基于增强分位数回归与脉冲神经网络的长期系统健康预测
机器人学
2025-01-10 v1 机器学习
摘要
本文提出一种新颖的预测性维护框架，以增强分位数回归神经网络（EQRNN）为核心，用于预测工业机器人系统故障。我们通过一种结合先进神经架构的混合方法来解决早期故障检测的挑战。该系统利用双计算阶段：首先实现针对处理多传感器数据流（包括振动、热和功率特征）优化的EQRNN，随后集成脉冲神经网络（SNN）层，实现微秒级响应时间。该架构在组件故障预测中达到了92.3%的显著准确率，并具有90小时的提前预警窗口。在50个机器人系统上进行的工业规模现场测试表明，意外系统故障减少了94%，维护相关停机时间减少了76%。该框架在处理复杂多模态传感器数据的同时保持计算效率的有效性，验证了其在工业4.0制造环境中的适用性。
引用
@article{arxiv.2501.05087,
title = {Enhanced Quantile Regression with Spiking Neural Networks for Long-Term System Health Prognostics},
author = {David J Poland},
journal= {arXiv preprint arXiv:2501.05087},
year = {2025}
}