随着科学技术和智能制造的快速发展,AGV越来越智能化,广泛应用于物流仓储、制造业和汽车等行业。一旦AGV发生故障,AGV可能会受损,严重时会造成巨大的经济损失。传统故障诊断方法存在难以建立精确的系统模型和故障诊断只关注当前时刻系统参数等问题,针对现有研究的问题,本文致力于研究基于深度学习的AGV故障诊断算法,引入深度学习技术,实现对AGV故障的即时监控和精准甄别,为工作人员及时排除故障,保证系统平稳运行提供保障。主要研究内容如下:(1)通过深入分析AGV常见的故障类型及其表现形式和原因,探究得到故障类型与表现形式并不是一一映射的关系,通过故障的表现形式直接推断故障类别、定位故障发生位置存在困难。由此提出了基于深度学习的AGV故障诊断框架,并完成故障诊断的基础性工作,包括数据采集和数据预处理等。(2)在故障诊断数据上,针对卷积神经网络存在的无法捕捉数据周期性和趋势性规律的问题,提出了一种多尺度时序深度残差网络(Multi-Scale Time ResNet)。该网络增加不同尺度的卷积核提取短期和长期的数据变化规律,通过残差短路结构和深度结构增强模型的泛化能力和提高模型的精度。实验证明,相比于基础的一维卷积神经网络,该网络将AGV故障诊断的F1分数从0.849提升到0.872,误报率和漏报率分别降低了 3.3%和1.4%。(3)在长序列故障诊断数据上,针对长短记忆神经网络存在的梯度消散和长距离信息丢失的问题,提出了一种新型EiReLU激活函数,并基于此构建了双向长短记忆神经网络故障诊断模型,解决了部分神经元无法激活和长距离信息丢失的问题。实验证明,与原始的基于tanh激活函数的长短记忆神经网络相比,EiReLU函数将AGV故障诊断的F1分数从0.884提升到了 0.908,同时误报率和漏报率分别降低了 2.9%和 3.8%。(4)搭建AGV故障诊断实验研究平台。对AGV故障诊断的相关研究与理论分析进行实验验证。实验证明在真实环境中,本文提出的故障诊断方法有较高的实用性和准确性。