Improved ICNN-LSTM Model Classification Based on Attitude Sensor Data for Hazardous State Assessment of Magnetic Adhesion Climbing Wall Robots

要約

磁気吸着追跡クライミングロボットは、垂直または傾斜した壁上で重力に抗してさまざまな作業を実行できるため、高所検査、溶接、清掃作業に広く利用されています。
しかし、ロボットは動作中に自重や荷重により転倒トルクが発生し、磁性板の剥離を引き起こし、安全上のリスクが生じる可能性があります。
この論文では、磁気付着追跡ロボットの危険な状態をリアルタイムで監視および評価するための、微小電気機械システム (MEMS) 姿勢センサー データに基づく改良された ICNN-LSTM ネットワーク分類方法を提案します。
まず、微小な振動を捕捉できる姿勢センサーのデータ収集戦略を設計します。
第二に、改良畳み込みニューラル ネットワーク (ICNN) と長短期記憶 (LSTM) ネットワークを組み合わせた特徴抽出および分類モデルが提案されます。
実験による検証により、提案した微小振動センシング方法が重要な結果を達成し、提案した分類モデルが他のモデルと比較して一貫して高い精度を示すことが実証されました。
研究結果は、登山ロボットの安全な操作に効果的な技術的サポートを提供します。

要約(オリジナル)

Magnetic adhesion tracked climbing robots are widely utilized in high-altitude inspection, welding, and cleaning tasks due to their ability to perform various operations against gravity on vertical or inclined walls. However, during operation, the robot may experience overturning torque caused by its own weight and load, which can lead to the detachment of magnetic plates and subsequently pose safety risks. This paper proposes an improved ICNN-LSTM network classification method based on Micro-Electro-Mechanical Systems (MEMS) attitude sensor data for real-time monitoring and assessment of hazardous states in magnetic adhesion tracked climbing robots. Firstly, a data acquisition strategy for attitude sensors capable of capturing minute vibrations is designed. Secondly, a feature extraction and classification model combining an Improved Convolutional Neural Network (ICNN) with a Long Short-Term Memory (LSTM) network is proposed. Experimental validation demonstrates that the proposed minute vibration sensing method achieves significant results, and the proposed classification model consistently exhibits high accuracy compared to other models. The research findings provide effective technical support for the safe operation of climbing robots

arxiv情報

提供元, 利用サービス

arxiv.jp, Google