Просмотр сведений о научной статье


Обложка номера

№1 2013

Заголовок

Нейросетевой подход к мониторингу состояния промышленных роботов-манипуляторов

Автор

М.М. Кожевников

Организация

Могилевский государственный университет продовольствия
г. Могилев, Республика Беларусь

Аннотация

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.

Ключевые слова

мониторинг состояния, роботы-манипуляторы, нейронные сети

Список литературы

[1] 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.

[2] Basseville M., Nikiforov I. V. Detection of abrupt changes: theory and applications. Englewood Cliffs, NJ: Prentice-Hall, 1993.

[3] Chang S. I. An Integrated Scheme for Process Monitoring and Diagnosis’, Proceedings. of ASQC 49th Annual Quality Congress. Cincinnati, OH, 2000. P. 725-732.

[4] Cheng C.S. A neural network approach for the analysis of control chart patterns // International Journal of Production Research. 1997. № 35. P. 667–697.

[5] 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.

[6] 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.

[7] Grant E. L., Leavenworth R. S. Statistical quality control. New York : McGraw-Hill, 1996.

[8] 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.

[9] 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.

[10] 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.

[11] Montgomery D. C. Introduction to Statistical Quality Control. New York : John Wiley and Sons, Inc. 1996.

[12] Patton R. J., Frank P. M., Clark R. N. Fault Diagnosis in dynamic systems: Theory and Applications. Prentice Hall, 1989.

[13] Pham D. T., Oztemel E. Control chart pattern recognition using learning vector quantization networks // International Journal of Production Research. 1994. № 32. P. 721–729.

[14] Tsung F. Statistical Monitoring and Diagnosis of Automatic Controlled Processes Using Dynamic PCA // International Journal of Production Research. 2000. № 38. P. 625.



Цитирование данной статьи

Кожевников М.М. Нейросетевой подход к мониторингу состояния промышленных роботов-манипуляторов // Исследования наукограда. 2013. № 1. С. 42-48.