Eines der Ergebnisse der Reifung von Technologien wie dem Internet der Dinge (IoT), Augmented Reality (AR) und Cloud Computing ist der Aufstieg der intelligenten Fabrik. Ein zunehmend vertrauter Anblick in intelligenten Fabriken sind kollaborative Roboter. Kollaborative Roboter spielen bereits eine wichtige Rolle bei der Smart Manufacturing und übernehmen mehr Funktionen und bieten im Laufe der Zeit einen größeren Wert in der Fabrik.
Da intelligente Fabriken zunehmend auf kollaborative Roboter angewiesen sind, um ihre wesentlichen Funktionen zu erfüllen, wird es noch wichtiger, dass sie zuverlässig und ohne ungeplante Ausfallzeiten arbeiten. Dies hat kollaborative Roboterhersteller dazu veranlasst, die Vorhersagewartung in ihren Produkten zu ermöglichen: Frühwarnung für Benutzer im Falle eines Fehlers, der letztendlich den Betrieb ihrer kollaborativen Roboter gefährden könnte. Es bietet die Möglichkeit, Fehler in geplanten Wartungszeiten ohne die Störung durch unerwartete Maschinenfehler zu beheben.
In kollaborativen Robotern stützen sich prädiktive Wartungssysteme auf Sensoren, die kleine Anomalien bei der Bewegung von Gliedmaßen und Fugen sowie in den Motoren erkennen, die sie antreiben:
- Sensoren wie Beschleunigungsmesser und Trägheitsmesseinheiten (IMUs) können Vibrationen erkennen, die durch Lagerverschleiß usw. verursacht werden.
- Ultraschallsensoren nehmen einzigartige akustische Signaturen auf, um übermäßige Reibung zu erkennen.
Maschinelles Lernenstechniken, ein Zweig der künstlichen Intelligenz (KI), dienen dazu, dass kollaborative Roboter Unterschiede in den Vibrationen und Klangmustern aus einem Bezugspunkt erkennen, wenn der kollaborative Roboter brandneu oder in einem bekannten unbeschädigten Zustand ist. Die Analyse abnormaler Muster ermöglicht es dem System, frühe Ausfälle zu diagnostizieren und Anforderungen für geplante Reparaturen und Wartung am Anlagenmanagementsystem auszulösen.
Bei frühen Implementierungen des maschinellen Lernens wurden komplexe neuronale Netzwerkalgorithmen zum Erkennen von Mustern in Sensorsignalen in leistungsstarker mikroprozessorbasierter eingebetteter Computersysteme in der Regel remote ausgeführt.
Solche zentralisierten Systeme belasteten jedoch eine hohe Belastung für die Verarbeitungsgeräte, wenn sie mit Eingaben einer großen Anzahl von Zusammenarbeit zu tun haben, was zu einem hohen Stromverbrauch und einer erheblichen Menge an Bandbreite im Netzwerk führt, die die kooperierenden Roboter mit dem zentralen Steuerungssystem verbindet.
Das Aufkommen einer neuen Generation von Sensoren mit eingebetteten KI -Funktionen bietet nun kollaborative Roboterhersteller eine neue Möglichkeit, lokales maschinelles Lernen zu ermöglichen. Mithilfe von Tools und Software von STMICROELECTRONICS, einem Pionier bei der Entwicklung maschineller Lernsensoren, können kollaborative Roboter -Designingenieure einen neuen, einfacheren Weg nutzen, um prädiktive Wartungsfunktionen in ihre Produkte aufzubauen.
Eine breite Palette von MEMS -Sensoren für Vibrationen und Ultraschallmessungen
ST bietet eines der größten Portfolios der Branche an MEMS -Sensoren, darunter Beschleunigungsmesser, IMUs, Drucksensoren und Mikrofone. Die Erfassungselemente werden unter Verwendung von spezialisierten Mikromachining -Prozessen hergestellt, während die IC -Schnittstellen unter Verwendung einer speziellen CMOS -Technologie entwickelt werden. Dies ermöglicht das Design spezieller Schaltungen, die den Eigenschaften des Erfassungselements entsprechen.
Diese Technologie untermauert die hohe Leistung des IIS3DWB beispielsweise des dreiachsigen ultra-weiten Bandbreiten-MEMS-Beschleunigungsmessers, der ideal für die Erkennung von Vibrationen ist, die von fehlerhaften Maschinen erzeugt werden. ST bietet auch Bewegungssensor-Module an, die auf seinen MEMS-Sensor-ICs basieren: Der ISM33 0 DHCX ist beispielsweise ein System-in-Package .
Maschinelles Lernen basierend auf Entscheidungsbaumlogik
Das ISM330DHCX ist eines der MEMS -Sensorangebote von ST, das eingebettete KI -Funktionalität in Form eines maschinellen Lernenkerns (MLC) enthält. Mit dieser Fähigkeit für maschinelles Lernen können Systembetreiber einige prädiktive Wartungsalgorithmen vom zentralen Anwendungsprozessor auf den Sensor übertragen, wobei der dedizierte MLC viel weniger Strom verbraucht.
Wie kann der kleine Logikblock des Sensors mit geringer Leistung die Funktionen für maschinelles Lernen liefern, die normalerweise einen großen, leistungsstärkeren Bewerbungsprozessor erfordern würden?
Die Antwort liegt in der Entscheidungsbaumlogik, die ST in seine intelligenten Sensoren einbettet: ST-fähige Entscheidungsbaumalgorithmen sind einfacher als herkömmliche Algorithmen für neuronale Netzwerke und konsumieren daher weit weniger Anweisungszyklen und Strom.
Ein Entscheidungsbaum ist ein mathematisches Tool, das aus einer Reihe konfigurierbarer Knoten besteht. Jeder Knoten repräsentiert eine "If-Then-Else" -Sposition, die ein Eingangssignal (dh ein quantitativer Wert, berechnet aus Rohsensordaten) mit einem Schwellenwert vergleicht.
Der ISM330DHCX kann so konfiguriert werden, dass bis zu acht Entscheidungsbäume gleichzeitig und unabhängig voneinander betrieben werden. Die Entscheidungsbäume werden im Gerät gespeichert und die Ergebnisse in speziellen Ausgangsregistern generiert. Die Ergebnisse des Entscheidungsbaums können jederzeit vom Host -Mikrocontroller oder des Anwendungsprozessors gelesen werden. Der Sensor kann auch Interrupts für jede Änderung der von dem Entscheidungsbaum erzeugten Ergebnisse erzeugen.
Wie die Entscheidungsbaumlogik funktioniert
Das Vorhersagemodell für den Entscheidungsbaum wird aus einer Reihe von Trainingsdaten erstellt und im ISM330DHCX gespeichert. Die Schulungsdaten werden während des Betriebs des kollaborativen Roboters in ihrem gewünschten Zustand (dh in gutem Zustand frei von Fehlern) aufgezeichnet.
Ein Entscheidungsbaum ist eine Methode, mit der MLC gemeinsame Merkmale in den Rohsensordaten analysiert. Diese gemeinsamen Merkmale bilden die Grundlage eines "Modells", mit dem die Sensoren den Betrieb des kollaborativen Roboters vergleichen. Wenn der Sensorausgang dem Modell stark übereinstimmt, ist der kollaborative Roboter fehlerfrei. Wenn der Sensor seine Echtzeitmessungen nicht mit dem Modell übereinstimmen kann, wird eine potenzielle Fehlfunktion angegeben und an den Maschinenbetreiber ein Alarm gesendet.
Jeder Knoten des Entscheidungsbaums enthält eine Bedingung, unter der die Merkmale mit einem bestimmten Schwellenwert verglichen werden. Wenn die Bedingung wahr ist, wird der nächste Knoten im wahren Pfad bewertet. Wenn die Bedingung falsch ist, wird der nächste Knoten im falschen Pfad bewertet, wie in Abbildung 1 dargestellt. Der Status des Entscheidungsbaums entwickelt den Knoten nach Knoten, bis das Ergebnis gefunden wird. Das Ergebnis des Entscheidungsbaums definiert eine Verhaltenskategorie: Im Fall eines Fitness -Armbandes könnte eine solche Kategorie "Gehen" oder "Joggen" sein. In prädiktiven Wartungsanwendungen für kollaborative Roboter entsprechen verschiedene Arbeitsbelastungen von kollaborativen Robotern verschiedenen Kategorien.

Entscheidungsbaum besteht aus mehreren Knoten
Der Entscheidungsbaum generiert ein neues Ergebnis für jedes Zeitfenster, dessen Länge vom Benutzer festgelegt wird, um die Eigenschaften der relevanten Aktivitätskategorie zu erfassen. Das Ergebnis kann auch durch einen zusätzlichen optionalen Filter geändert werden, der als "Meta-Klassifizierer" bezeichnet wird, der interne Zähler auf die Ausgabe des Entscheidungsbaums anwendet.
Die von der MLC (in Form filterten oder nicht filterierten Entscheidungsgebäsche nicht filterierten oder nicht filterisch filterisch filterischen Entscheidungsgebnisse) erkannten Aktivitätskategorien können über die Register des ISM330DHCX-Moduls zugegriffen werden.




