Selliste tehnoloogiate nagu asjade Interneti (IoT), liitreaalsuse (AR) ja pilvandmetöötluse küpsemise üks tulemusi on nutika tehase tõus. Nutikad tehastes on üha tuttav vaatamisväärsus koostöörobotid. Koostöörobotid mängivad nutikates tootmises juba olulist rolli ja võtavad omaks rohkem funktsioone ning annab aja jooksul tehases suuremat väärtust.
Kuna nutikad tehased tuginevad oma oluliste funktsioonide täitmiseks üha enam koostöörobotitele, muutub veelgi olulisem, et need tegutseksid usaldusväärselt ja ilma planeerimata seisakuid. See on ajendanud koostöörobotitootjaid võimaldama oma toodetes ennustavat hooldust: kasutajatele varajane hoiatus ebaõnnestumise korral, mis võib lõpuks ohtu nende koostöörobotite toimimist. See pakub võimalust fikseerida rikkeid kavandatud hooldusaegadel ilma ootamatute masina tõrgete põhjustatud häireteta.
Koostöörobotites tuginevad ennustavad hooldussüsteemid andurid, mis tuvastavad väikeste anomaaliaid jäsemete ja liigeste liikumisel, aga ka neid juhtivates mootorites:
- Sellised andurid nagu kiirendusmõõturid ja inertsiaalsed mõõtühikud (IMUS) võivad tuvastada kande kandmisest põhjustatud vibratsiooni jne.
- Ultraheli andurid korjavad liigse hõõrdumise tuvastamiseks ainulaadseid akustilisi allkirju.
Masinõppe tehnikaid, tehisintellekti haru (AI) haru, kasutatakse koostööroboteid, et tuvastada erinevusi vibratsioonis ja helimustrites võrdluspunktist, kui koostöö robot on täiesti uus või teadaolevas kahjustamata olekus. Ebanormaalsete mustrite analüüs võimaldab süsteemil diagnoosida varajased tõrkeid ja käivitada taotlusi kavandatud remondiks ja hoolduseks tehase juhtimissüsteemile.
Masinaõppe varajases rakenduses töötavad sensorisignaalide mustrite äratundmise keerulised närvivõrgu algoritmid tavaliselt võimsates mikroprotsessoripõhistes manustatud arvutisüsteemides.
Sellised tsentraliseeritud süsteemid panid aga suure hulga koostöörobotite sisenditega tegelemisel seadmete töötlemise suure koorma, mille tulemuseks on suur energiatarbimine ja võttes võrgus märkimisväärse hulga ribalaiust, mis ühendab koostööd teinud robotid keskse juhtimissüsteemiga.
Uue põlvkonna andurite tulek, millel on manustatud AI -võimalused, pakub nüüd koostöörobotitootjatele uut viisi kohaliku masinõppe võimaldamiseks. Kasutades masinõppe andurite väljatöötamise teerajaja STMICROelectronics'i tööriistu ja tarkvara, saavad ühised robotikujundusinsenerid kasutada ära uut ja lihtsamat viisi oma toodetesse ennustatavate hooldusvõimaluste loomiseks.
Lai valik MEMS -andureid vibratsiooniks ja ultraheli mõõtmiseks
ST pakub ühte tööstuse suurimat MEMS -andurite portfelli, sealhulgas kiirendusmõõturid, IMU -d, rõhuandurid ja mikrofonid. Sensorielemente valmistatakse spetsiaalsete mikromaterjaliprotsesside abil, IC -liidesed töötatakse välja spetsialiseeritud CMOS -tehnoloogia abil. See võimaldab kujundada spetsialiseeritud vooluringid, mis vastavad sensori elemendi omadustele.
See tehnoloogia toetab näiteks IIS3DWB suurt jõudlust, näiteks kolmeteljelise ultralaiuse ribalaiuse MEMS-i kiirendusmõõtur, mis sobib ideaalselt vigaste masinate tekitatud vibratsioonide tuvastamiseks. ST pakub ka MEMS-i sensori ICS-il põhinevaid liikumisandurite mooduleid: näiteks ISM33 0 DHCX on süsteem-pakendi toode, mis sisaldab suure jõudlusega 3D-digitaalseid kiirendusi ja 3D-digitaalseid güroskoope, mis on kohandatud tööstusharu 4.0 rakenduste jaoks 4.0 rakendustele, mis on kohandatud tööstusharu 4.0 rakenduste jaoks. .
Masinõpe põhineb otsustuspuu loogikal
ISM330DHCX on üks ST MEMS -i andurite pakkumisi, mis sisaldab manustatud AI funktsionaalsust masinõppe südamiku (MLC) kujul. See masinõppevõimalus võimaldab süsteemioperaatoritel üle kanda keskne rakendusprotsessor andurisse mõned ennustatavad hooldusalgoritmid, mille spetsiaalne MLC tarbis palju vähem energiat.
Niisiis, kuidas saab anduri väike, vähese energiatarbega töötlemisloogika plokk pakkuda masinõppe võimalusi, mis tavaliselt nõuaksid suurt, jõu näljase rakendusprotsessorit?
Vastus peitub otsustuspuu loogikas, mille ST manustab oma nutikaid andureid: ST-toega otsustuspuu algoritmid on lihtsamad kui traditsioonilised närvivõrgu algoritmid, ja seetõttu tarbivad palju vähem juhendamistsüklit ja jõudu.
Otsustuspuu on matemaatiline tööriist, mis koosneb konfigureeritavate sõlmede seeriast. Iga sõlm esindab tingimust "If-then-ELSE", mis võrdleb sisendsignaali (st töötlemata anduri andmete põhjal arvutatud kvantitatiivne väärtus) läviväärtusega.
ISM330DHCX saab konfigureerida kuni kaheksa otsustuspuud üheaegselt ja iseseisvalt. Otsuste puud salvestatakse seadmes ja tulemused genereeritakse spetsiaalsetes väljundregistrites. Otsustuspuu tulemusi saab igal ajal lugeda host mikrokontroller või rakendusprotsessor. Andur saab genereerida ka iga otsustuspuu genereeritud tulemuste muutuse katkestusi.
Kuidas otsustuspuu loogika töötab
Otsustuspuu ennustav mudel on konstrueeritud treeningandmete komplektist ja salvestatakse ISM330DHCX -is. Koolitusandmed registreeritakse koostöö roboti töö ajal soovitud olekus (st heas seisukorras vigadest).
Otsustuspuu on meetod, mille abil MLC analüüsib töötlemata anduri andmetes ühiseid tunnuseid. Need ühised omadused on "mudeli" aluseks, mida andurid kasutavad koostööroboti toimimise võrdlemiseks. Kui anduri väljund vastab mudelile kõrgelt, on koostöörobot tõrkevaba. Kui andur ei suuda oma reaalajas mõõtmisi mudeliga sobitada, on näidatud potentsiaalne talitlushäire ja masinaoperaatorile saadetakse häire.
Iga otsustuspuu sõlm sisaldab tingimust, mille korral omadusi võrreldakse konkreetse lävega. Kui tingimus on tõene, hinnatakse järgmist sõlme tõelise tee juures. Kui tingimus on vale, hinnatakse järgmist valetee sõlme, nagu on näidatud joonisel 1. Otsustuspuu olek areneb sõlme sõlme kaupa, kuni tulemus on leitud. Otsustuspuu tulemus määratleb käitumusliku "kategooria": Fitness käepaela puhul võib selline kategooria olla "kõndimine" või "sörkimine". Koostöörobotite ennustatavates hooldusrakendustes vastavad koostöörobotite erinevad töökoormused erinevatele kategooriatele.

Otsustuspuu koosneb mitmest sõlmest
Otsustuspuu loob iga ajaakna jaoks uue tulemuse, mille pikkuse määrab kasutaja asjakohase tegevuste kategooria omaduste jäädvustamiseks. Tulemust saab muuta ka täiendava valikulise filtriga, mida nimetatakse metaklassifikaatoriks, mis rakendab sisemisi loendureid otsustuspuu väljundile.
MLC poolt tunnustatud aktiivsuskategooriatele (filtreeritud või filtreerimata otsustuspuu tulemuste kujul) pääseb juurde ISM330DHCX registride kaudu.




