Study of Maglev train suspensions paves way for simpler industrial fault detection through AI

　　一種基于人工智能的工業故障檢測新方法已被應用于浮動磁懸浮列車的電磁懸浮，并且可以應用于其他安全關鍵控制系統。

　　研究人員利用磁懸浮列車分析了控制系統的可靠性——一種利用磁懸浮來移動車輛而不接觸地面、減少摩擦和允許更高速度的運輸方法。

　　結果表明，基于人工智能方法的工業系統故障檢測可能比現有技術復雜度低，計算成本顯著降低。它具有很強的潛力，以取代在各種工業應用中的故障檢測和隔離方案中使用的多個估計器。

　　來自英國林肯大學工程學院的Argyrios Zolotas博士和Konstantinos Michail博士、Kyriakos Deliparaschos博士和塞浦路斯理工大學和Athens國家技術大學的斯皮里登茨法斯塔斯教授的研究成果已經發表在AcDead上。IEEE控制系統技術學報。

　　通常，多傳感器故障的故障檢測和隔離（FDI）單元需要一組估計者，如卡爾曼濾波器，使用來自 remaining healthy sensors的信息來構造丟失的信號。

　　這一最新研究的結果表明，基于人工神經網絡的估計器方案與基于銀行的故障檢測器實現了相同的性能，但具有較低的計算成本。人工神經網絡是機器學習中使用的基于計算機的算法，它模仿神經元在人腦中的構造方式。

　　林肯大學工程學院的副主任Zolotas博士說：“在控制系統，尤其是安全關鍵系統中，可靠性是非常重要的。在現代系統應用中，例如在無人機中，保證控制可靠性的控制方法通常會增加已經有限的系統資源的計算成本。

　　在這項研究中，我們分析了工業設計中的可靠性的系統設計簡化，特別是關于傳感器和執行器的選擇。所提出的故障檢測方案使用人工智能方法來開發低計算故障檢測單元，降低了基于銀行的等價物的復雜性和計算能力。

　　所提出的框架是在磁懸浮列車上使用的電磁懸浮系統進行測試，以支持車輛和乘客的質量，以及確保在行駛過程中適當的乘坐質量。在所提出的體系結構中的一些簡單的修改允許用典型的神經網絡替換估計的銀行。結果表明，這種新方法具有很強的潛力，以取代在工業應用中的FDI計劃中使用的多個估計。

Provided by: University of Lincoln