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.

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.