Jedan od rezultata sazrijevanja tehnologija poput interneta stvari (IOT), povećana stvarnost (AR) i računarstvo u oblaku je porast pametne tvornice. Sve više poznatiji vid u pametnim tvornicama su kolaborativni roboti. Kolaborativni roboti već igraju važnu ulogu u pametnoj proizvodnji i preuzet će više funkcija i pružiti veću vrijednost u tvornici s vremenom.
Kako se pametne tvornice sve više oslanjaju na kolaborativne robote kako bi ispunili svoje bitne funkcije, postaje još važnije da djeluju pouzdano i bez neplaniranog prekida rada. Ovo je potaknulo proizvođače kolaborativnih robota da omogući prediktivno održavanje u svojim proizvodima: rano upozorenje za korisnike u slučaju neuspjeha koji bi u konačnici mogli ugroziti rad svojih kolaborativnih robota. Nudi priliku za popravljanje grešaka unutar planiranih vremena održavanja bez poremećaja uzrokovanih neočekivanim neuspehom mašine.
U suradničkim robotima, prediktivni sistemi održavanja se oslanjaju na senzore koji otkrivaju male anomalije u kretanju udova i zglobova, kao i u motorima koji ih voze:
- Senzori poput akcelerometri i inercijalnih mjernih jedinica (IMUS) mogu otkriti vibracije uzrokovane habanjem ležaja itd.
- Ultrazvučni senzori pokupi jedinstvene akustične potpise za otkrivanje prekomjernog trenja.
Tehnike mašine, grana umjetne inteligencije (AI) koriste se za omogućavanje suradničkih robota da otkriju razlike u vibracijskim i zvučnim uzorcima iz referentne točke kada je suradnički robot potpuno nov ili u poznatoj neoštećenom stanju. Analiza nenormalnih uzoraka omogućava sistemu da dijagnosticiraju rane propuste i pokreće zahtjeve za planirane popravke i održavanje u sustavu upravljanja postrojenjem.
U ranim implementacijama mašinskog učenja, složeni algoritmi neuronskih mrežnih mreža za prepoznavanje uzoraka u senzornim signalima obično se na daljinu trčaju u snažnim mikroprocesorskim ugrađenim računarskim sistemima.
Međutim, takvi centralizirani sustavi postavili su veliki teret na preradu opreme prilikom suočavanja sa ulazima iz velikog broja suradnih robota, što rezultira velikom potrošnjom energije i zauzimaju značajan iznos propusne širine u mreži koji povezuje saradnju u centralnom upravljačkom sustavu.
Pojava nove generacije senzora sa ugrađenim AI mogućnostima sada nudi suradnički proizvođači robota novi način za omogućavanje lokalnog strojnog učenja. Korištenje alata i softvera iz stmikroelektronike, pionir u razvoju mašinskih senzora za učenje, inženjeri sa kolaborativnim robotom mogu iskoristiti novi, jednostavniji način za izgradnju prediktivnih mogućnosti održavanja u svoje proizvode.
Širok raspon MEMS senzora za vibraciju i ultrazvučnu mjere
ST nudi jedan od najvećih portfelja u industriji Senzori MEMS-a, uključujući akcelerometre, Imus, senzore pritiska i mikrofona. Senzorski elementi se proizvode koristeći specijalizirane procese mikrovališta, dok se IC sučelja razvijaju pomoću specijalizirane CMOS tehnologije. To omogućava dizajn specijaliziranih krugova koji odgovaraju karakteristikama osjetljivog elementa.
Ova tehnologija podupira visoke performanse IIS3DWB-a, na primjer, tro-oskoročni ultra širok MEMS širine propusnosti, koji je idealan za otkrivanje vibracija koje generiraju neispravne mašine. ST takođe nudi module senzora pokreta na osnovu svojih MEMS senzora ICS-a: ISM33 0 DHCX, je sistem paketa u sistemu koji uključuje visoke performanse 3D digitalne akcelerometre i 3D digitalne žiroskope prilagođene za industriju 4.0 aplikacije .
Mašinsko učenje na osnovu logike stabla odluke
ISM330DHCX jedan je od ST-ovih MEMS-ovih ponuda senzora koji uključuju ugrađenu AI funkcionalnost u obliku mašinske jezgre za učenje (MLC). Ova mogućnost učenja uređaja omogućava operaterima sustava da prenose neke prediktivne algoritme za održavanje iz centralne aplikacijske procesore na senzor, s namjenskim MLC-om koji zahtijeva mnogo manju snagu.
Pa kako može se senzorov logički blok za obradu niskog napajanja pružiti strojnim mogućnostima učenja koje obično zahtijevaju veliki, moćno-gladni procesor za prijavu?
Odgovor se nalazi u logici stabla odluke da ugradi u svojim pametnim senzorima: algoritmi drveća koji omogućuju ul.
Stablo odluke je matematički alat koji se sastoji od niza konfiguriranih čvorova. Svaki čvor predstavlja stanje "IF-TAM-ELSE-a" koje uspoređuje ulazni signal (tj. Kvantitativna vrijednost izračunata iz podataka o sirovim senzorima) s pragom vrijednosti.
ISM330DHCX se može konfigurirati za pokretanje do osam stabala odluka istovremeno i samostalno. Drveće odlučivanja pohranjuju se u uređaj i rezultati se generiraju u namjenskim izlaznim registrima. Rezultati stabla odluke mogu se u bilo kojem trenutku pročitati host mikrokontrolerom ili procesorom aplikacija. Senzor takođe može generirati prekide za svaku promjenu rezultata generiranim stablom odluka.
Kako logika stabla odluke djeluje
Prediktivni model stabla odluke izgrađen je iz skupa podataka o obuci i pohranjen u ISM330DHCX. Podaci za obuku bilježe se u željenom stanju (tj. U dobrom stanju, bez grešaka) tokom rada kolaborativnog robota.
Stablo odluke je metoda koja MLC analizira zajedničke karakteristike u podacima o sirovim senzorima. Te će zajedničke karakteristike formirati osnovu "modela" da će se senzori koristiti za upoređivanje rada kolaborativnog robota. Ako se senzorski izlaz vrlo podudara sa modelom, kolaborativni robot je bez greške. Ako senzor ne može odgovarati svojim mjerenjima u stvarnom vremenu na model, naznačeno je potencijalni kvar i alarm se šalje operatoru mašine.
Svaki čvor stabla odluke sadrži uvjet pod kojim se značajke uspoređuju sa specifičnim pragom. Ako je stanje istinito, procjenjuje se sljedeći čvor u pravom putu. Ako je uvjet lažan, sljedeći čvor u lažnom putu procjenjuje se, kao što je prikazano na slici 1. Stanje stabla odluke evoluirat će čvoru do čvora dok se rezultat ne nađe. Rezultat stabla odluke definira ponašanju "kategoriju": u slučaju prehrambene narukvice, takva kategorija može biti "hodanje" ili "jogging". U prediktivnim aplikacijama za održavanje za kolaborativne robote, različita opterećenja kolaborativnih robota odgovaraju različitim kategorijama.
Stablo odluke sastoji se od više čvorova
Stablo odluke stvara novi rezultat za svaki prozor vremena, čija je dužina koju je korisnik postavio za snimanje karakteristika relevantne kategorije aktivnosti. Rezultat se može izmijeniti i dodatnim opcijskim filterom nazvan "meta-klasifikator" koji primjenjuje interne šaltere na izlaz stabla odluke.
Kategorije aktivnosti koje su prepoznali MLC (u obliku filtriranih ili filtriranih rezultata stabla odluka) mogu se pristupiti putem registara ISM330DHCX modula.