Vienas iš technologijų, tokių kaip daiktų internetas (IoT), papildytos realybės (AR) ir debesų kompiuterijos, brendimo rezultatai yra išmaniosios gamyklos iškilimas. Vis labiau pažįstamas intelektualiųjų gamyklų regėjimas yra bendradarbiavimo robotai. Bendradarbiavimo robotai jau vaidina svarbų vaidmenį intelektualioje gamyboje ir laikui bėgant įgis daugiau funkcijų ir suteiks didesnę gamyklos vertę.
Kadangi intelektualios gamyklos vis labiau remiasi bendradarbiaujančiais robotais, kad galėtų vykdyti savo esmines funkcijas, tampa dar svarbiau, kad jos veiktų patikimai ir be neplanuotų prastovų. Tai paskatino bendradarbiaujančius robotų gamintojus suteikti galimybę nuspėti savo produktų prižiūrėtojus: ankstyvas perspėjimas vartotojams, jei nesėkmė galiausiai galėtų pakenkti jų bendradarbiavimo robotų veikimui. Tai suteikia galimybę ištaisyti gedimus per planuojamą techninės priežiūros laiką be sutrikimų, kuriuos sukėlė netikėti mašinos gedimai.
Bendradarbiaujant robotuose numatomos priežiūros sistemos priklauso nuo jutiklių, kurie nustato mažas anomalijas galūnių ir sąnarių judėjime, taip pat varikliuose, kurie juos varo:
- Tokie jutikliai kaip akselerometrai ir inerciniai matavimo blokai (IMU) gali aptikti vibracijas, kurias sukelia guolio susidėvėjimas ir kt.
- Ultragarsiniai jutikliai renkasi unikalius akustinius parašus, kad aptiktų per didelę trintį.
Mašinų mokymosi metodai, dirbtinio intelekto šaka (AI), naudojami siekiant sudaryti sąlygas bendradarbiavimo robotams nustatyti vibracijos ir garso modelių skirtumus nuo atskaitos taško, kai bendradarbiaujantis robotas yra visiškai naujas arba žinomoje būsenoje. Nenormalių modelių analizė leidžia sistemai diagnozuoti ankstyvuosius gedimus ir paskatinti planuojamų augalų valdymo sistemos remonto ir priežiūros užklausas.
Ankstyvame mašininio mokymosi įgyvendinime, sudėtingi neuroninio tinklo algoritmai, skirti atpažinti jutiklių signalų modelius, paprastai veikia nuotoliniu būdu galingose mikroprocesoriuose pagrįstose įterptosiose skaičiavimo sistemose.
Tačiau tokios centralizuotos sistemos užkrauna didelę naštą perdirbimo įrangai, kai susiduria su daugybe bendradarbiaujančių robotų įvesties, todėl daug energijos suvartoja ir užėmė nemažą pralaidumo kiekį tinkle, jungiančiame bendradarbiaujančius robotus su centrine valdymo sistema.
Atsiradus naujos kartos jutikliams su įterptomis AI galimybėmis, dabar siūlomi bendradarbiaujantys robotų gamintojai, naujas būdas įgalinti vietinį mašinų mokymąsi. Naudodamiesi įrankiais ir programine įranga iš „STMicroelectronics“, mašinų mokymosi jutiklių kūrimo pradininko, bendradarbiaujančių robotų dizaino inžinieriai gali pasinaudoti nauju, paprastesniu būdu, kaip į savo produktus sukurti numatomąsias priežiūros galimybes.
Platus MEMS jutiklių asortimentas, skirtas vibracijai ir ultragarsiniams matavimams
ST siūlo vieną didžiausių MEMS jutiklių portfelių, įskaitant akselerometrus, IMU, slėgio jutiklius ir mikrofonus. Jutimo elementai yra gaminami naudojant specializuotus mikrominavimo procesus, o IC sąsajos yra kuriamos naudojant specializuotą CMOS technologiją. Tai leidžia projektuoti specializuotas grandines, atitinkančias jutimo elemento charakteristikas.
Ši technologija palaiko aukštą IIS3DWB našumą, pavyzdžiui, trijų ašių ypač pločio pralaidumo MEMS pagreičio matuoklį, kuris idealiai tinka aptikti sugedusias mašinas. ST taip pat siūlo judesio jutiklio modulius, pagrįstus jo MEMS jutikliais: ISM33 0 DHCX, pavyzdžiui, yra „System-Package“ produktas, apimantis aukštos kokybės 3D skaitmeninius akselerometrus ir 3D skaitmeninius giroskopus, pritaikytus pramonei 4.0 programų, pritaikytas pramonei 4.0 programų, pritaikytas pramonei 4.0 programų, pritaikytas pramonei 4.0 programų, pritaikytas pramonei 4.0 programas, pritaikytas 4.0 programoms. .
Mašinų mokymasis pagal sprendimų medžio logiką
„ISM330DHCX“ yra vienas iš ST MEMS jutiklių pasiūlymų, į kurį įterpta AI funkcija yra mašininio mokymosi branduolio (MLC) pavidalu. Ši mašininio mokymosi galimybė leidžia sistemos operatoriams perkelti kai kuriuos nuspėjamuosius priežiūros algoritmus iš centrinio programos procesoriaus į jutiklį, o tam skirtas MLC sunaudoja daug mažiau energijos.
Taigi, kaip maža jutiklio, mažos galios apdorojimo logikos bloku, gali suteikti mašininio mokymosi galimybes, kurioms paprastai reikėtų didelio, galios alkanos programos procesoriaus?
Atsakymas slypi sprendimų medžio logikoje, įterpiančioje į savo išmaniuosius jutiklius: ST-valdomų sprendimų medžio algoritmai yra paprastesni nei tradiciniai neuroninio tinklo algoritmai, todėl sunaudoja daug mažiau instrukcijų ciklų ir galios.
Sprendimų medis yra matematinis įrankis, susidedantis iš konfigūruojamų mazgų serijos. Kiekvienas mazgas parodo „IF Then-ELSE“ sąlygą, kurioje lyginamas įvesties signalas (ty kiekybinė vertė, apskaičiuota pagal neapdorotų jutiklio duomenis) su slenksčio verte.
„ISM330DHCX“ gali būti sukonfigūruotas iki aštuonių sprendimų medžių vienu metu ir savarankiškai. Sprendimų medžiai saugomi įrenginyje, o rezultatai generuojami specialiuose išvesties registruose. Sprendimų medžio rezultatus bet kuriuo metu gali perskaityti pagrindinis mikrokontroleris arba programų procesorius. Jutiklis taip pat gali generuoti kiekvieno rezultatų, kuriuos sukelia sprendimų medis, pokyčių.
Kaip veikia sprendimų medžio logika
Nuspėjamasis sprendimų medžio modelis yra sukonstruotas iš mokymo duomenų rinkinio ir saugomas ISM330DHCX. Treniruotės duomenys užfiksuojami norima būsena (ty geros būklės, be gedimų), vykdant bendradarbiavimo robotą.
Sprendimų medis yra metodas, kurio metu MLC analizuoja įprastas neapdorotų jutiklio duomenų savybes. Šios bendros savybės sudarys „modelio“ pagrindą, kurį jutikliai naudos palygindami bendradarbiavimo roboto veikimą. Jei jutiklio išvestis labai atitinka modelį, bendradarbiaujantis robotas yra be gedimų. Jei jutiklis nesugeba suderinti savo realiojo laiko matavimų su modeliu, nurodomas potencialus gedimas ir mašinos operatoriui siunčiamas aliarmas.
Kiekviename sprendimo medžio mazge yra sąlyga, pagal kurią savybės lyginamos su konkrečia slenksčiu. Jei sąlyga yra teisinga, vertinamas kitas mazgas tikrame kelyje. Jei sąlyga yra klaidinga, įvertinamas kitas klaidingo kelio mazgas, kaip parodyta 1 paveiksle. Sprendimų medžio būsena vystysis mazge, kol rezultatas bus rastas. Sprendimo medžio rezultatas apibūdina elgesio „kategoriją“: Fitneso apyrankės atveju tokia kategorija gali būti „vaikščiojimas“ arba „bėgiojimas“. Prognozuojamose bendradarbiavimo robotų priežiūros programose skirtingi bendradarbiavimo robotų darbo krūviai atitinka skirtingas kategorijas.

Sprendimų medis susideda iš kelių mazgų
Sprendimų medis sukuria naują rezultatą kiekvienam laiko langui, kurio ilgį nustato vartotojas, kad užfiksuotų atitinkamos veiklos kategorijos charakteristikas. Rezultatas taip pat gali būti modifikuotas papildomu pasirenkamu filtru, vadinamu „Meta-klasikintuvu“, kuris taiko vidinius skaitiklius sprendimo medžio išvesties atžvilgiu.
MLC pripažintas veiklos kategorijas (filtruoto ar nefiltruoto sprendimų medžio rezultatų pavidalu) galima pasiekti per ISM330DHCX modulio registrą.




