Unul dintre rezultatele maturizării tehnologiilor, cum ar fi Internet of Things (IoT), Realitatea augmentată (AR) și cloud computing este ascensiunea fabricii inteligente. O vedere din ce în ce mai familiară în fabricile inteligente sunt roboții de colaborare. Roboții de colaborare joacă deja un rol important în fabricația inteligentă și vor prelua mai multe funcții și vor oferi o valoare mai mare în fabrică în timp.
Deoarece fabricile inteligente se bazează din ce în ce mai mult pe roboți de colaborare pentru a -și îndeplini funcțiile esențiale, devine și mai important ca acestea să funcționeze în mod fiabil și fără timp de oprire neplanificat. Acest lucru a determinat producătorii de robot colaborativ să permită întreținerea predictivă în produsele lor: avertizare timpurie pentru utilizatori în cazul unui eșec care ar putea pune în pericol funcționarea roboților lor de colaborare. Oferă posibilitatea de a remedia defecțiunile în timpii de întreținere planificate, fără perturbarea cauzată de defecțiunile neașteptate ale mașinii.
În roboții colaboratori, sistemele de întreținere predictivă se bazează pe senzori care detectează anomalii mici în mișcarea membrelor și a articulațiilor, precum și în motoarele care le conduc:
- Senzorii precum accelerometrele și unitățile de măsurare inerțială (IMUS) pot detecta vibrațiile cauzate de uzura rulmentului, etc.
- Senzorii cu ultrasunete ridică semnături acustice unice pentru a detecta frecarea excesivă.
Tehnicile de învățare automată, o ramură a inteligenței artificiale (AI), sunt utilizate pentru a permite roboților de colaborare să detecteze diferențele de vibrații și modele de sunet dintr -un punct de referință atunci când robotul de colaborare este nou sau într -o stare nedeteriorată cunoscută. Analiza tiparelor anormale permite sistemului să diagnostice defecțiuni precoce și să declanșeze cererile de reparații și întreținere planificată către sistemul de gestionare a instalațiilor.
În implementările timpurii ale învățării automate, algoritmii de rețea neuronală complexă pentru recunoașterea tiparelor din semnalele senzorilor au de obicei de la distanță în sisteme puternice de calcul încorporate bazate pe microprocesor.
Cu toate acestea, astfel de sisteme centralizate au pus o povară grea asupra echipamentelor de procesare atunci când se ocupă de intrări dintr -un număr mare de roboți colaboratori, ceea ce a dus la un consum mare de energie și la preluarea unei cantități semnificative de lățime de bandă în rețea care conectează roboții colaboratori la sistemul de control central.
Apariția unei noi generații de senzori cu capacități AI încorporate oferă acum producătorilor de robot colaborativ o nouă modalitate de a permite învățarea automată locală. Folosind instrumente și software de la STMicroelectronics, un pionier în dezvoltarea senzorilor de învățare automată, inginerii de proiectare a robotului colaborativ pot profita de o nouă modalitate mai simplă de a construi capacități de întreținere predictivă în produsele lor.
O gamă largă de senzori MEMS pentru vibrații și măsurători cu ultrasunete
ST oferă unul dintre cele mai mari portofolii de senzori MEMS din industrie, inclusiv accelerometre, IMUS, senzori de presiune și microfoane. Elementele de detectare sunt fabricate folosind procese specializate de micromachinare, în timp ce interfețele IC sunt dezvoltate folosind tehnologia CMOS specializată. Acest lucru permite proiectarea circuitelor specializate care se potrivesc cu caracteristicile elementului de detectare.
Această tehnologie stă la baza performanțelor ridicate ale IIS3DWB, de exemplu, accelerometrul MEMS cu trei axe ultra-lățime, care este ideal pentru detectarea vibrațiilor generate de mașini defecte. De asemenea, ST oferă module de senzori de mișcare pe baza ICS senzor MEMS: ISM33 0 DHCX, de exemplu, este un produs de sistem în pachet care include accelerometre digitale de înaltă performanță și giroscopuri digitale 3D adaptate pentru aplicațiile Industrie 4.0 Industry 4.0 Aplicații Industrie 4.0 pentru aplicații Industry 4.0 pentru aplicații industriale 4.0 .
Învățare automată bazată pe logica arborelui decizional
ISM330DHCX este una dintre ofertele ST MEMS senzor care include funcționalitatea AI încorporată sub forma unui nucleu de învățare automată (MLC). Această capacitate de învățare automată permite operatorilor de sistem să transfere unii algoritmi de întreținere predictivă de la procesorul de aplicații centrale către senzor, MLC dedicat consumând mult mai puțină putere.
Deci, cum poate micul bloc logic de prelucrare a senzorului, cu putere redusă, să ofere capacități de învățare automată care ar necesita în mod normal un procesor de aplicații mare, înfometat de putere?
Răspunsul constă în logica arborelui de decizie pe care ST o încorporează în senzorii săi inteligenți: algoritmii arborelui de decizie activat ST sunt mai simpli decât algoritmii tradiționali de rețea neuronală și, prin urmare, consumă mult mai puține cicluri de instrucțiuni și putere.
Un arbore de decizie este un instrument matematic format dintr -o serie de noduri configurabile. Fiecare nod reprezintă o condiție „if-then-else” care compară un semnal de intrare (adică o valoare cantitativă calculată din datele senzorului brut) cu o valoare de prag.
ISM330DHCX poate fi configurat pentru a rula până la opt arbori de decizie simultan și independent. Arborele de decizie sunt stocate în dispozitiv, iar rezultatele sunt generate în registrele de ieșire dedicate. Rezultatele arborelui de decizie pot fi citite în orice moment de microcontrolerul gazdă sau de procesorul de aplicații. Senzorul poate genera, de asemenea, întreruperi pentru fiecare schimbare a rezultatelor generate de arborele decizional.
Cum funcționează logica arborelui decizional
Modelul predictiv pentru arborele de decizie este construit dintr -un set de date de instruire și stocat în ISM330DHCX. Datele de instruire sunt înregistrate în starea dorită (adică, în stare bună, fără defecte) în timpul funcționării robotului colaborativ.
Un arbore de decizie este o metodă prin care MLC analizează caracteristicile comune în datele senzorului brut. Aceste caracteristici comune vor constitui baza unui „model” pe care senzorii îl vor folosi pentru a compara funcționarea robotului colaborativ. Dacă ieșirea senzorului se potrivește foarte mult cu modelul, robotul de colaborare este fără defecte. Dacă senzorul nu este în măsură să se potrivească cu măsurătorile sale în timp real la model, este indicată o defecțiune potențială și o alarmă este trimisă operatorului de mașini.
Fiecare nod al arborelui de decizie conține o condiție în care caracteristicile sunt comparate cu un prag specific. Dacă condiția este adevărată, următorul nod din calea adevărată este evaluat. Dacă condiția este falsă, următorul nod din calea falsă este evaluat, așa cum se arată în figura 1. Starea arborelui de decizie va evolua nodul cu nod până la găsirea rezultatului. Rezultatul arborelui de decizie definește o „categorie” comportamentală: în cazul unei benzi de fitness, o astfel de categorie ar putea fi „mers” sau „jogging”. În aplicațiile de întreținere predictivă pentru roboți colaboratori, diferite volumuri de lucru ale roboților colaboratori corespund diferitelor categorii.
Arborele de decizie este format din mai multe noduri
Arborele de decizie generează un nou rezultat pentru fiecare fereastră, a cărei lungime este setată de utilizator pentru a capta caracteristicile categoriei de activități relevante. Rezultatul poate fi, de asemenea, modificat printr-un filtru opțional suplimentar numit „meta-clasificator” care aplică contoare interne la ieșirea arborelui decizional.
Categoriile de activități recunoscute de MLC (sub formă de rezultate ale arborelui de decizie filtrate sau nefiltrate) pot fi accesate prin registrele modulului ISM330DHCX.