迁移学习故障诊断模型

变工况下检测精度99.03%

该模型结合一维多通道卷积神经网络与循环神经网络，通过迁移学习适应机器人关节负载和速度的持续变化，实现高精度在线故障诊断。

Bilal, Hazrat · Obaidat, Mohammad S. · Aslam, Muhammad Shamrooz · Zhang, Jing · Yin, Bao-Qin · Mahmood, Khalid

IEEE Internet of Things Journal 2024

参数信息

故障检测精度

99.03 %

技术优势

变工况下仍高精度

迁移学习使模型能适应负载和转速的持续变化，而传统方法在工况波动时性能下降。

多传感器数据能对齐

时间戳映射方法解决了传感器数据时间戳不一致的问题，确保多通道输入在时间上对齐。

故障模式关联增强迁移

在迁移学习过程中融入不同故障模式之间的内在关系，提升了迁移学习的效果。

应用场景

• 工业机器人：集成到机械臂在线监测系统，实时诊断关节故障并预警，避免非计划停机。
• 物联网与传感网：作为IoRT架构中的诊断模块，处理多源传感数据并给出关节健康状态。
• 先进机器人：为协作机器人等先进机器人提供可靠在线故障诊断，保障人机交互安全。