Jedan od rezultata sazrijevanja tehnologija kao što su Internet stvari (IoT), proširena stvarnost (AR) i računalstvo u oblaku je porast pametne tvornice. Sve poznatiji prizor 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 tijekom vremena.
Kako se pametne tvornice sve više oslanjaju na kolaborativne robote kako bi ispunile svoje bitne funkcije, postaje još važnije da djeluju pouzdano i bez neplaniranih zastoja. To je potaknulo kolaborativne proizvođače robota da omoguće prediktivno održavanje u svojim proizvodima: rano upozorenje za korisnike u slučaju neuspjeha koji bi u konačnici mogao ugroziti rad njihovih kolaborativnih robota. Nudi priliku popraviti greške u planiranom vremenu održavanja bez poremećaja uzrokovanih neočekivanim kvarovima stroja.
U suradničkim robotima, sustavi za prediktivni održavanje oslanjaju se na senzore koji otkrivaju male anomalije u kretanju udova i zglobova, kao i u motorima koji ih pokreću:
- Senzori poput akcelerometara i inercijalnih mjernih jedinica (IMU) mogu otkriti vibracije uzrokovane habanjem ležaja, itd.
- Ultrazvučni senzori podižu jedinstvene akustične potpise za otkrivanje pretjeranog trenja.
Tehnike strojnog učenja, grana umjetne inteligencije (AI), koriste se kako bi se kolaborativni roboti omogućili otkrivanje razlika u obrascima vibracija i zvuka iz referentne točke kada je kolaborativni robot potpuno nov ili u poznatom neoštećenom stanju. Analiza nenormalnih obrazaca omogućava sustavu da dijagnosticira rane kvarove i pokrene zahtjeve za planirane popravke i održavanje sustava upravljanja postrojenjem.
U ranim implementacijama strojnog učenja, složeni algoritmi neuronske mreže za prepoznavanje obrazaca u senzorskim signalima obično se na daljinsko upravljaju u moćnim ugrađenim računalnim sustavima temeljenim na mikroprocesorima.
Međutim, takvi centralizirani sustavi postavili su veliki teret za obradu opreme prilikom bavljenja ulazima iz velikog broja suradničkih robota, što je rezultiralo velikom potrošnjom energije i preuzimanjem značajne količine propusnosti u mreži koji povezuje suradničke robote sa središnjim upravljačkim sustavom.
Pojava nove generacije senzora s ugrađenim AI mogućnostima sada nudi kolaborativne proizvođače robota novi način da omogući lokalno strojno učenje. Koristeći alate i softver iz STMicroelectronics -a, pionir u razvoju senzora strojnog učenja, inženjeri kolaborativnog dizajna robota mogu iskoristiti novi, jednostavniji način za izgradnju prediktivnih mogućnosti održavanja u svoje proizvode.
Širok raspon MEMS senzora za vibracije i ultrazvučna mjerenja
ST nudi jedan od najvećih portfelja MEMS senzora u industriji, uključujući akcelerometre, IMU -ove, senzore tlaka i mikrofoni. Senzorski elementi proizvode se pomoću specijaliziranih procesa mikroturiranja, dok su IC sučelja razvijena pomoću specijalizirane CMOS tehnologije. To omogućava dizajn specijaliziranih krugova koji odgovaraju karakteristikama osjetljivog elementa.
Ova tehnologija podupire visoke performanse IIS3DWB, na primjer, ultra-širokoj ultra širokoj propusnoj propusnoj propusnoj propusnosti Accelerometar, koji je idealan za otkrivanje vibracija koje generiraju neispravni strojevi. ST također nudi module senzora pokreta na temelju svog MEMS senzora ICS: ISM33 0 DHCX, na primjer, proizvod je u paketu koji uključuje 3D digitalni ubrzači i 3D digitalni žiroskopi prilagođeni industriji 4.0 aplikacija .
Strojno učenje na temelju logike stabla odluka
ISM330DHCX jedna je od ST -ovih MEMS senzorskih ponuda koja uključuje ugrađenu AI funkcionalnost u obliku jezgre strojnog učenja (MLC). Ova sposobnost strojnog učenja omogućava operatorima sustava da prenose neke algoritme za prediktivno održavanje iz središnjeg procesora za prijavu na senzor, pri čemu je namjenski MLC trošio mnogo manje snage.
Pa kako mali logički blok senzora može pružiti mogućnosti strojnog učenja, koje bi obično zahtijevali veliki procesor aplikacije glasan?
Odgovor leži u logici stabla odlučivanja da je ST ugrađen u svoje pametne senzore: Algoritmi stabla odlučivanja ST-a jednostavniji su od tradicionalnih algoritama neuronske mreže, te stoga troše daleko manje ciklusa i snage uputa.
Stablo odlučivanja je matematički alat koji se sastoji od niza čvorova koji se mogu konfigurirati. Svaki čvor predstavlja uvjet "if-tada-else" koji uspoređuje ulazni signal (tj. Kvantitativna vrijednost izračunata iz podataka RAW senzora) s vrijednošću praga.
ISM330DHCX može se konfigurirati za istovremeno i neovisno pokretanje do osam stabala odluka. Stabla odlučivanja pohranjuju se u uređaj, a rezultati se generiraju u namjenskim izlaznim registrima. Rezultati stabla odluke mogu se u bilo kojem trenutku pročitati mikrokontrolerom domaćina ili procesora za prijavu. Senzor također može stvoriti prekide za svaku promjenu rezultata generiranih stablom odluke.
Kako funkcionira logika stabla odluke
Prediktivni model za stablo odluke konstruiran je iz skupa podataka o treningu i pohranjen u ISM330DHCX. Podaci o treningu zabilježeni su u željenom stanju (tj. U dobrom stanju, bez grešaka) tijekom rada suradničkog robota.
Stablo odlučivanja je metoda kojom MLC analizira zajedničke značajke u podacima sirovog senzora. Ove zajedničke značajke činit će osnovu "modela" koji će senzori upotrijebiti za usporedbu rada kolaborativnog robota. Ako se senzor izlazi visoko odgovara modelu, kolaborativni robot je bez greške. Ako senzor ne može uskladiti svoja mjerenja u stvarnom vremenu s modelom, naznačen je potencijalni kvar i alarm se šalje operatoru stroja.
Svaki čvor stabla odluke sadrži stanje pod kojim se značajke uspoređuju s određenim pragom. Ako je uvjet istinit, procjenjuje se sljedeći čvor na pravom putu. Ako je uvjet lažan, procjenjuje se sljedeći čvor na lažnom putu, kao što je prikazano na slici 1., stanje stabla odluke razvijat će čvor čvorom dok se ne nađe rezultat. Rezultat stabla odluke definira "kategoriju" ponašanja: u slučaju fitness narukvice, takva bi kategorija mogla biti "hodanje" ili "trčanje". U aplikacijama za prediktivno održavanje za kolaborativne robote, različita opterećenja kolaborativnih robota odgovaraju različitim kategorijama.
Stablo odluke sastoji se od više čvorova
Stablo odlučivanja stvara novi rezultat za svaki vremenski prozor, čiju duljinu korisnik postavlja kako bi uhvatio karakteristike relevantne kategorije aktivnosti. Rezultat se također može izmijeniti dodatnim opcijskim filtrom nazvanim "meta-klasifikator" koji primjenjuje unutarnje brojače na izlaz stabla odluke.
Kategorijama aktivnosti prepoznata MLC-om (u obliku filtriranih ili nefiltriranih rezultata stabla odlučivanja) može se pristupiti putem registara modula ISM330DHCX.