Един от резултатите от съзряването на технологиите като Интернет на нещата (IoT), Augmented Reality (AR) и облачните изчисления е възходът на интелигентната фабрика. Все по -познатата гледка в интелигентните фабрики са роботите за сътрудничество. Роботите за сътрудничество вече играят важна роля в интелигентното производство и ще поемат повече функции и ще осигурят по -голяма стойност във фабриката във времето.
Тъй като интелигентните фабрики все повече разчитат на роботи за сътрудничество, за да изпълнят своите основни функции, става още по -важно те да работят надеждно и без непланиран престой. Това подтикна съвместните производители на роботи да дадат възможност за прогнозна поддръжка в своите продукти: ранно предупреждение за потребителите в случай на повреда, която в крайна сметка би могла да застраши работата на техните роботи за сътрудничество. Той предлага възможност за коригиране на неизправности в рамките на планираните времена за поддръжка, без прекъсването, причинено от неочаквани грешки на машината.
В роботите за сътрудничество системите за поддръжка на прогнозиране разчитат на сензори, които откриват малки аномалии в движението на крайници и стави, както и на двигателите, които ги задвижват:
- Сензори като акселерометри и инерционни измервателни единици (IMU) могат да открият вибрации, причинени от износване на лагера и т.н.
- Ултразвуковите сензори вземат уникални акустични подписи, за да открият прекомерно триене.
Техниките за машинно обучение, клон на изкуствения интелект (AI), се използват, за да се даде възможност за съвместни роботи за откриване на разлики в вибрационните и звуковите модели от референтна точка, когато роботът за сътрудничество е чисто нов или в известно неразрешено състояние. Анализът на анормални модели позволява на системата да диагностицира ранни повреди и да задейства заявки за планирани ремонти и поддръжка на системата за управление на растенията.
В ранните реализации на машинното обучение сложните алгоритми на невронната мрежа за разпознаване на модели в сензорни сигнали обикновено се изпълняват дистанционно в мощни вградени компютърни системи, базирани на микропроцесори.
Въпреки това, такива централизирани системи са натоварили тежкото оборудване, когато се справят с входове от голям брой сътрудничество, което води до висока консумация на енергия и заемат значително количество честотна лента в мрежата, свързваща сътрудничещите роботи с централната система за управление.
Появата на ново поколение сензори с вградени AI възможности сега предлага на производителите на роботи за съвместни роботи нов начин за активиране на местното машинно обучение. Използвайки инструменти и софтуер от STMicroelectronics, пионер в разработването на сензори за машинно обучение, инженерите по дизайн на роботи могат да се възползват от нов, по -прост начин за изграждане на възможности за прогнозиране на поддръжката в своите продукти.
Широк спектър от MEMS сензори за вибрации и ултразвукови измервания
ST предлага един от най -големите портфейли от сензори на MEMS в индустрията, включително акселерометри, IMU, сензори за налягане и микрофони. Сензорните елементи се произвеждат с помощта на специализирани микромашинирани процеси, докато IC интерфейсите са разработени с помощта на специализирана CMOS технология. Това дава възможност за проектиране на специализирани схеми, които съответстват на характеристиките на сензорния елемент.
Тази технология е в основата на високата производителност на IIS3DWB, например, три-осен ултра широк акселерометър MEMS MEMS, който е идеален за откриване на вибрации, генерирани от дефектни машини. ST също предлага модули за сензор за движение въз основа на своя MEMS сензор ICS: ISM33 0 DHCX, например, е продукт в пакета, който включва високоефективни 3D цифрови акселерометри и 3D цифрови жироскопи, пригодени за индустриални 4.0 приложения .
Машинно обучение въз основа на логиката на дървото на решенията
ISM330DHCX е едно от предложенията за сензори на MEMS на ST, което включва вградена AI функционалност под формата на ядро на машинно обучение (MLC). Тази способност за машинно обучение дава възможност на системните оператори да прехвърлят някои алгоритми за поддръжка на прогнозиране от централния процесор на приложение към сензора, като специализираният MLC консумира много по -малко мощност.
И така, как малкият логически блок за обработка на сензора може да осигури възможностите за машинно обучение, които обикновено биха изисквали голям, гладен за мощност процесор за приложения?
Отговорът се крие в логиката на дървото на решенията, която ST вгражда в своите интелигентни сензори: алгоритмите за дърво с активиране на ST са по-прости от традиционните алгоритми на невронната мрежа и следователно консумират далеч по-малко цикли и мощност на инструкциите.
Дървото на решенията е математически инструмент, състоящ се от поредица от конфигурируеми възли. Всеки възел представлява състояние "if-then-else", което сравнява входен сигнал (т.е. количествена стойност, изчислена от сурови данни за сензора) с прагова стойност.
ISM330DHCX може да бъде конфигуриран да работи до осем дървета за вземане на решения едновременно и независимо. Дърветата на решенията се съхраняват в устройството и резултатите се генерират в специални регистри на изход. Резултатите от дървото на решенията могат да бъдат прочетени по всяко време от хост микроконтролера или процесора на приложението. Сензорът може също да генерира прекъсвания за всяка промяна в резултатите, генерирани от дървото на решенията.
Как работи логиката на дървото на решенията
Прогнозният модел за дървото на решения е изграден от набор от данни за обучение и се съхранява в ISM330DHCX. Данните за обучение се записват в желаното от него състояние (т.е. в добро състояние, без грешки) по време на експлоатация на робота за сътрудничество.
Дървото на решенията е метод, чрез който MLC анализира общи характеристики в данните на суровия сензор. Тези общи характеристики ще бъдат основата на „модел“, който сензорите ще използват за сравняване на работата на робота за сътрудничество. Ако изходът на сензора силно съвпада с модела, роботът за сътрудничество е без повреда. Ако сензорът не е в състояние да съответства на своите измервания в реално време с модела, се посочва потенциална неизправност и се изпраща аларма на оператора на машината.
Всеки възел на дървото на решенията съдържа условие, при което характеристиките се сравняват с конкретен праг. Ако условието е вярно, следващият възел в истинския път се оценява. Ако условието е невярно, следващият възел в фалшивия път се оценява, както е показано на фигура 1. Състоянието на дървото на решенията ще се развива възел по възел, докато резултатът не бъде намерен. Резултатът от дървото на решенията определя поведенческа „категория“: в случай на фитнес лента за китки, такава категория може да бъде „ходене“ или „джогинг“. В приложенията за прогнозиране на поддръжката за роботи за съвместна работа различните натоварвания на роботи за сътрудничество съответстват на различни категории.
Дървото на решенията се състои от множество възли
Дървото на решенията генерира нов резултат за всеки прозорец на времето, чийто дължина е зададена от потребителя за улавяне на характеристиките на съответната категория на дейността. Резултатът може да бъде модифициран и чрез допълнителен незадължителен филтър, наречен "мета-класификатор", който прилага вътрешни броячи към продукцията на дървото на решенията.
Категориите на дейността, разпознати от MLC (под формата на филтрирани или нефилтрирани резултати от дървото на решенията), могат да бъдат достъпни чрез регистрите на модула ISM330DHCX.