깊은 잔여 신경

May 26, 2023

Scientific Reports 12권, 기사 번호: 17158(2022) 이 기사 인용

1249 액세스

1 인용

1 알트메트릭

측정항목 세부정보

Resnet 기반의 결함 진단 방법을 도입한 DRNN(Deep Residual Neural Network)을 이용한 데이터 기반 방법 기반의 로봇 관절 결함 진단 방법을 제안한다. 제안된 방법은 주로 센서와 액츄에이터 각각의 이득 오류, 오프셋 오류, 오작동과 같은 종류의 오류 유형을 다룹니다. 첫째, 작은 컨볼루션 코어를 적층하고 코어 크기를 늘려 심층 잔차 네트워크 장애 진단 모델을 도출한다. 한편, 가우스 백색 잡음은 제안된 심층 잔류 네트워크에 대한 잡음 내성을 검증하기 위해 결함 데이터 세트에 주입됩니다. 또한 지원 벡터 머신(SVM), 인공 신경망(ANN), 컨볼루션 신경망(CNN), 장기 기억 신경망(LTMN), 심층 잔차 신경망(DRNN) 등 다양한 결함 진단 방법을 시뮬레이션합니다. 비교 결과, 시뮬레이션 결과는 DRNN을 사용하는 로봇 시스템의 결함 진단 정확도가 더 높음을 보여주며, DRNN은 모델 훈련 시간이 더 적게 필요하다는 것을 보여줍니다. 시각화 분석을 통해 제안된 로봇 관절 센서 및 액츄에이터 결함 진단 방법의 DRNN 기법의 타당성과 유효성을 입증하였다.

최근 산업용 로봇은 자동차 생산 라인, 항공우주, 통신, 가전제품1,2,3 등 다양한 응용 분야에서 널리 사용되고 있습니다. 메카트로닉스 기술의 대표주자인 로봇 관절 모듈은 중공 모터, 서보 드라이버, 하모닉 감속기, 브레이크, 엔코더 등 수많은 구성 요소를 제한된 공간에 통합합니다4. 로봇 관절의 복잡하고 변화무쌍한 작업 환경을 고려하면, 각종 결함이 발생하는 것은 불가피합니다. 결함이 발생하기 전에 결함 진단 메커니즘이 없으면 생산 효율성, 제품 품질에 영향을 미치고 심지어 인명까지 위험에 빠뜨릴 수 있습니다. 따라서 결함을 빠르고 정확하게 감지하고 위치를 찾는 것이 가장 시급한 일입니다5.

연구자들은 수년 동안 로봇 관절의 결함 검출 및 결함 허용 제어에 집중해 왔으며, 하드웨어 중복성 및 이론적 분석 기반 결함 진단 방법을 포함하여 실용적인 결함 진단 방법을 많이 제안했습니다.

이론적 분석 기반의 로봇 관절 결함 진단 방법 중 관찰자가 널리 사용됩니다6,7. 슬라이딩 모드 방식의 빠른 수렴 특성으로 인해 설계된 대로 오류가 감쇠될 수 있으므로 관찰자의 신속성을 보장하므로 로봇 관절 결함 진단의 모든 곳에 사용됩니다8,9. 또한 백스테핑 알고리즘, Takagi-Sugeno 방법 및 Luenberger 관찰자도 결함 진단에 적용됩니다. 그러나 대부분의 산업용 로봇은 외란이나 소음의 영향을 받기 때문에 로봇 고장진단 시 외란의 영향을 고려할 필요가 있다. 로봇 시스템에 있어서 가장 먼저 떠오르는 것은 외란 관측기의 설계이다. 외란 관측기 설계 방법에는 출력 피드백 방법13, 비선형 외란 관측기14, 피드백 선형화 외란 관측기 설계 방법8 등 여러 가지 방법이 있습니다.

그러나 관찰자 기반의 로봇 관절 결함 진단 방법의 가장 까다로운 문제는 관찰자의 이득을 설계하기가 매우 어렵다는 점이다. 현재 관측기 이득 설계에서는 비용함수를 먼저 결정하고, 비용함수를 최소화하는 관측기 이득을 선택한다. 위의 설계 프로세스는 이득 값의 범위를 확장하며 이는 관찰자의 성능에 큰 영향을 미칩니다. 관찰자의 안정성도 중요한 고려 사항이며, 이는 찾기가 매우 어려운 Lyapunov 기능에 의해 대부분 보장됩니다15.

관찰자 기반 로봇 고장진단 시스템의 이득 설계의 어려움으로 인해 중복 센서 기반의 로봇 고장진단 연구가 활발해지고 있다. 센서의 개발 덕분에 감지 요소, 액추에이터 및 전원 공급 장치가 통합된 센서는 자기 감지 칩, 속도 측정 및 중력 측정 요소16와 같은 큰 혁신을 이루었으며 로봇 관절 결함 진단 시스템에서 매우 중요한 피드백 구성 요소가 되었습니다. .