Un modo più semplice per implementare la manutenzione predittiva nei robot collaborativi

Sep 06, 2024 Lasciate un messaggio

Uno dei risultati della maturazione di tecnologie come l'Internet of Things (IoT), la realtà aumentata (AR) e il cloud computing è l'ascesa della fabbrica intelligente. Uno spettacolo sempre più familiare nelle fabbriche intelligenti sono i robot collaborativi. I robot collaborativi svolgono già un ruolo importante nella produzione intelligente e intraprenderanno più funzioni e forniranno un valore maggiore nella fabbrica nel tempo.


Poiché le fabbriche intelligenti si basano sempre più su robot collaborativi per svolgere le loro funzioni essenziali, diventa ancora più importante che operino in modo affidabile e senza tempi di inattività non pianificati. Ciò ha spinto i produttori di robot collaborativi a consentire la manutenzione predittiva nei loro prodotti: avvertimento precoce per gli utenti in caso di fallimento che alla fine potrebbe mettere a repentaglio il funzionamento dei loro robot collaborativi. Offre l'opportunità di fissare guasti all'interno dei tempi di manutenzione pianificati senza l'interruzione causata da guasti imprevisti della macchina.


Nei robot collaborativi, i sistemi di manutenzione predittivi si basano su sensori che rilevano piccole anomalie nel movimento di arti e articolazioni, nonché nei motori che li guidano:


- Sensori come gli accelerometri e le unità di misurazione inerziale (IMU) possono rilevare vibrazioni causate dall'usura del cuscinetto, ecc.
- I sensori ad ultrasuoni raccolgono firme acustiche uniche per rilevare un attrito eccessivo.


Le tecniche di apprendimento automatico, un ramo dell'intelligenza artificiale (AI), vengono utilizzate per consentire ai robot collaborativi di rilevare differenze nelle vibrazioni e nei modelli sonori da un punto di riferimento in cui il robot collaborativo è nuovo di zecca o in uno stato non danneggiato. L'analisi dei modelli anormali consente al sistema di diagnosticare i guasti precoci e innescare richieste di riparazioni e manutenzione pianificate al sistema di gestione degli impianti.


Nelle prime implementazioni dell'apprendimento automatico, algoritmi di rete neurale complessi per riconoscere i modelli nei segnali dei sensori in genere si sono svolti in remoto in potenti sistemi di calcolo incorporati a base di microprocessori.


Tuttavia, tali sistemi centralizzati hanno posto un pesante onere per l'elaborazione delle apparecchiature quando si tratta di input da un gran numero di robot collaborativi, con conseguente elevato consumo di energia e assumere una quantità significativa di larghezza di banda nella rete che collega i robot collaboranti al sistema di controllo centrale.


L'avvento di una nuova generazione di sensori con funzionalità di intelligenza artificiale incorporate offre ora ai produttori di robot collaborativi un nuovo modo per consentire l'apprendimento automatico locale. Utilizzando strumenti e software di STMicroelectronics, un pioniere nello sviluppo di sensori di apprendimento automatico, gli ingegneri di progettazione robot collaborativa possono trarre vantaggio da un nuovo modo più semplice per sviluppare capacità di manutenzione predittive nei loro prodotti.

 

Una vasta gamma di sensori MEMS per vibrazioni e misurazioni ad ultrasuoni


ST offre uno dei più grandi portafogli del settore dei sensori MEMS, tra cui accelerometri, IMU, sensori di pressione e microfoni. Gli elementi di rilevamento sono fabbricati utilizzando processi di micromachining specializzati, mentre le interfacce IC sono sviluppate utilizzando la tecnologia CMOS specializzata. Ciò consente la progettazione di circuiti specializzati che corrispondono alle caratteristiche dell'elemento di rilevamento.


Questa tecnologia è alla base delle alte prestazioni di IIS3DWB, ad esempio, l'accelerometro MEMS a larghezza di banda ultra-larga a tre assi, che è l'ideale per rilevare vibrazioni generate da macchine difettose. ST offre anche moduli di sensore di movimento in base ai suoi Sensor ICS MEMS: ISM33 0 DHCX, ad esempio, è un prodotto di sistema in pacchetto che include accelerometri digitali 3D ad alte prestazioni e giroscopi digitali 3D su misura per l'industria 4.0 applicazioni 4.0 .

 

Apprendimento automatico basato sulla logica dell'albero decisionale


L'ISM330DHCX è una delle offerte di sensori MEMS di ST che include funzionalità di AI incorporate sotto forma di un nucleo di apprendimento automatico (MLC). Questa capacità di apprendimento automatico consente agli operatori di sistema di trasferire alcuni algoritmi di manutenzione predittivi dal processore di applicazione centrale al sensore, con la MLC dedicata che consuma molto meno energia.


Quindi, in che modo il blocco logico di elaborazione a bassa potenza del sensore può fornire le capacità di apprendimento automatico che normalmente richiederebbero un grande processore di applicazioni affamati di potenza?


La risposta sta nella logica dell'albero decisionale che St incorpora nei suoi sensori intelligenti: gli algoritmi di albero decisionale abilitati in ST sono più semplici degli algoritmi di rete neurale tradizionali e quindi consumano molti meno cicli di istruzione e potenza.


Un albero decisionale è uno strumento matematico costituito da una serie di nodi configurabili. Ogni nodo rappresenta una condizione "if-then-else" che confronta un segnale di ingresso (cioè un valore quantitativo calcolato dai dati del sensore grezzo) con un valore di soglia.


L'ISM330DHCX può essere configurato per eseguire fino a otto alberi decisionali contemporaneamente e indipendentemente. Gli alberi decisionali sono archiviati nel dispositivo e i risultati sono generati nei registri di output dedicati. I risultati dell'albero decisionale possono essere letti in qualsiasi momento dal microcontrollore o dal processore di applicazione host. Il sensore può anche generare interrupt per ogni cambiamento nei risultati generati dall'albero decisionale.

 

Come funziona la logica dell'albero decisionale


Il modello predittivo per l'albero decisionale è costruito da una serie di dati di addestramento e memorizzato nell'ISM330DHCX. I dati di addestramento sono registrati nello stato desiderato (cioè in buone condizioni, privo di guasti) durante il funzionamento del robot collaborativo.


Un albero decisionale è un metodo con cui MLC analizza le caratteristiche comuni nei dati del sensore grezzo. Queste caratteristiche comuni costituiranno la base di un "modello" che i sensori utilizzeranno per confrontare il funzionamento del robot collaborativo. Se l'output del sensore corrisponde altamente il modello, il robot collaborativo è privo di guasti. Se il sensore non è in grado di abbinare le sue misurazioni in tempo reale al modello, viene indicato un potenziale malfunzionamento e viene inviato un allarme all'operatore della macchina.


Ogni nodo dell'albero decisionale contiene una condizione in cui le caratteristiche vengono confrontate con una soglia specifica. Se la condizione è vera, viene valutato il nodo successivo nel vero percorso. Se la condizione è falsa, viene valutato il nodo successivo nel percorso falso, come mostrato nella Figura 1. Lo stato dell'albero decisionale evolverà il nodo per nodo fino a quando non viene trovato il risultato. Il risultato dell'albero decisionale definisce una "categoria" comportamentale: nel caso di un braccialetto di fitness, tale categoria potrebbe essere "camminare" o "fare jogging". Nelle applicazioni di manutenzione predittiva per i robot collaborativi, diversi carichi di lavoro di robot collaborativi corrispondono a diverse categorie.

 

Decision tree consists of multiple nodes

L'albero decisionale è costituito da più nodi

 

L'albero decisionale genera un nuovo risultato per ogni finestra temporale, la cui lunghezza è impostata dall'utente per acquisire le caratteristiche della categoria di attività pertinente. Il risultato può anche essere modificato da un ulteriore filtro opzionale chiamato "meta-classificatore" che applica i contatori interni all'output dell'albero decisionale.


Le categorie di attività riconosciute dall'MLC (sotto forma di risultati dell'albero decisionale filtrati o non filtrati) sono accessibili attraverso i registri del modulo ISM330DHCX.

Invia la tua richiesta

whatsapp

Telefono

Posta elettronica

Inchiesta