PSO-ResNet管道机器人 振动信号故障诊断性能分析思维导图
PSO-ResNet管道机器人振动信号故障诊断性能分析
树图思维导图提供 PSO-ResNet管道机器人 振动信号故障诊断性能分析 在线思维导图免费制作，点击“编辑”按钮，可对 PSO-ResNet管道机器人 振动信号故障诊断性能分析 进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：f4e72291a99ed2eaf521454e886e6b83
思维导图大纲
PSO-ResNet管道机器人 振动信号故障诊断性能分析思维导图模板大纲
引言
研究背景
管道检测最可行的解决方案—管道机器人
机器人工作环境恶劣+意外补救代价高
故障检测与诊断技术成为管道机器人发展热点
以神经网络学习为主代的深度学习算法
研究目的
改进现有故障诊断模型，↑准确性和泛化性
研究问题
PSO-ResNet : 结合粒子群优算法和RestNet-50 的深度学习故障检测诊断算法
比较算法在不同单板机上：故障诊断时间&精度&单板机温度，评估得使用英伟达
相关工作
前后对比
传统机器学习故障检测和诊断算法：复杂度低、易实现；识别率低、鲁棒性差、依赖人工特征提取
深度学习：自动学习多个抽象级别特征、不依赖特征提取器、在嘈杂环境中具有高准确性&鲁棒性
先前研究
树莓Pi：低功耗&节能，不适合高性能深度学习算法研究
Edgar Ruiz：SVM算法；算法执行时间、精度、CPU性能、温度；算法复杂度×；高级复杂深度学习算法×
Gunawan Dewantoro：英伟达更快图像处理；只比较算法准确性、无单板机温度&CPU占用率对计算机性能影响
洪小翠：深度学习CNN算法；拓展单板机性能可变性；无机器故障检测和诊断算法、用于PR诊断算法准确性不高
多模态残差网络（M-ResNet）+判别相关分析（DCA）
张凯：基于混合注意力改进剩余网络、突出小波系数故障特征诊断
基于自适应损失加权元残差网络（ALWM-RestNet），解决带有噪声标签的故障诊断
龙文：基于RestNet-50的迁移卷积神经网络故障诊断
研究方法
研究过程
信号采集&输入
PR故障检测诊断研究输入信号：振动信号
单板机故障诊断
Nvidia Jetson Nano & Raspberry Pi 4B
故障结果输出
结果：故障类型
算法：结合连续小波变换、粒子群优化算法、RestNet-50的残差网络
PSO-RestNet模型
连续小波变换：base on傅里叶；解决傅信号时域和频域信息不能同时局部化；快速衰减、持续时间有限
粒子群优化（PSO）：每个粒子保持位置向量&速度向量，调整向量至找到最优解或预设停止条件；快收敛高效率
基于粒子群优化算法的残差网络模型优化：PSO搜索最优解，找到网络训练的最佳参数；找到每个残差块的最优权重和偏差；提高算法优化效率、网络模型泛化能力&准确性
研究结果
结果
得到局部最优值、全局最优值、保存相应的超参数
避免随网络层数增加梯度消失/爆炸、降低调整超参数成本、准确性
PSO-RestNet训练
参数最优值→最小化代价函数的误差
学习率→控制残差网络根据损失梯度调整网络权重的程度
过大网络不收敛，徘徊最优值附近；过小收敛速度过慢
动量→梯度下降、加速收敛
改进的卷积网络
卷积层：系数交互+参数共享=减少模型参数数量
RestNet：层退避机制、H(x)=x+F（x）、RestNet残余结构
训练环境
64位win11操作系统
CPU、显卡、内存
Python编写、PyTorch构建模型环境
研究过程
实验结果分析：单板机诊断→故障信号→故障器显示故障类型；精度提高、低训练错误率、泛化错误率
模型部署
故障数据处理：连续小波变换→2D图像→深度学习算法输入
英伟特&树莓比较
英伟特GPU性能更好，有助处理更多计算密集型信号，有利PR安全可靠运行
英伟特在执行时间、温度、CPU使用率具有更好性能
展望
精度、模型准确性
轻量化模型
相关思维导图模板
树图思维导图提供 904名中国成年人第三磨牙相关知识、态度、行为和病史的横断面调查 在线思维导图免费制作，点击“编辑”按钮，可对 904名中国成年人第三磨牙相关知识、态度、行为和病史的横断面调查 进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：10b9a8a2dd2fb4593f8130ef16c320fc
树图思维导图提供 辊压断带分析 在线思维导图免费制作，点击“编辑”按钮，可对 辊压断带分析 进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：55fdf0827fa2a220b0b4047d75df5032
沪公网安备 31011502019485号
上海工商