Jedným z výsledkov dozrievania technológií, ako je internet vecí (IoT), rozšírená realita (AR) a cloud computing, je vzostup továrne Smart Factory. Stále viac známymi pohľadmi v inteligentných továrňach sú kolaboratívne roboty. Kolaboratívne roboty už zohrávajú dôležitú úlohu v inteligentnej výrobe a budú v priebehu času preberať viac funkcií a v továrni poskytujú väčšiu hodnotu.
Keďže sa inteligentné továrne čoraz viac spoliehajú na roboty spolupráce, aby plnili svoje základné funkcie, je ešte dôležitejšie, aby fungovali spoľahlivo a bez neplánovaných prestojov. To podnietilo výrobcov kolaboratívnych robotov, aby umožnili prediktívnu údržbu vo svojich výrobkoch: včasné varovanie pre používateľov v prípade zlyhania, ktoré by v konečnom dôsledku mohlo ohroziť fungovanie ich kolaboratívnych robotov. Ponúka príležitosť opraviť chyby v plánovaných časoch údržby bez narušenia spôsobených neočakávanými poruchami stroja.
V kolaboratívnych robotoch sa prediktívne systémy údržby spoliehajú na senzory, ktoré detekujú malé anomálie v pohybe končatín a kĺbov, ako aj v motoroch, ktoré ich riadia:
- Senzory, ako sú akcelerometre a inerciálne meracie jednotky (IMU), môžu detekovať vibrácie spôsobené opotrebením ložiska atď.
- Ultrazvukové senzory zachytávajú jedinečné akustické podpisy na detekciu nadmerného trenia.
Techniky strojového učenia, odvetvie umelej inteligencie (AI), sa používajú na umožnenie kolaboratívnych robotov na zisťovanie rozdielov vo vibráciách a zvukových vzorcoch z referenčného bodu, keď je kolaboratívny robot úplne nový alebo v známeho nepoškodeného stavu. Analýza abnormálnych vzorov umožňuje systému diagnostikovať skoré zlyhania a spúšťať žiadosti o plánované opravy a údržbu systému riadenia rastlín.
V počiatočných implementáciách strojového učenia sa komplexné algoritmy neurónovej siete na rozpoznávanie vzorov v signáloch senzorov zvyčajne bežali na diaľku v silných vložených výpočtových systémoch založených na mikroprocesoroch.
Takéto centralizované systémy však pri riešení vstupov z veľkého počtu spolupracujúcich robotov kladú veľké bremeno na spracovanie zariadení, čo viedlo k vysokej spotrebe energie a zaberaniu značnej šírky pásma v sieti spájajúcich spolupracujúce roboty s centrálnym riadiacim systémom.
Príchod novej generácie senzorov so zabudovanými schopnosťami AI teraz ponúka výrobcov robotov spolupráce nový spôsob, ako umožniť miestne strojové učenie. Pomocou nástrojov a softvéru od spoločnosti StMicroelectronics, priekopník vo vývoji senzorov strojového učenia, môžu inžinieri spoločnosti Collaborative Robot Designs využiť nový a jednoduchší spôsob, ako vybudovať prediktívne schopnosti údržby do svojich výrobkov.
Široká škála senzorov MEMS na vibrácie a ultrazvukové merania
ST ponúka jeden z najväčších portfólií senzorov MEMS v tomto odvetví vrátane akcelerometre, IMU, tlakových senzorov a mikrofónov. Prvky snímania sa vyrábajú pomocou špecializovaných procesov mikromachiningu, zatiaľ čo IC rozhrania sa vyvíjajú pomocou špecializovanej technológie CMOS. To umožňuje návrh špecializovaných obvodov, ktoré zodpovedajú charakteristikám snímacieho prvku.
Táto technológia podporuje vysoký výkon IIS3DWB, napríklad trojosový ultra široký akcelerometer šírky pásma, ktorý je ideálny na detekciu vibrácií generovaných chybnými strojmi. ST tiež ponúka moduly snímača pohybu na základe svojich ICS Sensor ICS: ISM33 0 DHCX, napríklad produkt v balení systému, ktorý obsahuje vysoko výkonné 3D digitálne akcelerometre a 3D digitálne gyroskopy prispôsobené aplikáciám priemyslu 4.0 .
Strojové učenie založené na logike rozhodovania stromov
ISM330DHCX je jednou z ponuky senzorov ST MEMS, ktorá obsahuje zabudovanú funkciu AI vo forme jadra strojového učenia (MLC). Táto schopnosť strojového učenia umožňuje operátorom systému prenášať niektoré prediktívne algoritmy údržby z centrálneho procesora aplikácie na senzor, pričom špecializovaný MLC konzumuje oveľa menšiu energiu.
Ako teda môže malý logický blok spracovania nízkoenergetického spracovania senzora poskytnúť schopnosti strojového učenia, ktoré by za normálnych okolností vyžadovali veľký procesor aplikácií hladného?
Odpoveď spočíva v logike rozhodovania, ktorá vkladá do svojich inteligentných senzorov: Algoritmy s rozhodovacími stromami s podporou ST sú jednoduchšie ako tradičné algoritmy neurónovej siete, a preto spotrebúvajú oveľa menej inštruktážnych cyklov a sily.
Rozhodovací strom je matematický nástroj pozostávajúci zo série konfigurovateľných uzlov. Každý uzol predstavuje podmienku „if-then-else“, ktorý porovnáva vstupný signál (tj kvantitatívnu hodnotu vypočítanú zo surových údajov senzora) s prahovou hodnotou.
ISM330DHCX môže byť nakonfigurovaný tak, aby sa súčasne a nezávisle prebehol až osem rozhodovacích stromov. Rozhodovacie stromy sú uložené v zariadení a výsledky sa generujú v špecializovaných výstupných registroch. Výsledky rozhodovacieho stromu môžu kedykoľvek prečítať hostiteľský mikrokontrolér alebo procesor aplikácie. Senzor môže tiež generovať prerušenia pre každú zmenu vo výsledkoch generovaných stromom rozhodovania.
Ako funguje logika rozhodovacieho stromu
Prediktívny model rozhodovacieho stromu je skonštruovaný zo súboru údajov o výcviku a uložený v ISM330DHCX. Údaje o výcviku sa zaznamenávajú v požadovanom stave (tj v dobrom stave, bez porúch) počas prevádzky robota spolupráce.
Rozhodovací strom je metóda, pomocou ktorej MLC analyzuje spoločné vlastnosti v databáre surových senzorov. Tieto spoločné vlastnosti budú tvoriť základ „modelu“, ktorý senzory použijú na porovnanie prevádzky robota spolupráce. Ak výstup senzora vysoko zhoduje s modelom, robot spolupráce je bez porúch. Ak senzor nie je schopný porovnávať jeho merania v reálnom čase s modelom, je uvedená potenciálna porucha a alarm sa odošle operátora stroja.
Každý uzol stromu rozhodnutia obsahuje stav, za ktorého sa vlastnosti porovnávajú so špecifickým prahom. Ak je podmienka pravdivá, vyhodnotí sa ďalší uzol v skutočnej ceste. Ak je podmienka nepravdivá, vyhodnotí sa ďalší uzol v falošnej ceste, ako je znázornené na obrázku 1. Stav rozhodnutia strom sa vyvinie uzlom uzlom, kým sa výsledok nezistí. Výsledok rozhodovacieho stromu definuje behaviorálnu „kategóriu“: v prípade náramku z fitness môže byť takáto kategória „chôdza“ alebo „jogging“. V prediktívnych aplikáciách údržby pre roboty spolupráce zodpovedajú rôznym pracovným zaťažením robotov spolupráce.
Strom rozhodnutia pozostáva z viacerých uzlov
Rozhodovací strom generuje nový výsledok pre každé časové okno, ktorého dĺžka je nastavená používateľom na zachytenie charakteristík príslušnej kategórie aktivít. Výsledok môže byť tiež upravený ďalším voliteľným filtrom nazývaným „meta-klasifikátor“, ktorý aplikuje interné počítadlá na výstup stromu rozhodnutia.
Kategórie aktivít rozpoznané MLC (vo forme filtrovaných alebo nefiltrovaných výsledkov rozhodovacieho stromu) je možné pristupovať prostredníctvom registrov modulu ISM330DHCX.