Ένας απλούστερος τρόπος για την εφαρμογή της πρόβλεψης συντήρησης σε συνεργατικά ρομπότ

Sep 06, 2024 Αφήστε ένα μήνυμα

Ένα από τα αποτελέσματα της ωρίμανσης των τεχνολογιών όπως το Διαδίκτυο των πραγμάτων (IoT), η επαυξημένη πραγματικότητα (AR) και το cloud computing είναι η άνοδος του έξυπνου εργοστασίου. Ένα όλο και πιο οικείο θέαμα στα έξυπνα εργοστάσια είναι τα συνεργατικά ρομπότ. Τα συνεργατικά ρομπότ διαδραματίζουν ήδη σημαντικό ρόλο στην έξυπνη κατασκευή και θα αναλάβουν περισσότερες λειτουργίες και θα προσφέρουν μεγαλύτερη αξία στο εργοστάσιο με την πάροδο του χρόνου.


Καθώς τα έξυπνα εργοστάσια βασίζονται όλο και περισσότερο σε συνεργατικά ρομπότ για να εκπληρώσουν τις βασικές τους λειτουργίες, καθίσταται ακόμη πιο σημαντικό να λειτουργούν αξιόπιστα και χωρίς μη προγραμματισμένο χρόνο διακοπής. Αυτό οδήγησε στους κατασκευαστές συνεργατικών ρομπότ να επιτρέψουν την πρόβλεψη συντήρησης στα προϊόντα τους: έγκαιρη προειδοποίηση για τους χρήστες σε περίπτωση αποτυχίας που θα μπορούσε τελικά να θέσει σε κίνδυνο τη λειτουργία των συνεργατικών ρομπότ τους. Προσφέρει την ευκαιρία να διορθωθεί τα σφάλματα μέσα σε προγραμματισμένους χρόνους συντήρησης χωρίς τη διαταραχή που προκαλείται από απροσδόκητες αποτυχίες της μηχανής.


Στα συνεργατικά ρομπότ, τα συστήματα πρόβλεψης συντήρησης βασίζονται σε αισθητήρες που ανιχνεύουν μικρές ανωμαλίες στην κίνηση των άκρων και των αρθρώσεων, καθώς και στους κινητήρες που τους οδηγούν:


- αισθητήρες όπως επιταχυνσιόμετρα και μονάδες αδρανειακής μέτρησης (IMUS) μπορούν να ανιχνεύσουν δονήσεις που προκαλούνται από φθορά ρουλεμάν, κλπ.
- Οι αισθητήρες υπερήχων παραλαμβάνουν μοναδικές ακουστικές υπογραφές για την ανίχνευση υπερβολικής τριβής.


Οι τεχνικές μηχανικής μάθησης, ένας κλάδος της τεχνητής νοημοσύνης (AI), χρησιμοποιούνται για να επιτρέψουν σε συνεργατικά ρομπότ να ανιχνεύσουν διαφορές στις κραδασμούς και τα ηχητικά πρότυπα από ένα σημείο αναφοράς όταν το συνεργατικό ρομπότ είναι ολοκαίνουργιο ή σε μια γνωστή άθικτη κατάσταση. Η ανάλυση των μη φυσιολογικών μοτίβων επιτρέπει στο σύστημα να διαγνώσει τις πρώτες αποτυχίες και να προκαλέσει αιτήσεις για προγραμματισμένες επισκευές και συντήρηση στο σύστημα διαχείρισης των εγκαταστάσεων.


Στις πρώιμες εφαρμογές της μηχανικής μάθησης, πολύπλοκες αλγόριθμοι νευρωνικού δικτύου για την αναγνώριση των προτύπων σε σήματα αισθητήρων έτρεξαν συνήθως από απόσταση σε ισχυρά ενσωματωμένα συστήματα υπολογιστών που βασίζονται σε μικροεπεξεργαστή.


Ωστόσο, τέτοια κεντρικά συστήματα έβαλαν βαριά επιβάρυνση στον εξοπλισμό επεξεργασίας όταν ασχολούνται με εισροές από μεγάλο αριθμό συνεργατικών ρομπότ, με αποτέλεσμα την υψηλή κατανάλωση ενέργειας και την ανάληψη σημαντικής ποσότητας εύρους ζώνης στο δίκτυο που συνδέει τα ρομπότ συνεργασίας στο κεντρικό σύστημα ελέγχου.


Η έλευση μιας νέας γενιάς αισθητήρων με ενσωματωμένες δυνατότητες AI προσφέρει τώρα συνεργατικούς κατασκευαστές ρομπότ έναν νέο τρόπο για να επιτρέψει την τοπική μηχανική μάθηση. Χρησιμοποιώντας εργαλεία και λογισμικό από το Stmicroelectronics, έναν πρωτοπόρο στην ανάπτυξη αισθητήρων μηχανικής μάθησης, οι συνεργατικοί μηχανικοί σχεδιασμού ρομπότ μπορούν να επωφεληθούν από έναν νέο, απλούστερο τρόπο για την οικοδόμηση δυνατοτήτων συντήρησης των προγνωστικών στα προϊόντα τους.

 

Ένα ευρύ φάσμα αισθητήρων MEMS για δόνηση και υπερηχητικές μετρήσεις


Το ST προσφέρει ένα από τα μεγαλύτερα χαρτοφυλάκια αισθητήρων MEMS της βιομηχανίας, συμπεριλαμβανομένων των επιταχυνσιόμετρων, των IMUs, των αισθητήρων πίεσης και των μικροφώνων. Τα στοιχεία ανίχνευσης κατασκευάζονται χρησιμοποιώντας εξειδικευμένες διεργασίες μικρο -μικροσκοπικών, ενώ οι διεπαφές IC αναπτύσσονται χρησιμοποιώντας εξειδικευμένη τεχνολογία CMOS. Αυτό επιτρέπει το σχεδιασμό εξειδικευμένων κυκλωμάτων που ταιριάζουν με τα χαρακτηριστικά του στοιχείου ανίχνευσης.


Αυτή η τεχνολογία στηρίζει την υψηλή απόδοση του IIS3DWB, για παράδειγμα, το επιταχυνσιόμετρο MEMS του Ultra-axis ultra-axis, το οποίο είναι ιδανικό για την ανίχνευση δονήσεων που παράγονται από ελαττωματικές μηχανές. Το ST προσφέρει επίσης μονάδες αισθητήρων κίνησης που βασίζονται στον αισθητήρα MEMS: Το ISM33 0 DHCX, για παράδειγμα, είναι ένα προϊόν συστήματος σε συσκευασία που περιλαμβάνει 3D ψηφιακά επιταχυνσιόμετρα 3D και 3D ψηφιακά γυροσκόπια προσαρμοσμένα για τις εφαρμογές της βιομηχανίας 4.0 .

 

Μηχανική μάθηση με βάση τη λογική δέντρων αποφάσεων


Το ISM330DHCX είναι μία από τις προσφορές αισθητήρων MEMS της ST που περιλαμβάνει ενσωματωμένη λειτουργικότητα AI με τη μορφή πυρήνα μηχανικής μάθησης (MLC). Αυτή η ικανότητα εκμάθησης μηχανών επιτρέπει στους χειριστές του συστήματος να μεταφέρουν ορισμένους αλγόριθμους προγνωστικής συντήρησης από τον κεντρικό επεξεργαστή εφαρμογών στον αισθητήρα, με το αφοσιωμένο MLC να καταναλώνει πολύ λιγότερη ισχύ.


Πώς μπορεί λοιπόν να παρέχει το μικρό μπλοκ λογικής επεξεργασίας χαμηλής ισχύος του αισθητήρα να παρέχει τις δυνατότητες εκμάθησης μηχανών που κανονικά θα απαιτούσαν έναν μεγάλο επεξεργαστή εφαρμογής που πειράζει ενέργεια;


Η απάντηση έγκειται στη λογική των δένδρων αποφάσεων που ενσωματώνει στους έξυπνους αισθητήρες: οι αλγόριθμοι δέντρων αποφάσεων με δυνατότητα ST είναι απλούστεροι από τους παραδοσιακούς αλγόριθμους του νευρικού δικτύου και επομένως καταναλώνουν πολύ λιγότερους κύκλους διδασκαλίας και ισχύ.


Ένα δέντρο αποφάσεων είναι ένα μαθηματικό εργαλείο που αποτελείται από μια σειρά διαμορφώσιμων κόμβων. Κάθε κόμβος αντιπροσωπεύει μια κατάσταση "if-then-else" που συγκρίνει ένα σήμα εισόδου (δηλαδή, μια ποσοτική τιμή που υπολογίζεται από δεδομένα ακατέργαστων αισθητήρων) με τιμή κατωφλίου.


Το ISM330DHCX μπορεί να ρυθμιστεί ώστε να τρέχει μέχρι και οκτώ δέντρα αποφάσεων ταυτόχρονα και ανεξάρτητα. Τα δέντρα αποφάσεων αποθηκεύονται στη συσκευή και τα αποτελέσματα παράγονται σε ειδικούς καταχωρητές εξόδου. Τα αποτελέσματα του δέντρου αποφάσεων μπορούν να διαβαστούν ανά πάσα στιγμή από τον μικροελεγκτή ή τον επεξεργαστή εφαρμογής. Ο αισθητήρας μπορεί επίσης να παράγει διακοπές για κάθε αλλαγή στα αποτελέσματα που παράγονται από το δέντρο αποφάσεων.

 

Πώς λειτουργεί η λογική του δέντρου απόφασης


Το μοντέλο πρόβλεψης για το δέντρο αποφάσεων κατασκευάζεται από ένα σύνολο δεδομένων εκπαίδευσης και αποθηκεύεται στο ISM330DHCX. Τα δεδομένα εκπαίδευσης καταγράφονται στην επιθυμητή κατάσταση (δηλαδή σε καλή κατάσταση, χωρίς σφάλματα) κατά τη λειτουργία του συνεργατικού ρομπότ.


Ένα δέντρο αποφάσεων είναι μια μέθοδος με την οποία το MLC αναλύει τα κοινά χαρακτηριστικά στα δεδομένα των ακατέργαστων αισθητήρων. Αυτά τα κοινά χαρακτηριστικά θα αποτελούν τη βάση ενός "μοντέλου" που θα χρησιμοποιήσουν οι αισθητήρες για να συγκρίνουν τη λειτουργία του συνεργατικού ρομπότ. Εάν η έξοδος του αισθητήρα ταιριάζει σε μεγάλο βαθμό στο μοντέλο, το συνεργατικό ρομπότ είναι χωρίς σφάλματα. Εάν ο αισθητήρας δεν είναι σε θέση να ταιριάζει με τις μετρήσεις του σε πραγματικό χρόνο στο μοντέλο, υποδεικνύεται πιθανή δυσλειτουργία και αποστέλλεται συναγερμός στον χειριστή του μηχανήματος.


Κάθε κόμβος του δέντρου αποφάσεων περιέχει μια κατάσταση κάτω από την οποία τα χαρακτηριστικά συγκρίνονται με ένα συγκεκριμένο όριο. Εάν η κατάσταση είναι αληθής, αξιολογείται ο επόμενος κόμβος στην πραγματική διαδρομή. Εάν η κατάσταση είναι ψευδής, αξιολογείται ο επόμενος κόμβος στην ψεύτικη διαδρομή, όπως φαίνεται στο σχήμα 1. Η κατάσταση του δέντρου αποφάσεων θα εξελίσσεται κόμβο με κόμβο μέχρι να βρεθεί το αποτέλεσμα. Το αποτέλεσμα του δέντρου αποφάσεων ορίζει μια "κατηγορία" συμπεριφοράς: στην περίπτωση ενός βραχιολιού γυμναστικής, μια τέτοια κατηγορία μπορεί να είναι "περπάτημα" ή "τζόκινγκ". Στις εφαρμογές πρόβλεψης συντήρησης για συνεργατικά ρομπότ, διαφορετικοί φόρτοι εργασίας συνεργατικών ρομπότ αντιστοιχούν σε διαφορετικές κατηγορίες.

 

Decision tree consists of multiple nodes

Το δέντρο αποφάσεων αποτελείται από πολλαπλούς κόμβους

 

Το δέντρο αποφάσεων δημιουργεί ένα νέο αποτέλεσμα για κάθε χρονικό παράθυρο, το μήκος του οποίου ορίζεται από το χρήστη για να καταγράψει τα χαρακτηριστικά της σχετικής κατηγορίας δραστηριότητας. Το αποτέλεσμα μπορεί επίσης να τροποποιηθεί με ένα πρόσθετο προαιρετικό φίλτρο που ονομάζεται "μετα-ταξινομητής" που εφαρμόζει εσωτερικούς μετρητές στην παραγωγή δέντρου αποφάσεων.


Οι κατηγορίες δραστηριοτήτων που αναγνωρίζονται από το MLC (με τη μορφή φιλτραρισμένων ή μη φιλτραρισμένων αποτελεσμάτων δέντρων αποφάσεων) μπορούν να προσεγγιστούν μέσω των καταχωρητών της μονάδας ISM330DHCX.

Αποστολή ερώτησής

whatsapp

Τηλέφωνο

Ηλεκτρονικό ταχυδρομείο

Εξεταστική