国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

深度學(xué)習(xí)算法在智能裝備中的應(yīng)用*

2018-01-23 01:55:52沈玉玲楊俊杰丘盛昌
裝備機(jī)械 2017年4期
關(guān)鍵詞:工件故障診斷深度

□沈玉玲 □楊俊杰 □丘盛昌

上海電氣集團(tuán)股份有限公司 中央研究院 上海 200070

1 研究背景

20世紀(jì)50年代,人工智能概念被提出。直到近十年,人工智能才得到了爆發(fā)式發(fā)展,這主要歸功于大數(shù)據(jù)技術(shù)、云計算和圖形處理器技術(shù)的突破。實現(xiàn)人工智能的方法稱之為機(jī)器學(xué)習(xí),可以利用大量數(shù)據(jù)和算法的自我練習(xí),從而獲取某種認(rèn)知技能。傳統(tǒng)的機(jī)器學(xué)習(xí)算法有決策樹、歸納邏輯、聚類和強(qiáng)化學(xué)習(xí)等,這些經(jīng)典的淺層算法在語言、文字和數(shù)字識別分類方面具有很好的辨識效果,但無法有效地解決線性不可分問題,容易出現(xiàn)局部最優(yōu)和過度擬合現(xiàn)象[1-2]。2006年,深度學(xué)習(xí)概念出現(xiàn),突破了技術(shù)瓶頸,成為實現(xiàn)機(jī)器學(xué)習(xí)的有效方法。從人工智能到深度學(xué)習(xí),人工智能技術(shù)發(fā)展進(jìn)程如圖1所示。目前,眾多互聯(lián)網(wǎng)公司和科研機(jī)構(gòu)都投身于深度學(xué)習(xí)理論及應(yīng)用的研究,深度學(xué)習(xí)已成為最熱門的人工智能研究領(lǐng)域之一。

圖1 人工智能技術(shù)發(fā)展進(jìn)程

2 深度學(xué)習(xí)算法概述

深度學(xué)習(xí)是實現(xiàn)機(jī)器學(xué)習(xí)的有效方法,采用無監(jiān)督式或半監(jiān)督式方法對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)。經(jīng)常使用的深度學(xué)習(xí)算法開源軟件框架有八種,分別為TensorFlow、Torch、Caffe、Theano、Deeplearning4j、MXNet、Chainer、ConvNetJS),每種軟件框架在網(wǎng)絡(luò)與模型能力、可擴(kuò)展性、硬件利用率和跨平臺等方面各有優(yōu)勢,選擇何種軟件框架取決于應(yīng)用場景與開發(fā)者的自身需求。

近幾年來,深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域取得了巨大成功,尤其是在圖像識別、語音識別、自然語言處理、信息搜索及生物信息學(xué)等方面表現(xiàn)優(yōu)異,與此同時,深度學(xué)習(xí)在機(jī)器人視覺領(lǐng)域的應(yīng)用前景也越來越被關(guān)注。

3 深度學(xué)習(xí)算法應(yīng)用方向

3.1 工件分揀

機(jī)器人等智能裝備與視覺技術(shù)的結(jié)合已經(jīng)屢見不鮮[3-4],機(jī)器人通過模式學(xué)習(xí)、特征分析、形狀匹配等傳統(tǒng)圖像識別方法,已可實現(xiàn)對工件的快速識別及定位,尤其是在工件分揀工序中取得成功應(yīng)用,大幅提升了工作效率,并節(jié)省了人工成本。然而,針對復(fù)雜工件的自動分揀,傳統(tǒng)的圖像識別算法卻很難實現(xiàn),定位精度、識別準(zhǔn)確性及實時性等方面均面臨挑戰(zhàn)。深度學(xué)習(xí)不僅可以提升工件分揀的快速性與準(zhǔn)確性,還可以實現(xiàn)工件表面缺陷識別與標(biāo)注、次品分揀及工件裝配檢查等。

在工件分揀方面,最常用的方法是深度學(xué)習(xí)與圖像處理技術(shù)的結(jié)合。由機(jī)器人視覺系統(tǒng)獲取圖像信息,再經(jīng)灰度化、濾波、最大類間方差法二值化等圖像處理過程,應(yīng)用已訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)對目標(biāo)進(jìn)行定位分類,可實現(xiàn)工件的快速準(zhǔn)確識別。這種深度學(xué)習(xí)的視覺識別及定位算法[5-6],直接從目標(biāo)抓取位置判別這一本質(zhì)問題入手,通過深度學(xué)習(xí)網(wǎng)絡(luò)實現(xiàn)抓取位姿的最優(yōu)判別,在不同形狀和不同擺放方向的工件判別、定位與抓取測試中,均取得良好的效果。

第二種方法是利用增強(qiáng)學(xué)習(xí)技術(shù)使機(jī)器人在應(yīng)用場景中進(jìn)行自主學(xué)習(xí),無需任何關(guān)于環(huán)境的先驗知識,通過端對端訓(xùn)練,在不斷嘗試、犯錯的過程中學(xué)習(xí)新技能。發(fā)那科公司利用深度學(xué)習(xí)實現(xiàn)機(jī)器臂免示教散件分揀,在不向系統(tǒng)輸入任何工件吸附部位的前提下,僅基于深度學(xué)習(xí)網(wǎng)絡(luò)不斷試錯,耗時8 h,完成了5 000份樣本的學(xué)習(xí),將分揀的成功率提高了90%。

3.2 控制規(guī)劃

深度學(xué)習(xí)在控制領(lǐng)域的研究已經(jīng)覆蓋了控制系統(tǒng)的各個環(huán)節(jié),從傳感器狀態(tài)的特征提取,到被控對象的系統(tǒng)參數(shù)辨識,再到控制器策略的解算,均有展現(xiàn)深度學(xué)習(xí)優(yōu)勢的空間。其中,深度學(xué)習(xí)在控制目標(biāo)識別過程中的應(yīng)用案例比較常見,如在機(jī)械手抓取物體的過程中對被抓取物體位置的識別等[7-9]。

利用深度學(xué)習(xí)進(jìn)行控制策略的解算,相關(guān)文獻(xiàn)中研究成果越來越多。有學(xué)者嘗試用深度置信網(wǎng)絡(luò)(DBN)模型代替比例積分微分(PID)控制器,DBN的網(wǎng)絡(luò)參數(shù)通過PID控制器的輸入輸出數(shù)據(jù)進(jìn)行訓(xùn)練得出。訓(xùn)練完成后的DBN模型代替PID控制器,試驗結(jié)果雖然顯示DBN的控制性能與傳統(tǒng)PID控制器相比并未占優(yōu)勢,但是印證了深度學(xué)習(xí)模型作為控制器應(yīng)用的可能性。

在運動控制方面,深度學(xué)習(xí)在移動機(jī)器人路徑規(guī)劃方面已有應(yīng)用。區(qū)別于傳統(tǒng)的路徑規(guī)劃方法,應(yīng)用深度學(xué)習(xí)并非解決優(yōu)化問題,而是利用深度學(xué)習(xí)的自行學(xué)習(xí)特征,結(jié)合端對端架構(gòu),直接用圖像輸入控制機(jī)器人運動,輸出路徑序列。

3.3 故障診斷與預(yù)測

由于大型裝備內(nèi)部部件之間有錯綜復(fù)雜的耦合關(guān)系,運用傳統(tǒng)故障診斷方法對單一設(shè)備或系統(tǒng)進(jìn)行建模分析,很容易出現(xiàn)誤診和漏診。鑒于深度學(xué)習(xí)算法在特征提取與模式識別等方面的顯著優(yōu)勢,許多專家學(xué)者不斷嘗試將深度學(xué)習(xí)用于解決不同領(lǐng)域的技術(shù)難題。目前,深度學(xué)習(xí)算法已成功應(yīng)用于發(fā)電機(jī)、齒輪箱、飛機(jī)、變壓器、滾動軸承等工業(yè)系統(tǒng)或裝備的故障診斷中[10-11]。

經(jīng)典的深度學(xué)習(xí)基本模型框架,包括卷積神經(jīng)網(wǎng)絡(luò)(RNN)、DBN和遞歸神經(jīng)網(wǎng)絡(luò)(CNN)等,均可實現(xiàn)故障診斷[12]。CNN和DBN都非常擅長處理大數(shù)據(jù),而從海量數(shù)據(jù)中進(jìn)行特征識別,提取蘊(yùn)含的信息,正是未來深度學(xué)習(xí)故障診斷的熱點方向。RNN的特點在于充分考慮了數(shù)據(jù)樣本之間的關(guān)聯(lián)性,相對其它方法,大大提高了故障診斷的效率,非常適合處理復(fù)雜裝備和系統(tǒng)的實時故障診斷問題。

除此之外,利用深度學(xué)習(xí)算法進(jìn)行智能裝備的健康趨勢預(yù)測,提前對裝備故障進(jìn)行預(yù)警,也是值得關(guān)注的應(yīng)用方向之一。

3.4 智能機(jī)器人

智能機(jī)器人需要具備三要素:感覺、運動和思考,即能夠感受周圍的環(huán)境狀態(tài),通過獲取的信息,進(jìn)行主動思考,并作出反應(yīng)性動作。能夠自主判斷、推理和規(guī)劃是智能機(jī)器人發(fā)展的終極目標(biāo)。智能機(jī)器人涉及多學(xué)科的先進(jìn)技術(shù),包括運動學(xué)、動力學(xué)、傳感與控制、模式識別、人工智能等,深度學(xué)習(xí)等人工智能技術(shù)為機(jī)器人的智能化發(fā)展提供了新思路[13-14]。

在機(jī)器人感知系統(tǒng)中,可充分發(fā)揮深度學(xué)習(xí)在圖像識別、語音及語義識別方面的技術(shù)優(yōu)勢,進(jìn)行目標(biāo)的識別跟蹤或障礙物的主動規(guī)避。在機(jī)器人的運動控制系統(tǒng)中,可通過端對端學(xué)習(xí)進(jìn)行運動路徑的規(guī)劃設(shè)計。在機(jī)器人的思考環(huán)節(jié),通過強(qiáng)化學(xué)習(xí),引入獎勵函數(shù),對機(jī)器人在給定環(huán)境下的行為反應(yīng)進(jìn)行評分反饋,從而達(dá)到引導(dǎo)思考和決策的目的。

4 應(yīng)用難點

深度學(xué)習(xí)算法在智能裝備中的應(yīng)用,機(jī)遇與挑戰(zhàn)并存,有不少亟待解決的瓶頸問題。

4.1 訓(xùn)練樣本庫

近年來,深度學(xué)習(xí)技術(shù)在無人駕駛等應(yīng)用領(lǐng)域得到了迅猛發(fā)展,這些領(lǐng)域均有足夠的樣本數(shù)據(jù)來訓(xùn)練機(jī)器學(xué)習(xí)模型,而深度學(xué)習(xí)技術(shù)在智能裝備中的應(yīng)用相對滯后,其中一個原因就是缺少樣本數(shù)據(jù)。以訓(xùn)練機(jī)器人的抓握能力為例,首先要建立一個機(jī)器學(xué)習(xí)模型,使機(jī)器人能夠自動學(xué)習(xí)如何操縱對象。機(jī)器人在持續(xù)練習(xí)過程中所輸出的產(chǎn)品就是數(shù)據(jù)庫,可以充當(dāng)機(jī)器學(xué)習(xí)的訓(xùn)練樣本庫,用以訓(xùn)練其它同類型機(jī)器人來抓握同樣的物體。

在基于深度學(xué)習(xí)的機(jī)器人控制中,數(shù)據(jù)量是保證機(jī)器人能夠完成復(fù)雜任務(wù)的關(guān)鍵因素,僅僅是為了同一款機(jī)器人的機(jī)械手平面抓取問題,就要收集近百萬次抓取動作數(shù)據(jù)。一次完整的訓(xùn)練耗時較長,在此過程中如果機(jī)器發(fā)生故障或試驗條件發(fā)生變化,均會對訓(xùn)練樣本庫的采集造成影響。之所以要耗費大量的時間采集訓(xùn)練數(shù)據(jù),是因為通過深度學(xué)習(xí)訓(xùn)練出來的權(quán)重含義不明,只能用在同一個機(jī)器人上執(zhí)行同一項任務(wù),技術(shù)遷移的難度很大,進(jìn)而限制了深度學(xué)習(xí)技術(shù)在機(jī)器人中的應(yīng)用進(jìn)程。

4.2 控制性能評估

通常情況下,利用深度學(xué)習(xí)進(jìn)行控制策略解算,前提是該控制問題是可觀的,即只要足夠的給定數(shù)據(jù),學(xué)習(xí)過程一定是收斂的。目前還無相關(guān)研究對可觀性問題進(jìn)行理論性描述。此外,在一些特定情境下,深度學(xué)習(xí)無法保證達(dá)到期望的控制目標(biāo),在控制層面缺乏嚴(yán)謹(jǐn)?shù)睦碚撝巍C(jī)器人技術(shù)研究者要做的是提出先驗約束和模型約束,而深度學(xué)習(xí)則是之后再去解決這些約束造成的問題,主張將深度框架和先驗?zāi)P拖嘟Y(jié)合。

雖然深度學(xué)習(xí)在控制領(lǐng)域的研究內(nèi)容已十分廣泛,但整體來看,理論研究仍很欠缺。對于基于深度學(xué)習(xí)的控制系統(tǒng),其控制性能很難評估分析,即便是表現(xiàn)出一定的控制效果,也無法保證控制性能的魯棒穩(wěn)定性,這同時為深度控制理論的研究指明了方向。

4.3 硬件性能約束

與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比,深度學(xué)習(xí)在精度方面有較大優(yōu)勢,但當(dāng)面臨高清和實時應(yīng)用時,深度學(xué)習(xí)算法將大大受到硬件性能的約束。深度學(xué)習(xí)時,硬件除了要滿足矩陣相乘、卷積、循環(huán)層和全局規(guī)約4種基本運算的性能要求外,還要滿足數(shù)據(jù)級別和流程化的并行性、高內(nèi)存帶寬、多線程等特性。

一直以來,英偉達(dá)公司的大規(guī)模并行圖形處理器和專用編程框架占據(jù)著深度學(xué)習(xí)硬件市場的主導(dǎo)地位,其它公司也陸續(xù)推出用于深度學(xué)習(xí)的加速硬件,如谷歌和高通等。目前,深度學(xué)習(xí)暫無統(tǒng)一的硬件處理架構(gòu)??傊欠癫捎蒙疃葘W(xué)習(xí)來提升智能裝備的性能,取決于具體的應(yīng)用場景需求及硬件成本等因素的綜合考量。

5 結(jié)論

深度學(xué)習(xí)理論在不斷發(fā)展中,新的應(yīng)用領(lǐng)域不斷被開拓,如機(jī)器人、數(shù)據(jù)挖掘等,網(wǎng)絡(luò)架構(gòu)和訓(xùn)練方法在應(yīng)用過程中不斷被優(yōu)化,同時對硬件設(shè)備的要求也會越來越低。雖然目前深度學(xué)習(xí)尚未成為大型系統(tǒng)的一部分,但毋庸置疑,深度學(xué)習(xí)算法作為數(shù)據(jù)與決策之間的橋梁,未來一定會在提升裝備智能化過程中發(fā)揮重要作用。

[1]尹寶才,王文通,王立春.深度學(xué)習(xí)研究綜述[J].北京工業(yè)大學(xué)學(xué)報,2015,41(1):48-59.

[2]胡侯立,魏維,胡蒙娜.深度學(xué)習(xí)算法的原理及應(yīng)用[J].信息技術(shù),2015(2):175-177.

[3]王企遠(yuǎn).機(jī)器視覺在工件識別和干涉檢測中的應(yīng)用[J].上海電氣技術(shù),2014,7(2):28-32.

[4]鄭西點,袁浩巍,杜正陽,等.一種高速視覺實時定位與跟蹤系統(tǒng)的研制[J].上海電氣技術(shù),2015,8(1):25-30.

[5]伍錫如,黃國明,孫立寧.基于深度學(xué)習(xí)的工業(yè)分揀機(jī)器人快速視覺識別與定位算法[J].機(jī)器人,2016,38(6):711-719.

[6]王漢飛,刁燕,羅華,等.微創(chuàng)手術(shù)機(jī)器人靈活工作空間的分析與優(yōu)化[J].機(jī)械制造,2016,54(6):23-25.

[7]任浩,屈劍鋒,柴毅,等.深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策,2017,32(8):1345-1358.

[8]劉培炎,吳松,付榮華,等.柔性機(jī)械手抓取能力影響因素的研究[J].機(jī)械制造,2017,55(2):6-9,12.

[9]張雪艷,梁工謙,董仲慧.基于改進(jìn)自適應(yīng)遺傳算法的柔性作業(yè)車間調(diào)度問題研究[J].機(jī)械制造,2016,54(6):1-4,33.

[10]王立鳳.基于神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J].裝備機(jī)械,2017(1):64-67.

[11]禹華軍.風(fēng)力發(fā)電機(jī)組中的振動監(jiān)測與分析[J].裝備機(jī)械,2011(3):52-56.

[12]段艷杰,呂宜生,張杰,等.深度學(xué)習(xí)在控制領(lǐng)域的研究現(xiàn)狀與展望[J].自動化學(xué)報,2016,42(5):643-654.

[13]張小俊,劉歡歡,趙少魁,等.機(jī)器人智能化研究的關(guān)鍵技術(shù)與發(fā)展展望[J].機(jī)械設(shè)計,2016,33(8):1-7.

[14]朱勇,韋鵬,高誠,等.智能型機(jī)器人在車頂外板涂膠上的應(yīng)用[J].裝備機(jī)械,2010(2):30-33.

猜你喜歡
工件故障診斷深度
深度理解一元一次方程
考慮非線性誤差的五軸工件安裝位置優(yōu)化
深度觀察
深度觀察
深度觀察
三坐標(biāo)在工件測繪中的應(yīng)用技巧
因果圖定性分析法及其在故障診斷中的應(yīng)用
焊接殘余形變在工件精密裝配中的仿真應(yīng)用研究
焊接(2015年9期)2015-07-18 11:03:52
一種非圓旋轉(zhuǎn)工件支撐裝置控制算法
基于LCD和排列熵的滾動軸承故障診斷
404 Not Found

404 Not Found


nginx
金寨县| 民勤县| 汉阴县| 榆树市| 那曲县| 方城县| 靖州| 资溪县| 贺兰县| 宜章县| 府谷县| 广德县| 大荔县| 碌曲县| 天气| 肃南| 类乌齐县| 凉山| 南陵县| 彭山县| 登封市| 南汇区| 游戏| 田东县| 遂川县| 育儿| 石门县| 友谊县| 巴中市| 武义县| 天全县| 阿荣旗| 正阳县| 平安县| 巴林左旗| 通海县| 如东县| 永兴县| 汤阴县| 章丘市| 汝城县|