Нейросетевой подход к мониторингу состояния промышленных роботов-манипуляторов

Автор: Кожевников Михаил Михайлович

Журнал: Космические аппараты и технологии.

Рубрика: Робототехника и мехатроника

Статья в выпуске: 1 (3), 2013 года.

Бесплатный доступ

Предложен новый метод мониторинга состояния промышленных роботов-манипуляторов, основанный на анализе результатов идентификации параметров динамической модели при помощи нейронных сетей. Получены аналитические выражения, позволяющие минимизировать влияние погрешностей квантования на точность идентификации. Эффективность предложенного метода подтверждается примерами практического применения в промышленной системе мониторинга.

Мониторинг состояния, роботы-манипуляторы, нейронные сети

Короткий адрес: https://readera.org/14117287

IDR: 14117287

Список литературы Нейросетевой подход к мониторингу состояния промышленных роботов-манипуляторов

  • Anagun A. S. A neural network applied to pattern recognition in statistical process control//Proceedings of the 23rd International Conference on Computers and Industrial Engineering. Chicago, IL, 1998. P. 185-188.
  • Basseville M., Nikiforov I. V. Detection of abrupt changes: theory and applications. Englewood Cliffs, NJ: Prentice-Hall, 1993.
  • Chang S. I. An Integrated Scheme for Process Monitoring and Diagnosis', Proceedings. of ASQC 49th Annual Quality Congress. Cincinnati, OH, 2000. P. 725-732.
  • Cheng C.S. A neural network approach for the analysis of control chart patterns//International Journal of Production Research. 1997. № 35. P. 667-697.
  • Dash S., Venkatasubramanian V. Challenges in the industrial applications of fault diagnostic systems//Proceedings of the conference on Process Systems Engineering. Keystone, Colorado, 2000. P. 785-791.
  • Frank P. Fault diagnosis in dynamic systems using analytical knowledge-based redundancy -a survey and some new results//Automatica. 1990. № 26(3). P. 459-474.
  • Grant E. L., Leavenworth R. S. Statistical quality control. New York: McGraw-Hill, 1996.
  • Hwarng H. B., Hubele N. F. X-bar control chart pattern identification through efficient off-line neural network training//IIE Transactions. 1993. № 25. P. 27-40.
  • Kulikov G. G., Breikin, T. V., Arkov V. Y., Fleming, P. J. Real-time simulation of aviation engines for FADEC test-beds//Proceedings of the International Gas Turbine Congress. Kobe, Japan, 1999. P. 949-952.
  • Lucy-Bouler T.L. Application to forecasting of neural network recognition of shifts and trends in quality control data//Proceedings of WCNN'93-World Congress on Neural Networks. Portland, UK, 1993. P. 631-633.
  • Montgomery D. C. Introduction to Statistical Quality Control. New York: John Wiley and Sons, Inc. 1996.
  • Patton R. J., Frank P. M., Clark R. N. Fault Diagnosis in dynamic systems: Theory and Applications. Prentice Hall, 1989.
  • Pham D. T., Oztemel E. Control chart pattern recognition using learning vector quantization networks//International Journal of Production Research. 1994. № 32. P. 721-729.
  • Tsung F. Statistical Monitoring and Diagnosis of Automatic Controlled Processes Using Dynamic PCA//International Journal of Production Research. 2000. № 38. P. 625.
Еще
Статья научная