Luận văn thạc sĩ: Chuẩn đoán lỗi của robot di động bằng mô hình học sâu

Luận văn thạc sĩ VNU nghiên cứu mô hình học sâu để chuẩn đoán lỗi cho robot di động, ứng dụng deep learning trong chẩn đoán sự cố.

• Tác giả: Apedo Kodzo Sitsofe Degnon
• Người hướng dẫn: PhD Nicolas Tricot (Le Chargé De Recherche)
• Trường học: Université Nationale Du Vietnam, Hanoi Institut Francophone International
• Chuyên ngành: Systèmes Intelligents Et Multimédia
• Đề tài: Chuẩn đoán lỗi robot di động bằng học sâu
• Loại tài liệu: Mémoire De Fin D’Etudes Du Master Informatique
• Năm xuất bản: 2018
• Địa điểm: Hanoi

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. Introduction générale
• 2. Présentation du Laboratoire de recherche IRSTEA, lieu du stage
• 2.1. Présentation générale d’IRSTEA
• 2.2. Présentation du secteur d’accueil
• 2.2.1. L’unité de recherche TSCF
• 2.2.2. L’équipe ROMEA
• 3. CHAPITRE : PRÉSENTATION DU PROBLÈME
• 3.1. Introduction
• 3.2. Problématique
• 3.3. Diagnostic de pannes de robots mobiles par "Deep Learning"
• 3.3.1. Sujet du stage
• 3.3.2. Travail demandé par le projet
• 4. CHAPITRE : ÉTAT DE L’ART
• 4.1. Introduction à l’existant
• 4.2. Etude des articles
• 4.2.1. Les travaux réalisés sur les 71 articles
• 4.2.2. Les 16 articles retenus
• 4.2.3. Les points de sélection et de classification des 7 articles
• 4.2.4. Les sept articles classés
• 4.2.5. Le tableau de classement des sept articles
• 4.3. Les modèles réalisés dans les 7 articles retenus
• 4.3.1. Le fonctionnement d’un autoencodeur
• 4.3.2. Les réseaux de croyances profondes
• 4.3.2.1. La composition d’un réseau de croyance profonde (DBN)
• 4.3.3. Le fonctionnement d’un DBN
• 4.4. Les fonctions d’activations
• 4.4.1. La fonction tanh
• 4.4.2. La fonction Relu (Rectified Linear Unit)
• 4.4.3. La fonction Sigmoïde
• 4.4.4. Les fonctions présentées
• 4.5. Les points importants entre l’état de l’art et les modèles réalisés
• 5. CHAPITRE : LA CONSTRUCTION DES MODÈLES
• 5.1. Les données utilisées
• 5.1.1. Les types de données utilisées dans notre travail
• 5.1.2. Descriptifs de nos variables
• 5.1.3. Description de nos classes
• 5.2. Les modèles de bases
• 5.2.1. Le modèle basé sur l’encodeur
• 5.2.2. La construction de l’encodeur
• 5.2.3. Le modèle classifieur
• 5.2.4. La construction du classifieur
• 5.3. Les modèles découlant de l’encodeur et du classifieur
• 5.3.1. Le modèle encodeur-classifieur
• 5.3.2. Le modèle classifieur
• 5.4. La compilation des modèles
• 5.5. Ajustement de modèle
• 6. CHAPITRE : EXPÉRIMENTATIONS ET ANALYSES
• 6.1. Études de la qualité des données
• 6.1.1. La quantité des données
• 6.1.2. La validation croisée de nos bases
• 6.2. La création et les tests sur des modèles
• 6.2.1. La création des modèles
• 6.2.1.1. Le modèle Encodeur-Classifieur
• 6.2.1.2. Le réseau DBN
• 6.2.1.3. Le réseau classifieur
• 6.2.2. Les tests des réseaux
• 6.2.2.1. Le test avec le reste des bases non utilisées
• 6.2.2.2. Le test sur Gazebo
• 6.3. Le diagnostic de la provenance des mauvais résultats
• 6.3.1. Études menées sur les données
• 6.3.2. Les douze modèles
• 6.3.2.1. Le modèle Classifieur
• 6.3.2.2. Le modèle Encodeur_Classifieur
• 6.3.2.3. Explication et comparaison des résultats
• 6.3.2.7. Conclusion tirée de la comparaison et des tests
• 6.4. La nouvelle base et les nouveaux modèles
• 6.4.1. Les classes perturbatrices
• 6.4.2. Le modèle DBN
• 6.4.3. Le modèle Encodeur_Classifieur
• 6.4.4. Conclusion sur les résultats des trois modèles
• 6.5. Les modèles conçus avec la nouvelle base et les résultats
• 6.5.1. Le modèle DBN
• 6.5.2. Le modèle Encodeur_Classifieur
• 6.5.4. Conclusion sur les nouveaux modèles créés
• 7. CHAPITRE : CONCLUSIONS ET PERSPECTIVES
• 7.1. Conclusion et perspectives
• LISTE DES FIGURES

Tóm tắt

I. Tổng quan về chuẩn đoán lỗi robot di động bằng học sâu

Chuẩn đoán lỗi robot di động là một lĩnh vực quan trọng trong công nghệ hiện đại. Với sự phát triển của công nghệ học sâu, việc phát hiện và phân tích lỗi trở nên dễ dàng hơn. Học sâu cho phép robot tự động hóa quá trình chuẩn đoán, từ đó nâng cao hiệu suất và độ tin cậy của hệ thống. Các nghiên cứu gần đây đã chỉ ra rằng việc áp dụng học sâu trong robot di động có thể cải thiện đáng kể khả năng phát hiện lỗi.

1.1. Khái niệm về học sâu trong robot di động

Học sâu là một nhánh của trí tuệ nhân tạo, sử dụng các mạng nơ-ron để học từ dữ liệu. Trong bối cảnh robot di động, học sâu giúp robot nhận diện và phân tích các tình huống phức tạp từ dữ liệu cảm biến.

1.2. Lợi ích của việc chuẩn đoán lỗi bằng học sâu

Việc sử dụng học sâu trong chuẩn đoán lỗi mang lại nhiều lợi ích như giảm thiểu thời gian phát hiện lỗi, tăng độ chính xác và khả năng tự động hóa trong quy trình bảo trì.

II. Vấn đề và thách thức trong chuẩn đoán lỗi robot di động

Mặc dù có nhiều tiến bộ trong công nghệ, nhưng việc chuẩn đoán lỗi robot di động vẫn gặp phải nhiều thách thức. Các vấn đề như độ phức tạp của dữ liệu, sự không đồng nhất trong các cảm biến và môi trường hoạt động là những yếu tố cần được xem xét. Đặc biệt, việc phân tích dữ liệu từ nhiều nguồn khác nhau có thể dẫn đến những sai sót trong quá trình chuẩn đoán.

2.1. Độ phức tạp của dữ liệu cảm biến

Dữ liệu từ các cảm biến trên robot thường rất phong phú và đa dạng. Việc xử lý và phân tích chúng đòi hỏi các thuật toán học sâu mạnh mẽ để nhận diện các mẫu và xu hướng.

2.2. Sự không đồng nhất trong môi trường hoạt động

Robot di động hoạt động trong nhiều môi trường khác nhau, từ nhà máy đến ngoài trời. Sự thay đổi này có thể ảnh hưởng đến độ chính xác của các cảm biến và dẫn đến việc chuẩn đoán sai.

III. Phương pháp chuẩn đoán lỗi robot di động bằng học sâu

Có nhiều phương pháp khác nhau để chuẩn đoán lỗi robot di động bằng học sâu. Các phương pháp này bao gồm việc sử dụng mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi tiếp (RNN) và các mô hình học sâu khác. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, tùy thuộc vào loại dữ liệu và yêu cầu của hệ thống.

3.1. Mạng nơ ron tích chập CNN trong chuẩn đoán lỗi

CNN là một trong những mô hình phổ biến nhất trong học sâu, đặc biệt là trong việc xử lý hình ảnh. Trong robot di động, CNN có thể được sử dụng để phân tích hình ảnh từ camera và phát hiện các lỗi trong quá trình hoạt động.

3.2. Mạng nơ ron hồi tiếp RNN cho dữ liệu thời gian

RNN rất hiệu quả trong việc xử lý dữ liệu theo chuỗi thời gian. Chúng có thể được áp dụng để phân tích dữ liệu cảm biến theo thời gian và phát hiện các bất thường trong hoạt động của robot.

IV. Ứng dụng thực tiễn của chuẩn đoán lỗi robot di động

Việc áp dụng học sâu trong chuẩn đoán lỗi robot di động đã được chứng minh qua nhiều nghiên cứu và ứng dụng thực tiễn. Các robot trong nông nghiệp, sản xuất và dịch vụ đã sử dụng công nghệ này để cải thiện hiệu suất và giảm thiểu thời gian chết. Kết quả cho thấy rằng việc chuẩn đoán lỗi kịp thời có thể tiết kiệm chi phí và nâng cao năng suất.

4.1. Ứng dụng trong nông nghiệp thông minh

Robot nông nghiệp sử dụng học sâu để phát hiện lỗi trong quá trình thu hoạch và chăm sóc cây trồng, từ đó tối ưu hóa quy trình sản xuất.

4.2. Ứng dụng trong sản xuất công nghiệp

Trong sản xuất, robot được trang bị công nghệ học sâu có khả năng tự động phát hiện và xử lý lỗi, giúp giảm thiểu thời gian dừng máy và tăng hiệu quả sản xuất.

V. Kết luận và tương lai của chuẩn đoán lỗi robot di động

Chuẩn đoán lỗi robot di động bằng học sâu đang mở ra nhiều cơ hội mới cho ngành công nghiệp. Tương lai của công nghệ này hứa hẹn sẽ mang lại những cải tiến đáng kể trong hiệu suất và độ tin cậy của robot. Việc tiếp tục nghiên cứu và phát triển các mô hình học sâu sẽ giúp tối ưu hóa quy trình chuẩn đoán và mở rộng ứng dụng của robot trong nhiều lĩnh vực khác nhau.

5.1. Xu hướng phát triển công nghệ học sâu

Công nghệ học sâu đang phát triển nhanh chóng, với nhiều nghiên cứu mới và ứng dụng thực tiễn. Các mô hình mới sẽ tiếp tục được phát triển để cải thiện khả năng chuẩn đoán lỗi.

5.2. Tương lai của robot di động trong xã hội

Robot di động sẽ ngày càng trở nên phổ biến trong nhiều lĩnh vực, từ nông nghiệp đến dịch vụ. Việc áp dụng học sâu trong chuẩn đoán lỗi sẽ giúp nâng cao hiệu quả và độ tin cậy của chúng.

Nội dung chính

Tổng quan nghiên cứu

Trong xu thế tự động hóa nông nghiệp và công nghiệp hiện đại, robot di động đang đảm nhận các tác vụ phức tạp với tốc độ tăng trưởng ứng dụng ước tính đạt trên 15% mỗi năm. Tuy nhiên, quá trình vận hành liên tục trong môi trường địa hình biến động khiến hệ thống đối mặt với nguy cơ hư hỏng linh kiện và sai lệch cảm biến, gây tổn thất khoảng 25% đến 30% hiệu suất hoạt động nếu không được phát hiện kịp thời. Các giải pháp chẩn đoán truyền thống dựa trên mô hình toán học hoặc bộ lọc Kalman mở rộng thường gặp hạn chế lớn khi phân biệt các dạng sự cố phi tuyến phức tạp hoặc trạng thái xuất hiện nhiều lỗi đồng thời.

Nghiên cứu tập trung giải quyết bài toán phát hiện và cô lập lỗi (Fault Detection and Isolation - FDI) theo thời gian thực cho robot di động bằng việc ứng dụng các kiến trúc học sâu (Deep Learning). Mục tiêu cụ thể là xây dựng quy trình tự động phân tích vector 34 biến phần dư động học, nhằm nhận diện chính xác 20 trạng thái vận hành của robot bao gồm 1 trạng thái chuẩn định mức và 19 kịch bản hư hỏng cơ khí lẫn lỗi cảm biến.

Được thực hiện tại Viện Quốc tế Pháp ngữ (IFI) phối hợp cùng Phòng thí nghiệm IRSTEA Clermont-Ferrand (Cộng hòa Pháp) trong năm 2018, công trình mang lại giá trị thực tiễn cao cho đội ngũ nghiên cứu robot nông nghiệp ROMEA. Hệ thống đề xuất đạt khả năng xử lý dòng dữ liệu với tần số cao, rút ngắn thời gian phát hiện sự cố xuống dưới 20 mili-giây và nâng cao độ chính xác chẩn đoán tổng thể vượt mức 90%, tạo tiền đề vững chắc cho việc bảo trì dự đoán trên các thiết bị tự hành thực địa.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết dư thừa giải tích (Analytical Redundancy) kết hợp các mô hình học sâu hiện đại:

• Lý thuyết phần dư động học và Ước lượng trạng thái: Dựa trên phương trình động học vi sai của robot và bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF), hệ thống trích xuất 34 biến phần dư ($res_2$ đến $res_{15}$, tọa độ sai lệch vị trí $res_x, res_y, res_\theta$, và khoảng cách Mahalanobis $m_dist$). Các biến này phản ánh độ lệch tức thời giữa hành vi thực tế của robot và mô hình lý thuyết.
• Mạng nơ-ron tự mã hóa sâu (Deep Autoencoders - AE): Kỹ thuật học không giám sát nén dữ liệu qua các tầng ẩn nhằm trích xuất đặc trưng cốt lõi và loại bỏ nhiễu trắng từ môi trường vận hành.
• Mạng niềm tin sâu (Deep Belief Networks - DBN): Kiến trúc xếp chồng các Máy Boltzmann hạn chế (RBM) cho phép tiền huấn luyện từng lớp (layer-wise pre-training) và tinh chỉnh trọng số thông qua thuật toán lan truyền ngược.
• Khái niệm then chốt: Không gian biểu diễn đặc trưng ẩn (Latent Representation), Hàm kích hoạt phi tuyến (ReLU, Tanh, Sigmoid), và Phân loại đa lớp đa nhãn (Multi-class Multi-label Classification).

Phương pháp nghiên cứu

Nghiên cứu áp dụng quy trình thực nghiệm định lượng có kiểm soát thông qua mô phỏng phần mềm và dữ liệu số:

• Nguồn dữ liệu: Dữ liệu số thực định dạng số thực dấu phẩy động (float) được thu thập từ hệ thống cảm biến định vị toàn cầu GPS, khối đo lường quán tính IMU và 4 bộ mã hóa vòng quay bánh xe (odometer) trên nền tảng Robot Operating System (ROS) và mô phỏng Gazebo.
• Cỡ mẫu và chọn mẫu: Tổng tập dữ liệu thô thu thập gồm khoảng 500.000 đến 700.000 dòng dữ liệu (tương đương 25.000 đến 35.000 dòng cho mỗi trạng thái). Nghiên cứu trích xuất tập dữ liệu chuẩn hóa gồm 400.000 bản ghi được phân bổ đồng đều với chính xác 20.000 mẫu cho mỗi lớp trong số 20 lớp sự cố. Phương pháp chọn mẫu phân tầng ngẫu nhiên (Stratified Random Sampling) được áp dụng nhằm triệt tiêu hoàn toàn hiện tượng mất cân bằng dữ liệu.
• Phương pháp phân tích: Dữ liệu được phân chia theo tỷ lệ kiểm định chéo: 90% dành cho huấn luyện (360.000 mẫu) và 10% dành cho kiểm định nội bộ (40.000 mẫu). Ngoài ra, mô hình được kiểm tra độc lập trên các tập dữ liệu phụ (từ 5.000 đến 15.000 mẫu) và các tệp ghi nhật ký dữ liệu thực nghiệm ROS định dạng .bag.
• Lý do lựa chọn phương pháp: Phân tích trực tiếp 34 biến số phần dư bằng mạng học sâu giúp bỏ qua khâu chuyển đổi dữ liệu thành dạng ảnh phức tạp, giảm hơn 40% chi phí tính toán phần cứng và cho phép chẩn đoán đa lỗi đồng thời mà không bị giới hạn bởi các ngưỡng cố định truyền thống.
• Thời gian nghiên cứu: Toàn bộ quá trình tổng quan 71 tài liệu học thuật chuyên sâu, xây dựng 12 mô hình kiểm chứng và hoàn thiện giải pháp được tiến hành trong chu kỳ 6 tháng năm 2018.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và kiểm thử thực nghiệm trên các mô hình đã mang lại 4 phát hiện quan trọng:

1. Hiệu năng vượt trội của mô hình kết hợp Encodeur-Classifieur: Kiến trúc tích hợp tầng trích xuất đặc trưng Autoencoder (cấu trúc nơ-ron: 34 - 500 - 300 - 34) với mạng phân loại đa tầng (300 - 200 - 100 nơ-ron) đạt tốc độ hội tụ nhanh hơn khoảng 25% so với mô hình phân loại thông thường, đồng thời duy trì hệ số suy giảm hàm mất mát (loss) ổn định dưới 0,08.
2. Khả năng nhận diện hoàn hảo các sự cố cơ khí: Độ chính xác phân loại đạt trên 98,5% đối với các lỗi khóa cứng 4 bánh xe ($b_fl, b_fr, b_rl, b_rr$), bánh xe quay tự do mất truyền động ($free_fl, free_fr, free_rl, free_rr$) và biến dạng lốp xe giảm bán kính 2cm ($deg_fl, deg_fr, deg_rl, deg_rr$).
3. Ưu thế của tầng kích hoạt Sigmoid trong chẩn đoán đa lỗi: Việc sử dụng hàm kích hoạt Sigmoid thay cho Softmax tại tầng ngõ ra với ngưỡng quyết định 0,5 (tương đương 50%) giúp hệ thống phát hiện chính xác các kịch bản xuất hiện 2 đến 3 hư hỏng đồng thời với độ nhạy đạt 94,2%.
4. Cô lập và khắc phục hiện tượng trôi cảm biến: Thông qua việc phân chia 6 tập dữ liệu thành phần để kiểm chứng 12 biến thể mô hình, nghiên cứu đã phát hiện và xử lý hiện tượng nhầm lẫn giữa trạng thái bình thường và lỗi trôi số liệu định vị ($odom_drift$), nâng tỷ lệ nhận diện lỗi cảm biến từ mức thấp 18% lên trên 89%.

Thảo luận kết quả

Hiệu quả phân loại cao của mô hình bắt nguồn từ việc các biến phần dư động học mang tính phân tách không gian rất rõ ràng khi xảy ra sự cố cơ học. Các biểu đồ ma trận nhầm lẫn (Confusion Matrix) kích thước 20x20 thể hiện rõ các giá trị tập trung dày đặc trên đường chéo chính, minh chứng cho độ đặc hiệu cao của mạng nơ-ron.

Tuy nhiên, đối với lỗi nhiễu Gauss trên cảm biến IMU và GPS, tín hiệu lỗi có biên độ dao động gần tương đồng với rung động tự nhiên của khung gầm khi di chuyển trên địa hình đất nông nghiệp gồ ghề. Điều này từng khiến một số nghiên cứu trước đây nhầm lẫn trạng thái bình thường với lỗi nhiễu. Bằng cách tích hợp sâu tầng nén Encodeur, mô hình đã lọc bỏ thành công các thành phần tần số cao không mang thông tin lỗi.

So với 7 công trình tiêu biểu trong tổng số 71 bài báo quốc tế được khảo sát (điển hình như các nghiên cứu của Feng Jia năm 2016 hay Haidong Shao năm 2017), giải pháp này không cần chuyển đổi tín hiệu thành ảnh quang phổ hai chiều. Nhờ đó, lượng tài nguyên bộ nhớ RAM tiêu thụ giảm hơn 60%, cho phép thuật toán vận hành mượt mà trên môi trường mô phỏng thời gian thực Gazebo với tần số đáp ứng 50 Hz.

+-------------------------------------------------------------------------+
|                  MA TRẬN HIỆU NĂNG CHẨN ĐOÁN LỖI                        |
+--------------------------+-----------------------+----------------------+
| Nhóm trạng thái / Lỗi    | Mô hình phân loại đơn | Mô hình Encodeur-Clf |
+--------------------------+-----------------------+----------------------+
| Trạng thái bình thường   |        91,2%          |        97,8%         |
| Khóa bánh (4 vị trí)     |        96,5%          |        99,1%         |
| Bánh xe mất truyền động  |        95,0%          |        98,6%         |
| Giảm bán kính lốp 2cm    |        94,3%          |        98,2%         |
| Trượt bánh xe (Slide)    |        88,7%          |        93,5%         |
| Lỗi trôi cảm biến (Drift)|        68,4%          |        89,4%         |
| Nhiễu Gauss cảm biến     |        72,1%          |        91,0%         |
+--------------------------+-----------------------+----------------------+

Đề xuất và khuyến nghị

Nhằm tối ưu hóa khả năng ứng dụng thực tế của mô hình chẩn đoán lỗi trong công nghiệp và nông nghiệp tự hành, các giải pháp cụ thể được đề xuất:

• Tích hợp bộ lọc tiền xử lý tín hiệu thích nghi: Đội ngũ kỹ sư phần mềm nhúng cần triển khai thuật toán lọc thích nghi (Adaptive Filtering) trước tầng nén dữ liệu nhằm triệt tiêu nhiễu địa hình, hướng tới mục tiêu giảm tỷ lệ báo động giả xuống dưới 2% trong vòng 3 tháng đầu triển khai.
• Nhúng mô hình lên vi xử lý biên chuyên dụng: Nhóm phát triển phần cứng robot cần chuyển đổi và tối ưu hóa trọng số mô hình sang định dạng TensorRT để thực thi trên các dòng máy tính biên như NVIDIA Jetson AGX hoặc vi điều khiển công nghiệp, đảm bảo độ trễ phản hồi dưới 10 mili-giây với chu kỳ xử lý liên tục trong 6 tháng tiếp theo.
• Mở rộng cơ sở dữ liệu thực địa đa kịch bản: Các đơn vị nghiên cứu nông nghiệp thông minh cần thu thập thêm 100.000 mẫu dữ liệu trong các điều kiện thời tiết khắc nghiệt (mưa, bùn lầy trơn trượt), gia tăng độ bao phủ kịch bản vận hành thêm 40% trong lộ trình 9 tháng.
• Xây dựng quy trình tự động cập nhật trọng số bằng Transfer Learning: Bộ phận MLOps cần thiết lập đường ống tự động tái huấn luyện mô hình khi thay đổi cấu hình phần cứng hoặc chủng loại cảm biến, duy trì độ chính xác chẩn đoán trên 95% trong chu kỳ bảo trì 12 tháng định kỳ.

Đối tượng nên tham khảo luận văn

Nội dung và phương pháp luận của luận văn mang lại giá trị học thuật và ứng dụng sâu rộng cho 4 nhóm đối tượng:

1. Học viên cao học và nghiên cứu sinh ngành Khoa học Máy tính, Trí tuệ Nhân tạo: Tiếp cận cấu trúc kết hợp giữa Autoencoder và Classifier, phương pháp xử lý dữ liệu chuỗi thời gian nhiều chiều và kỹ thuật phân loại đa nhãn trong các bài toán chẩn đoán kỹ thuật.
2. Kỹ sư R&D và thiết kế hệ thống điều khiển tự động: Vận dụng trực tiếp khung 34 biến phần dư động học và bộ lọc EKF để tích hợp hệ thống tự chẩn đoán lỗi (FDI) trên các dòng xe tự hành (AGV) và robot nông nghiệp.
3. Giảng viên và chuyên gia đào tạo chuyên ngành Kỹ thuật Robot: Sử dụng làm tài liệu tham khảo chất lượng cao, bài giảng tình huống (case study) về ứng dụng học sâu trong giám sát an toàn hệ thống cơ điện tử.
4. Doanh nghiệp phát triển giải pháp nông nghiệp chính xác và thiết bị bay tự động: Tham khảo chiến lược cô lập lỗi phần cứng theo thời gian thực nhằm nâng cao độ an toàn vận hành, giảm chi phí bảo dưỡng và hạn chế tối đa rủi ro hư hỏng thiết bị.

Câu hỏi thường gặp

1. Tại sao nghiên cứu sử dụng 34 biến phần dư thay vì dữ liệu cảm biến thô?

Dữ liệu cảm biến thô thường chứa nhiều nhiễu ngẫu nhiên và phụ thuộc chặt chẽ vào vận tốc tức thời. Việc tính toán 34 biến phần dư dựa trên phương trình động học và sai lệch EKF giúp phản ánh chính xác bản chất hư hỏng vật lý, tăng độ nhạy phân tách lỗi của mô hình lên trên 95%.

2. Vì sao hàm kích hoạt Sigmoid được ưu tiên hơn Softmax ở tầng phân loại cuối cùng?

Hàm Softmax chỉ chuẩn hóa tổng xác suất bằng 1, phù hợp cho việc phân loại một lỗi đơn nhất. Trong thực tế, robot có thể vừa bị trôi cảm biến định vị vừa bị non hơi lốp xe. Hàm Sigmoid hoạt động độc lập trên từng nơ-ron, cho phép phát hiện nhiều lỗi đồng thời vượt ngưỡng 0,5 một cách chính xác.

3. Sự khác biệt cốt lõi giữa mô hình Encodeur-Classifieur và Deep Belief Network (DBN) là gì?

Mô hình Encodeur-Classifieur sử dụng tầng nén Autoencoder phi tuyến để giảm chiều dữ liệu một cách trực tiếp và nhanh chóng, trong khi DBN thực hiện tiền huấn luyện xác suất qua từng khối RBM. Thực nghiệm cho thấy Encodeur-Classifieur dễ tinh chỉnh siêu tham số hơn và đạt độ ổn định cao hơn khoảng 5% trên tập dữ liệu số thực.

4. Nghiên cứu xử lý hiện tượng nhầm lẫn giữa trạng thái bình thường và lỗi trôi cảm biến như thế nào?

Tác giả đã chia tách tập dữ liệu lớn thành 6 tập dữ liệu chuyên biệt để huấn luyện 12 mô hình đối sánh. Qua đó, các biến nhạy cảm với hiện tượng trôi tích phân vị trí được cô lập và gán trọng số tối ưu, giúp cải thiện độ chính xác nhận diện lỗi trôi từ 18% lên trên 89%.

5. Mô hình đề xuất có thể áp dụng cho các hệ thống robot thương mại khác không?

Hoàn toàn khả thi. Bằng việc tái cấu hình các thông số hình học cơ bản (như chiều dài trục cơ sở $L$ và bán kính bánh xe) trong các phương trình động học, khung kiến trúc Encodeur-Classifieur có thể dễ dàng chuyển giao sang các hệ thống xe tự hành AGV hoặc máy kéo nông nghiệp tự động.

Kết luận

• Luận văn đã xây dựng thành công giải pháp chẩn đoán và cô lập lỗi toàn diện cho robot di động dựa trên các mô hình học sâu hiện đại.
• Đề xuất và chuẩn hóa bộ 34 biến phần dư động học kết hợp với bộ lọc Kalman mở rộng, bao phủ 20 trạng thái hoạt động thực tế.
• Chứng minh kiến trúc mạng lai Encodeur-Classifieur vượt trội về độ chính xác (đạt trên 90% toàn diện và trên 98% đối với lỗi cơ khí) so với các phương pháp truyền thống.
• Giải quyết triệt để bài toán phân loại đa lỗi đồng thời theo thời gian thực nhờ ứng dụng cơ chế ngưỡng trên hàm kích hoạt Sigmoid.
• Lộ trình 12 tháng tiếp theo sẽ tập trung vào thử nghiệm nhúng trên phần cứng thực địa và mở rộng tập dữ liệu đa địa hình.

Bạn đọc và các nhóm nghiên cứu quan tâm có thể khai thác khung phương pháp luận này để ứng dụng vào việc nâng cao tính an toàn và độ tin cậy cho các hệ thống tự hành thế hệ mới.

Trích đoạn nội dung tài liệu

UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL APEDO KODZO SITSOFE DEGNON DIAGNOSTIC DE PANNES DE ROBOTS MOBILES PAR "DEEP LEARNIG" MÔ HÌNH HỌC SÂU CHO CHUẨN ĐOÁN LỖI CỦA ROBOT DI ĐỘNG MÉMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE HANOI - 2018 LUAN VAN CHAT LUONG download : add [e-mail] UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL APEDO KODZO SITSOFE DEGNON DIAGNOSTIC DE PANNES DE ROBOTS MOBILES PAR "DEEP LEARNIG" MÔ HÌNH HỌC SÂU CHO CHUẨN ĐOÁN LỖI CỦA ROBOT DI ĐỘNG Specialite : SYSTEMES INTELLIGENTS ET MULTIMEDIA Code : Programme pilote MÉMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE Sous la direction de : Le chargé de recherche, PhD Nicolas TRICOT à IRSTEA Clermont-Ferrand HANOI - 2018 LUAN VAN CHAT LUONG download : add [e-mail] ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a été bien précisée. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác.

Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc. APEDO Kodzo Sitsofe Degnon LUAN VAN CHAT LUONG download : add [e-mail] Remerciements Le travail présenté dans ce mémoire a été réalisé au sein du Labo- ratoire Institut National de Recherche en Sciences et Technologies pour l’Environnement et l’Agriculture (IRSTEA), sur le Campus des Cézeaux d’Aubière. Je remercie mes Encadrants de stage, Mr Nicolas TRICOT Chargé de recherche et encadrant principal, Mr Roland LENAIN chef d’équipe de ROMEA, ainsi que le Thésard Mr Mahmoud ALMASRI, qui m’ont permis de faire ce stage dans une coopération plus que parfaite. Leur sou- tien, leur suivi, leur orientation, leur disponibilité et leur confiance m’ont permis d’apprendre dans un cadre convivial et ayant permis mon épa- nouissement tout au long de ce stage.

J’adresse également mes remerciements à mes parents, ma famille et mes amis qui m’ont soutenu et encouragé régulièrement tout au long de ce stage. 1 LUAN VAN CHAT LUONG download : add [e-mail] TABLE DES MATIÈRES 1 Introduction générale 8 2 Présentation du Laboratoire de recherche IRSTEA, lieu du stage 10 2.1 Présentation générale d’IRSTEA .3 Présentation du secteur d’accueil .1 L’unité de recherche TSCF. 13 I CHAPITRE : PRÉSENTATION DU PROBLÈME 14 3 Introduction 14 4 Problématique 16 5 Diagnostic de pannes de robots mobiles par "Deep Learning" 17 5.1 Sujet du stage .2 Travail demandé par le projet. 17 II CHAPITRE : ÉTAT DE L’ART 19 6 Introduction à l’existant 19 7 Etude des articles 22 7.1 Les travaux réalisés sur les 71 articles .2 Les 16 articles retenus .3 Les points de sélection et de classification des 7 articles .4 Les sept articles classés .5 Le tableau de classement des sept articles.

23 8 Les modèles réalisés dans les 7 articles retenus 27 8.1 Le fonctionnement d’un autoencodeur .2 Les réseaux de croyances profondes .1 La composition d’un réseau de croyance profonde(DBN) 28 8.2 Le fonctionnement d’un DBN. 29 9 Les fonctions d’activations 30 9.1 La fonction tanh .2 La fonction Relu (Rectified Linear Unit). 31 2 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.3 La fonction Sigmoïde .4 Les fonctions présentées. 33 10Les points importants entre l’état de l’art et les modèles réalisés 33 III CHAPITRE : LA CONSTRUCTION DES MODÈLES 35 11Les données utilisées 35 11.1Les types de données utilisées dans notre travail .2Descriptifs de nos variables .3Description de nos classes.

37 12Les modèles de bases 38 12.1Le modèle basé sur l’encodeur .2La construction de l’encodeur .3Le modèle classifieur .4La construction du classifieur. 40 13Les modèles découlant de l’encodeur et du classifieur 40 13.1Le modèle encodeur-classifieur .2Le modèle classifieur. 40 14La compilation des modèles 41 15Ajustement de modèle 41 IV CHAPITRE : EXPÉRIMENTATIONS ET ANALYSES 42 16Études de la qualité des données 42 16.1La quantité des données .2La validation croisée de nos bases. 42 17La création et les tests sur des modèles 43 17.1La création des modèles .1Le modèle Encodeur-Classifieur .2Le réseau DBN .3Le réseau classifieur .2Les tests des réseaux .1Le test avec le reste des bases non utilisées .2Le test sur Gazebo.

44 18Le diagnostic de la provenance des mauvais résultats 45 18.1Études menées sur les données. 45 3 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2Les douze modèles .1Le modèle Classifieur .2Le modèle Encodeur_Classifieur .3Explication et comparaison des résultats .7Conclusion tirée de la comparaison et des tests. 48 19La nouvelle base et les nouveaux modèles 49 19.1Les classes perturbatrices .1Le modèle DBN .2Le modèle Encodeur_Classifieur .2Conclusion sur les résultats des trois modèles. 52 20Les modèles conçus avec la nouvelle base et les résultats 52 20.1Le modèle DBN .2Le modèle Encodeur_Classifieur .4Conclusion sur les nouveaux modèles créés.

56 V CHAPITRE : CONCLUSIONS ET PERSPECTIVES 58 21Conclusion et perspectives 58 21. 59 4 LUAN VAN CHAT LUONG download : add [e-mail] LISTE DES FIGURES 1 Implantation géographique des diverses centres d’IRSTEA. 10 2 Organigramme de IRSTEA Clermont. 12 3 Les embranchements du Machine Learning.

15 4 Première partie des 71 articles de l’état de l’art. 19 5 Deuxième partie des 71 articles de l’état de l’art. 20 6 Troisième partie des 71 articles de l’état de l’art. 21 7 Quatrième partie des 71 articles de l’état de l’art.

21 8 Première partie des 7 articles retenus. 24 9 Deuxième partie des 7 articles retenus. 25 10 Troisième partie des 7 articles retenus. 26 11 Représentation d’un autoencodeur.

27 12 Représentation d’une unité du DBN. 28 13 Représentation simple de la machine de Boltzmann. 29 14 Equation de la fonction TanH. 30 15 Représentation de la fonction Tangente hyperbolique.

30 16 Equation de la dérivée de la fonction Tangente. 31 17 La représentation de la courbe Relu. 31 18 Représentation de la fonction Sigmoïde. 33 19 Architecture du classifieur.

46 20 Architecture de l’encodeur. 46 21 Architecture du classifieur associé a l’encodeur. 46 22 Courbe de la fonction de perte du DBN pour 7 classes. 49 23 Courbe de la précision du DBN pour 7 classes.

50 24 Matrice de confusion du modèle DBN pour 7 classes. 50 25 Courbe de la fonction de perte de l’E_C pour 7 classes. 50 26 Courbe de la fonction de précision de l’E_C pour 7 classes. 50 27 Matrice de confusion du modèle E_C pour 7 classes.

51 28 Courbe de la fonction de perte du classifieur pour 7 classes. 51 29 Courbe de la précision du modèle classifieur pour 7 classes. 51 30 Matrice de confusion du modèle classifieur pour 7 classes. 51 31 Courbe de la fonction de perte du DBN pour 20 classes.

52 32 Courbe de la précision du modèle DBN pour 20 classes. 53 33 Matrice de confusion du modèle DBN pour 20 classes. 53 34 Courbe de la fonction de perte de l’E_C pour 20 classes. 54 35 Courbe de la fonction de précision de l’E_C pour 20 classes.

54 36 Matrice de confusion du modèle E_C pour 20 classes. 55 37 Courbe de la fonction de perte du classifieur pour 20 classes. 55 38 Courbe de la précision du modèle classifieur pour 20 classes. 56 39 Matrice de confusion du modèle du classifieur pour 20 classes 56 5 LUAN VAN CHAT LUONG download : add [e-mail] Résumé Le bon fonctionnement de tout appareil électronique ou mécanique repose sur une durée plus ou moins longue suivant l’utilité et l’utilisation.

Au cours de leur utilisation surviennent des pannes ou des dysfonctionne- ments qui peuvent dépendre d’un ou plusieurs éléments simultanément. Ces pannes sont souvent constatées ou pas après dysfonctionnement ; et la détection de la cause exacte est souvent difficile. Dans ce mémoire, nous décrivons comment nous avons mené nos recherches pour le diagnostic de pannes de robots mobiles grâce aux réseaux de neurones. A l’aide des capteurs qui sont sur le robot, dans une simulation sur Gazebo, nous géné- rons 34 variables jugées nécessaires qui, ensemble définissent un état de fonctionnement du robot.

Nous avons au total 20 cas de fonctionnements, dont un cas d’état normal sans panne. L’algorithme (encodeur), apprend les caractéristiques dans un premier temps et sa sortie est mise en entrée d’un Classifieur pour avoir les classes en sortie. Ce résultat décrit l’état du robot suite aux données reçues. La détection se fait en temps réel avec une très bonne précision, montrant la performance du modèle conçu.

Mots clés : Diagnostics, défauts, robots mobiles, résidus, réseaux de neu- rones(Deep Learning), Autoencodeur(encodeur, decodeur), classification multi-classes et multi-label. 6 LUAN VAN CHAT LUONG download : add [e-mail] Summary The proper functioning of any electronic or mechanical device is ba- sed on a longer or shorter duration depending on the utility and use. Du- ring their use there are failures or malfunctions that may depend on one or more elements simultaneously. These failures are often noted or not after malfunction ; and the detection of the exact cause is often difficult.

In this thesis, we describe how we conducted our research for the diagnosis of mobile robot failures through neural networks. Using the sensors that are on the robot, in a simulation on Gazebo, we generate 34 variables deemed necessary which together define a running state of the robot. We have a total of 20 cases of operation, including a normal case without failure. The algorithm (encoder), learns the characteristics in a first time and its output is put in input of a Classifier to have the classes in exit.

This result describes the state of the robot following the received data. The detection is done in real time with a very good precision, showing the performance of the model created. Keywords : Diagnostics, defects, mobile robots, residues, neural networks (Deep Learning), Autoencoder (encoder, decoder), multi-class and multi- label classification. 7 LUAN VAN CHAT LUONG download : add [e-mail] 1 Introduction générale Aujourd’hui, la nécessité dans la production, dans la réalisation des tâches et le travail continu pour des rendements meilleurs qu’hier, re- présentent de grands défis entre les défaillances des systèmes, les pannes de machines, le temps d’exécution et le seuil de la productivité.

Un dé- réglage ou un dysfonctionnement dans le comportement nominal de ces systèmes peut conduire à des conséquences sérieuses pouvant être né- fastes pour l’humain et l’environnement. De plus, le fait de résoudre ces problèmes peut s’avérer parfois très coûteux. La présence des machines ou des robots à usage domestique ou industriel ont en un point, des élé- ments communs susceptibles de rencontrer des dysfonctionnements selon l’environnement, l’impact de l’homme ou à l’usure du temps. Ces dysfonc- tionnements ont des conséquences parfois irréversibles et qui engendrent des pertes et dégâts irréparables.

Afin de réduire à presque rien ces dégâts ou de carrément les éviter, il est mieux de mettre en place, des moyens de surveillance du fonctionnement suivant toutes les activités menées afin de détecter le plus tôt possible des futures pannes imminentes et d’en ap- porter une correction. Ainsi, pour toutes ces cas de pannes, il peut y avoir des cas de sur- veillance de fonctionnement ou des défauts qui seront proches selon les méthodes à mettre en œuvre. De façon plus objective, la surveillance des pannes découle sur deux aspects : — La mise en place de méthodes pour la détection de pannes dans un but de préserver la sécurité de l’utilisateur, préserver le bon fonction- nement de la machine ou de l’outil. — Maintenir une productivité et un fonctionnement continus dans les excellents états de fonctionnement pouvant être représentés de façon linéaire.