hier gewählte Gleitstufe 29.

RESNET ist eine Art tiefes Faltungs-Neuronales Netzwerk. Um die Verwendung von Modellparametern und die Berechnung des Netzwerks zu reduzieren, verwendet dieser Artikel mehrere kleine Faltungskerne und stapelt sie alle. Dadurch wird die Größe des Faltungskerns erhöht, was die Fähigkeit zur Merkmalsextraktion für das Netzwerk verbessert. Die gesamte Struktur unter Verwendung von RESNET bei der Fehlerdiagnose von der Dateneingabe bis zur Fehlerdiagnoseausgabe ist in Abb. 4 dargestellt.

RESNET-Modelldiagramm.

Conv3*1,4,6 in Abb. 4 stellt eine Faltungskerndimension dar, und seine Tiefe beträgt 4, der Gleitschritt beträgt 6. BN, ReLU, GAP und Dense sind Batch-Standardisierung, aktive Schicht, Pooling-Schicht bzw. vollständig verbundene Schicht Abb. 2. Die Struktur des gesamten Netzwerks wird reguliert, um eine Überanpassung zu verhindern. Wenn die Eingabe- und Ausgabedimensionen jedes Faltungsmoduls inkonsistent sind, wird der Restsprung über den virtuellen Kanal ausgeführt, der in Abb. 4 durch die gepunktete Linie dargestellt ist.

Die verwendete Simulationsplattform ist PyCharm in Kombination mit dem Python3.6-Interpreter. Die RESNET-Architektur basiert auf Keras mit Tensorflow als Hintergrund. Tensorflow ist eine End-to-End-Open-Source-Plattform für maschinelles Lernen und verfügt über ein umfassendes und flexibles Ökosystem, das eine Vielzahl von Tools, Bibliotheken und Community-Ressourcen enthält. Keras ist eine von Python geschriebene Open-Source-Bibliothek für künstliche neuronale Netze. Es kann als High-Level-Anwendungsschnittstelle von Tensorflow zum Entwerfen, Debuggen, Bewerten, Anwenden und Visualisieren des Deep-Learning-Modells38 verwendet werden.

Es werden verschiedene in Tabelle 1 aufgeführte Fehlertypen untersucht. Die Fehlerdatensätze werden für jede Art von Sensor- und Aktuatorfehlern erfasst, und wir erhalten 4000 Daten für jede Art von Fehlertyp. In den oben genannten 4000 Datenpunkten sind etwa 216 Datenpunkte enthalten. Es wird die Methode der gleitenden Stichprobenverbesserung verwendet, wie in Abb. 3 dargestellt, und es werden 1000 Proben für jede Art von Fehler entnommen, sodass insgesamt 10.000 Proben untersucht werden, einschließlich eines Datensatzes unter normaler Betriebsumgebung. Die Ergebnisse der Fehlerdiagnose müssen ausgewertet werden, daher werden 1000 Proben im Verhältnis 7:2:1 geteilt, was bedeutet, dass 70 % der Daten für das Training des neuronalen Netzwerks verwendet werden, 20 % für die Validierung und der Rest für testen.

Früheren Untersuchungen zufolge wirken sich Hyperparameter in Deep-Learning-Algorithmen nicht nur auf die Leistung des Algorithmus selbst aus, sondern auch auf die Ausdrucksfähigkeit des trainierten Modells. Es gibt jedoch keine ausgereifte Theorie darüber, wie Hyperparameter eingestellt werden. Derzeit basieren die meisten Hyperparametereinstellungen auf Versuch und Irrtum. Dieses Papier folgt dem Rat von Y.bengio39. Die entsprechenden Hyperparameter werden danach festgelegt, ob diese Hyperparameter die Kapazität des Modells erhöhen oder verringern können.

Bei der Parameteraktualisierung wird die Lernrate des exponentiellen Abfalls verwendet. Zunächst wird eine hohe Lernrate verwendet, um schnell die optimale Lösung zu erhalten, und dann wird die Lernrate schrittweise reduziert, um das Modell in der späteren Trainingsphase stabil zu halten. Die anfängliche Lernrate \(\eta_{0}\) ist auf 0,2 und die Abkling-Lernrate \(\xi\) auf 0,99 eingestellt, sodass die Abklingrate pro Runde aktualisiert wird. Der Ausdruck für die Abklingrate lautet wie folgt.

Dabei bezeichnet \(\eta\) die exponentielle Lernrate, \(H\) steht für die aktuelle Runde und \(L\) ist die Periode, \(Batch\_k\) ist die Anzahl der Iterationen. Wenn ein vollständiger Datensatz das neuronale Netzwerk einmal durchläuft und dann zurückkehrt, wird dieser Vorgang \(Epoch\) genannt und hier setzen wir \(Epoch\) auf 40.

Um die Überanpassung neuronaler Netzwerke zu verringern, wird in diesem Artikel die Regularisierungsmethode \(l_{2}\) verwendet. Bei der Regularisierung wird der Modellkomplexitätsindex in die Verlustfunktion eingeführt und das Rauschen im Trainingsdatensatz durch Gewichtung der Parameter \(w\) im neuronalen Netzwerk unterdrückt. Die Verlustfunktion ist wie folgt.

Dabei stellt \(Loss\_all\) die Verlustfunktion aller Parameter im Modell dar, \(REGULARIZER\) ist das Regularisierungsgewicht, \(w\) bezieht sich im Allgemeinen auf das Gewicht bei der Vorwärtsausbreitung des neuronalen Netzwerks und \(Loss (w)\) ist das Ergebnis der \(l_{2}\)-Regularisierung des Parameters \(w\).

Es wird der Adma-Optimalalgorithmus verwendet und das Verfahren zur Gewichtsaktualisierung ist wie folgt.

Schritt 1: Geben Sie den Iterationsschritt \(\varepsilon = 0,001\) an.

Schritt 2: Legen Sie die Abklingrate für die Matrixberechnung fest,\(\rho_{1} = 0,99,\rho_{2} = 0,999\).

Schritt 3: Bestimmen Sie den Konvergenzschwellenwert \(\delta = 10^{ - 8}\).

Schritt 4: Initialisieren Sie das Netzwerkgewicht \(\theta\), initialisieren Sie die Variablen des ersten und zweiten Moments \(s,r\) und setzen Sie \(s = 0,r = 0\).

Schritt 5: Stellen Sie den Simulationszeitschritt auf 0,0001 ein.

Schritt 6: Ein kleiner Datensatz mit \(m\) Stichproben wird aus dem Trainingssatz gesammelt, verwenden Sie \(\left\{ {x^{{(1)}} ,x^{{(2)}} ,.. .,x^{{\text{(m)}}} } \right\}\) bezeichnet es und setzt entsprechende Ziele \(y^{(i)}\).

Schritt 7: Berechnen Sie die Gradientenvariable \(g \leftarrow \frac{1}{m}\nabla_{\theta } \sum\limits_{i} {L{(}f{(}x^{{{(}i{ )}}} {;}\theta {),}y^{(i)} {)}}\) und aktualisieren Sie die voreingenommene Schätzung des ersten Moments \(s \leftarrow \rho_{1} s + (1 - \rho_ {1} )g\) sowie voreingenommene Schätzung des zweiten Moments \(r \leftarrow \rho_{2} r + (1 - \rho_{2} )g\).

Schritt 8: Korrigieren Sie die Abweichung des ersten Moments \(\hat{s} \leftarrow \frac{s}{{1 - \rho_{1}^{t} }}\) und die Abweichung des zweiten Moments \(\ hat{r} \leftarrow \frac{r}{{1 - \rho_{2}^{t} }}\).

Schritt 9: Berechnen Sie den inkrementellen Gewichtsfehler \(\Delta \theta = - \varepsilon \frac{{\hat{s}}}{{\sqrt {\hat{r}} + \delta }}\) und aktualisieren Sie ihn zum Netzwerkgewicht \(\theta \leftarrow \theta + \Delta \theta\).

Schritt 10: Wenn der Konvergenzschwellenwert in Schritt 3 nicht erreicht wird, kehren Sie zu Schritt 6 zurück und beenden Sie andernfalls den iterativen Prozess.

Maschinelles Lernen ist ein hochgradig empirischer Prozess, der von einer großen Anzahl von Iterationen begleitet wird. Um das am besten geeignete Modell zu finden, ist viel Modelltraining erforderlich. Der Optimierer ist ein Werkzeug, das das neuronale Netzwerk bei der Aktualisierung von Parametern anleitet. Die Verwendung des Optimierungsalgorithmus kann dabei helfen, das Modell schnell zu trainieren und die optimale Lösung zu finden. In diesem Artikel wählen wir den Adma-Optimierungsalgorithmus, der keinen Speicher belegt und ein effizienter Zufallsoptimierungsalgorithmus ist.

Um die Durchführbarkeit und Wirksamkeit der in diesem Artikel verwendeten RESNET-Fehlerdiagnosemethode für die Fehlerdiagnose von Robotergelenksensoren und -aktoren zu überprüfen, werden künstliche neuronale Netzwerke, Support-Vektor-Maschinen, Faltungs-Neuronale Netzwerke, Langzeitspeichernetzwerke und Deep-Residuen-Netzwerkmethoden verwendet werden zur vergleichenden Analyse und Verifizierung verwendet. Die durchschnittliche Genauigkeit und Standardabweichung verschiedener Netzwerktrainingsergebnisse werden in Tabelle 3 verglichen.

Aus Tabelle 3 ist ersichtlich, dass die Fehlererkennungsgenauigkeit der Deep-Learning-Fehlerdiagnosemethode im Vergleich zu herkömmlichen datengesteuerten Fehlerdiagnosemethoden (ANN und SVM) erheblich verbessert ist. Die durchschnittliche Genauigkeit der Netzwerktrainingsergebnisse beträgt bei Verwendung herkömmlicher Fehlerdiagnosemethoden weniger als 70 %, die durchschnittliche Genauigkeit von CNN, LTMN und RESNET beträgt jedoch mehr als 95 %. Mittlerweile beträgt die durchschnittliche Genauigkeit von RESNET sowohl im Trainings- als auch im Testsatz mehr als 99 %, was bedeutet, dass RESNET für die Fehlerdiagnose von Fehlern bei Robotergelenksensoren und -aktoren geeignet und effektiv ist.

Um den Diagnoseeffekt von drei Arten tiefer neuronaler Netze (CNN, LTMN und RESNET) auf Fehler in Robotergelenksensoren und -aktoren weiter zu analysieren, werden die Genauigkeit und die Verlustfunktion jeder Art von Netzen im Trainingssatz und Testsatz ermittelt mit Hilfe von Tensorflow, und die Ergebnisse sind in Abb. 5 und Tabelle 4 dargestellt.

Fehlerdiagnoseergebnisse von drei Arten neuronaler Netze.

Abbildung 5 zeigt die Genauigkeit und den Verlust der Fehlerdiagnose sowohl für Trainings- als auch für Validierungsdatensätze. Die Gründe dafür, dass ein Validierungsverlust besser ist als ein Trainingsverlust, können wie folgt abgeleitet werden. Die Datensätze unter denselben Arbeitsbedingungen werden im Verhältnis 7:2:1 gruppiert, sodass die Validierungsdatensätze nur 20 % aller Datensätze ausmachen. Dies kann zu Genauigkeitsunterschieden führen.

Die Dropout-Schicht im Trainingsprozess. Um die Modelltrainingszeit zu beschleunigen, wird die Dropout-Schicht eingeführt. Während der Dropout in der Validierungsphase nicht funktioniert. Aus der Kombination von Abb. 5 und Tabelle 4 geht hervor, dass die höchste Genauigkeit von CNN im Trainingsdatensatz 99,2 % beträgt und diese Zahl im Testdatensatz 97,3 % beträgt. Die höchste Genauigkeit von LTMN und RESNET im Trainingsdatensatz und Testdatensatz beträgt 100 %, und ihre Genauigkeitskurve ist relativ glatter. Offensichtlich können sowohl LTMN als auch RESNET die Fehlerinformationen aus dem Originaldatensatz besser widerspiegeln und Sensor- und Aktuatorfehler in Robotergelenken genauer beurteilen. Aus Sicht der Trainingszeit benötigt RESNET jedoch 2,5 T, während LTMN 12 T benötigt, was mehr als dem Fünffachen von RESNET entspricht.

Im Vergleich zu anderen datengesteuerten Fehlerdiagnosemethoden weist das in diesem Artikel verwendete tiefe RESNET-Netzwerk daher eine höhere Genauigkeit bei der Fehlerdiagnose von Robotergelenksensoren und -aktoren auf, und die Kosten für die Schulungszeit sind relativ geringer, sodass es praktischer ist.

In Anbetracht der Tatsache, dass der Anfangswert des neuronalen Netzwerks zufällig ist, wird die Kreuzmethode verwendet, um den Fehlerdatensatz zehnmal zu trainieren, um die Ungenauigkeit der Fehlerdiagnoseergebnisse zu vermeiden und die Zuverlässigkeit jedes Trainingsergebnisses zu überprüfen. Die Ergebnisse sind in Abb. 6 dargestellt.

Ergebnis der Kreuzvalidierung.

Wie aus Abb. 6 ersichtlich ist, beträgt die Trainingsgenauigkeit von RESNET in jedem Experiment mehr als 99 %, und die niedrigste Genauigkeit beträgt 99,6 %. Daher kann der Schluss gezogen werden, dass in unserer Studie das RESNET-basierte neuronale Netzwerk die beste Fehlerdiagnosemethode für Robotergelenksensoren und -aktuatoren ist.

Die Visualisierungsanalyse von RESNET wird durchgeführt, um den Zwischenprozess des neuronalen Netzwerks zu untersuchen. Die t-verteilte stochastische Nachbareinbettung (t-SNE) wird verwendet, um die Datendimension der Ausgabe jedes Restblocks in der RESNET-Architektur zu reduzieren. Die Ergebnisse sind in Abb. 7 dargestellt.

Ausgabe des Restblocks.

Abbildung 7a ist das Ergebnis der t-SNE-Visualisierung des Fehlerdatensatzes mit der Einstellung des Signal-Rausch-Verhältnisses auf 10. Abbildung 7b–i entspricht den t-SNE-Visualisierungsergebnissen der Ausgaben der acht Restblöcke in der RESNET-Architektur in Abb. 4. Abbildung 7j ist die endgültige Ausgabe des neuronalen RESNET-Netzwerks. Verschiedene Kurven mit unterschiedlichen Farben in Abb. 7 stellen verschiedene Fehlertypen dar, die in Tabelle 1 aufgeführt sind. Insgesamt 10 Farben entsprechen 9 Fehlern und 1 Gesundheitszustand für das Robotergelenksystem.

Aus Abb. 7 ist ersichtlich, dass mit der Zunahme der Restblöcke die Datenexpressionsfähigkeit des RESNET-Netzwerks schrittweise verbessert wird und schließlich die genaue Klassifizierung von neun Arten von Fehlertypen realisiert wird. Anhand der Ergebnisse der Visualisierungsanalyse von Daten im zweidimensionalen Raum werden die Machbarkeit und Wirksamkeit des in diesem Artikel vorgeschlagenen RESNET-Fehlerdiagnosealgorithmus weiter überprüft.

In diesem Artikel wird eine neuartige RESNET-basierte Fehlerdiagnosemethode für neuronale Netzwerke für Robotergelenksysteme vorgeschlagen. Um das Problem anzugehen, dass der herkömmliche Fehlerdiagnosealgorithmus für Robotergelenke den Fehler nicht genau lokalisieren kann, wird ein datengesteuerter RESNET-Fehlerdiagnosealgorithmus vorgeschlagen. Die Fehlermodelle von Robotergelenksensoren und -aktoren sind so aufgebaut, dass sie verschiedene Fehlerzustände simulieren, um Fehlerdaten erfassen zu können. Nachdem der benötigte Fehlerdatensatz erhalten wurde, wird die durch einen kleinen Faltungskern aufgebaute RESNET-Architektur untersucht. Durch Erhöhen der Restblöcke wird der Faltungskern schrittweise vergrößert, um die Fehlerextraktionsfähigkeit des Modells zu verbessern. Im Vergleich zu anderen datengesteuerten Fehlerdiagnosealgorithmen zeigen Simulationsergebnisse, dass die Genauigkeit der Fehlerdiagnose auf Basis von RESNET mehr als 99 % beträgt, was die höchste aller untersuchten Methoden ist und gleichzeitig die Modelltrainingszeit kürzer ist.

Die in dieser Studie präsentierten Daten sind auf Anfrage beim entsprechenden Autor erhältlich.

Die in dieser Studie präsentierten Daten sind auf Anfrage beim entsprechenden Autor erhältlich.

Burgner-Kahrs, J., Rucker, DC & Choset, H. Kontinuumsroboter für medizinische Anwendungen: Eine Umfrage. IEEE Trans. Roboter. 31(6), 1261–1280 (2015).

Artikel Google Scholar

Gruver, WA Intelligente Robotik in Fertigung, Service und Rehabilitation: Ein Überblick. IEEE Trans. Ind. Elektron. 41(1), 4–11 (1994).

Artikel Google Scholar

Nanjangud, A. et al. Robotik- und KI-gestützte On-Orbit-Operationen mit Kleinsatelliten der zukünftigen Generation. Proz. IEEE 106(3), 429–439 (2018).

Artikel Google Scholar

Kim, JH Mehrachsige Kraft-Momenten-Sensoren zur Messung des Nullmomentpunkts in humanoiden Robotern: Ein Rückblick. IEEE Sens. J. 20(3), 1126–1141 (2019).

Artikel ADS Google Scholar

Zhao, B. et al. Partikelfilter zur Fehlerdiagnose und robusten Navigation von Unterwasserrobotern. IEEE Trans. Steuersystem. Technol. 22(6), 2399–2407 (2014).

Artikel Google Scholar

KIM, MJ et al. Modellfreie Reibungsbeobachter für flexible Gelenkroboter mit Drehmomentmessungen. IEEE Trans. Roboter. 35(6), 1508–1515 (2019).

Artikel Google Scholar

Xie, X., Yue, D. & Park, JH Beobachterbasierte Zustandsschätzung zeitdiskreter Fuzzysysteme basierend auf einem gemeinsamen Schaltmechanismus für benachbarte Zeitpunkte. IEEE Trans. Cybern. 50(8), 3545–3555 (2019).

Artikel Google Scholar

Guo, J. Robuste Tracking-Steuerung eines Gelenks mit variabler Steifigkeit basierend auf Feedback-Linearisierung und Störungsbeobachter mit Schätzfehlerkompensation. IEEE Access 8, 173732–173754 (2020).

Artikel Google Scholar

Capisani, LM et al. Manipulatorfehlerdiagnose über Sliding-Mode-Beobachter höherer Ordnung[J]. IEEE Trans. Ind. Elektron. 59(10), 3979–3986 (2012).

Artikel Google Scholar

Yang, Yueneng & Yan, Ye. Backstepping-Gleitmodussteuerung für unsichere nichtlineare Systeme mit strenger Rückkopplung unter Verwendung einer auf einem neuronalen Netzwerk basierenden adaptiven Verstärkungsplanung. J. Syst. Ing. Elektron. 29(3), 580–586 (2018).

Artikel Google Scholar

Shaker, MS Hybrider Ansatz zum Entwurf eines beobachterbasierten Takagi-Sugeno-FTC für nichtlineare Systeme, die von gleichzeitigen zeitlich variierenden Aktor- und Sensorfehlern betroffen sind. IET-Kontrolltheorie-Appl. 13(5), 632–641 (2019).

Artikel MathSciNet Google Scholar

Bernard, P. & Andrieu, V. Luenberger Beobachter für nichtautonome nichtlineare Systeme. IEEE Trans. Autom. Kontrolle 64(1), 270–281 (2018).

Artikel MathSciNet Google Scholar

Ding, S. et al. Entwurf von Störungsbeobachtern für nichtlineare Systeme, dargestellt durch Eingabe-Ausgabe-Modelle. IEEE Trans. Ind. Elektron. 67(2), 1222–1232 (2019).

Artikel Google Scholar

Yang, X. et al. Störungsbeobachter basierend auf biologisch inspirierter integraler Gleitmodussteuerung zur Trajektorienverfolgung mobiler Roboter. IEEE Access 7, 48382–48391 (2019).

Artikel Google Scholar

Chen, WH et al. Ein nichtlinearer Störungsbeobachter für Robotermanipulatoren. IEEE Trans. Ind. Elektron. 47(4), 932–938 (2000).

Artikel Google Scholar

Ashokaraj, IAR et al. Robuste sensorbasierte Navigation für mobile Roboter. IEEE Trans. Instrument Meins. 58(3), 551–556 (2008).

Artikel Google Scholar

Xu, X. et al. Eine neuartige Methode zur Schätzung des Gelenkwinkels für serielle Manipulatoren unter Verwendung von Mems-Sensoren. IEEE Trans. Ind. Elektron. 67(12), 10610–10620 (2020).

Artikel Google Scholar

Xia, L. et al. Datenassoziationsbasierte Fehlerdiagnose von IMUs: Optimiertes DBN-Design und Bewertung von Radrobotern. IEEE Access 8, 59618–59636 (2020).

Artikel Google Scholar

Talebi, HA & Khorasani, K. Eine auf einem neuronalen Netzwerk basierende multiplikative Aktuatorfehlererkennung und Isolierung nichtlinearer Systeme. IEEE Trans. Steuersystem. Technol. 21(3), 842–851 (2012).

Artikel Google Scholar

Vemuri, AT & Polycarpou, MM Robuste Fehlerdiagnose auf neuronalen Netzwerken in Robotersystemen. IEEE Trans. Neuronales Netz. 8(6), 1410–1420 (1997).

Artikel CAS Google Scholar

Li, H. & Zhang, L. Ein zweistufiges Lernmodell und ein Algorithmus für selbstorganisierende Feed-Forward-Neuronale Netze zur Musterklassifizierung. IEEE Trans. Neuronales Netz. Lernen. Syst. 32(11), 4901–4915 (2020).

Artikel Google Scholar

Paiva, E., Paim, A. & Ebecken, N. Faltungs-Neuronale Netze und Netzwerke mit langem Kurzzeitgedächtnis zur textuellen Klassifizierung von Informationszugriffsanfragen. IEEE Lat. Bin. Trans. 19(5), 826–833 (2021).

Artikel Google Scholar

Gao, Z., Lu, Z., Wang, J., Ying, S. & Shi, J. Ein auf einem Faltungs-Neuronalen Netzwerk und einem Graphen-Faltungsnetzwerk basierendes Rahmenwerk zur Klassifizierung histopathologischer Brustbilder. IEEE J. Biomed. Gesundheitsinformationen. 26(7), 3163–3173 (2022).

Artikel Google Scholar

Bin, Z., Jun, Y. & Wei, Z. Anwendung eines mehrschichtigen Feed-Forward-Neuronalen Netzwerks bei der Fehlerdiagnose basierend auf dem FBP-Algorithmus. 2008 Neunte internationale ACIS-Konferenz über Softwareentwicklung, künstliche Intelligenz, Vernetzung und paralleles/verteiltes Rechnen 117–120 (2008).

Sánchez, R., Arpi A. & Minchala, L. Fehlererkennung und -klassifizierung von Stirnradgetrieben mit einem künstlichen neuronalen Netzwerk mit Feed-Forward-Back-Propagation. 2012 VI Andean Region International Conference 215-215 (2012).

Abdelli, K., Griesser, H., Ehrle, P., Tropschug, C. & Pachnicke, S. Fehlererkennung und -charakterisierung reflektierender Fasern mithilfe des langen Kurzzeitgedächtnisses. J. Opt. Komm. Netw. 13(10), E32–E41 (2021).

Artikel Google Scholar

Appiah, AY, Zhang, IEEE Access 7, 30089–30101 (2019).

Artikel Google Scholar

Chen, J. et al. Multiskaliges Faltungs-Neuronales Netzwerk mit Merkmalsausrichtung zur Lagerfehlerdiagnose. IEEE Trans. Instrument. Mess. 70, 1–10 (2021).

Google Scholar

She, B., Tian, ​​F. & Liang, W. Fehlerdiagnose basierend auf einem Deep Convolutional Autoencoder-Netzwerk. Yi Qi Yi Biao Xue Bao/Chin. J. Sci. Instrument. 39(10), 27–35 (2018).

Google Scholar

Dang, L., Nie, Y., Long, C., Zhang, Q. & Li, G. MSR-GCN: Multiskalige Restgraph-Faltungsnetzwerke für die Vorhersage menschlicher Bewegungen. 2021 IEEE/CVF International Conference on Computer Vision (ICCV) 11447-11456 (2021).

Liu, R., Wang, F., Yang, B. & Qin, SJ Multiskalenkernbasiertes restliches Faltungs-Neuronales Netzwerk für die Diagnose motorischer Fehler unter instationären Bedingungen. IEEE Trans. Ind. Informieren. 16(6), 3797–3806 (2019).

Artikel Google Scholar

Chen, L. et al. Tiefes Restnetzwerk zur gleichzeitigen Identifizierung von Lagerfehlerort und Fehlerschwere. IEEE Access 8, 168026–168035 (2020).

Artikel Google Scholar

Chen, Z. et al. Residual Deep Subdomain Adaptation Network: Eine neue Methode zur intelligenten Fehlerdiagnose von Lagern über mehrere Domänen hinweg. Mech. Mach. Theorie 169, 104635 (2022).

Artikel Google Scholar

Peng, K. Fehlerdiagnose von Sensoren und Aktoren für Robotergelenke basierend auf Deep CNN. Entropy 23, 751 (2021).

Artikel ADS MathSciNet Google Scholar

Vázquez, LA, Jurado, F. & Castañeda, CE Dezentrale neuronale Echtzeitsteuerung über Backstepping für einen Roboterarm, der von industriellen Servomotoren angetrieben wird. IEEE Trans. Neuronales Netz. Lernen. Syst. 29(2), 419–426 (2018).

Artikel MathSciNet Google Scholar

LeCun, Y., Bengio, Y. & Hinton, G. Deep Learning. Nature 521(7553), 436–444 (2015).

Artikel ADS CAS Google Scholar

Wang, J., Mall, S. & Perez, L. Die Wirksamkeit der Datenerweiterung bei der Bildklassifizierung mithilfe von Deep Learning (MITPress, 2017).

Google Scholar

Si, M., Tarnoczi, TJ, Wiens, BM & Du, K. Entwicklung eines prädiktiven Emissionsüberwachungssystems unter Verwendung einer Open-Source-Bibliothek für maschinelles Lernen – Keras: Eine Fallstudie zu einem Blockheizkraftwerk. IEEE Access 7(10), 113463–113475 (2019).

Artikel Google Scholar

Bengio, Y. Praktische Empfehlungen für das gradientenbasierte Training tiefer Architekturen. In Neuralnetworks: Tricks of the Trade (Hrsg. Montavon, G. et al.) 437–478 (Springer, 2012).

Kapitel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom National Key R&D Program of China im Rahmen des Grant 2019YFB1309900 unterstützt.

Institut der School of Automation, Universität für Wissenschaft und Technologie Peking, Peking, 100083, China

Jinghui Pan & Kaixiang Peng

Institut der School of Mechatronic Engineering and Automation, Foshan University, Foshan, 528231, China

Lili Qu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, JP; Methodik, JP, LQ und KP; Software, LQ; Validierung, JP; formale Analyse, KP; Untersuchung, JP und KP; Ressourcen, LQ und KP; Datenerfassung, JP und LQ; Schreiben – Originalentwurfsvorbereitung, JP; Schreiben – Rezension und Bearbeitung, JP und KP; Visualisierung, KP und LQ; Aufsicht, LQ; Projektverwaltung, LQ; Finanzierungseinwerbung, LQ und KP Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und sind damit einverstanden.

Korrespondenz mit Jinghui Pan.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Pan, J., Qu, L. & Peng, K. Methode zur Diagnose von Robotergelenkfehlern auf der Basis tiefer neuronaler Restfehler. Sci Rep 12, 17158 (2022). https://doi.org/10.1038/s41598-022-22171-7

Zitat herunterladen

Eingegangen: 23. Februar 2022

Angenommen: 11. Oktober 2022

Veröffentlicht: 13. Oktober 2022

DOI: https://doi.org/10.1038/s41598-022-22171-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.