面向实时伺服电机过载故障检测的嵌入式卷积神经网络新变换方法
机器学习
2023-04-11 v1
摘要
直流伺服电机中的过载是工业界的一大关切，因为许多企业面临缺乏专业操作员的问题，且人工监测可能并非有效解决方案。因此，本文提出一种嵌入式人工智能（AI）方法，使用卷积神经网络（CNN）并借助一种新变换从实时输入信号中提取故障，无需人工干预。我们的主要目的是从输入信号中提取尽可能多的特征，以获得宽松的数据集，从而构建高效而紧凑的网络，即便在低内存微控制器中也能提供实时故障检测。此外，除故障检测方法外，还提出一种同步双电机系统以在故障事件中采取行动。为实现此目标，监测每台直流伺服电机输出电流的二维输入信号，并将其变换为三维数据栈，随后将 CNN 部署于处理器以检测任何对应于过载的故障，最终实验装置结果对近 8000 参数的模型在测试中达到 99.9997% 准确率。另外，所提双电机系统可实现过载降低并提供容错系统，且显示该系统还具有能耗更低的优势。
引用
@article{arxiv.2304.04005,
title = {A new transformation for embedded convolutional neural network approach toward real-time servo motor overload fault-detection},
author = {Seyed Mohammad Hossein Abedy Nejad and Mohammad Amin Behzadi and Abdolrahim Taheri},
journal= {arXiv preprint arXiv:2304.04005},
year = {2023}
}