Data-Driven Robot Fault Detection and Diagnosis Using Generative Models: A Modified SFDD Algorithm

要約

この論文では、オンライン ロボット モニタリングのためのデータ駆動型センサーベースの障害検出および診断 (SFDD) アルゴリズムの修正について説明します。
私たちのバージョンのアルゴリズムでは、生成モデルのコレクション、特に制限されたボルツマン マシンを使用します。各モデルは、相関のある測定値間のスライディング ウィンドウ相関の分布を表します。
このようなモデルを残差生成スキームで使用します。このスキームでは、高い残差によって競合セットが生成され、それが後続の診断ステップで使用されます。
概念実証として、フレームワークは、切断された車輪を認識する問題について移動物流ロボットで評価され、フレームワークの実現可能性が実証されました (欠陥のあるデータセットでは、モデルの精度は 88.6%、再現率は 75.6% でした)。
率) だけでなく、モニタリング結果が分布モデルの選択と全体としてのモデル パラメーターによって影響を受けることも示しています。

要約(オリジナル)

This paper presents a modification of the data-driven sensor-based fault detection and diagnosis (SFDD) algorithm for online robot monitoring. Our version of the algorithm uses a collection of generative models, in particular restricted Boltzmann machines, each of which represents the distribution of sliding window correlations between a pair of correlated measurements. We use such models in a residual generation scheme, where high residuals generate conflict sets that are then used in a subsequent diagnosis step. As a proof of concept, the framework is evaluated on a mobile logistics robot for the problem of recognising disconnected wheels, such that the evaluation demonstrates the feasibility of the framework (on the faulty data set, the models obtained 88.6% precision and 75.6% recall rates), but also shows that the monitoring results are influenced by the choice of distribution model and the model parameters as a whole.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google