Yksi tekniikoiden, kuten esineiden Internetin (IoT), lisätyn todellisuuden (AR) ja pilvipalvelujen, kypsymisen tuloksista on älykästä tehtaan nousu. Älykkäiden tehtaiden yhä tutumpi näky on yhteistyöroboteja. Yhteistyöroboteilla on jo tärkeä rooli älykkäässä valmistuksessa ja he saavat enemmän toimintoja ja tarjoavat suuremman arvon tehtaalla ajan myötä.
Kun älykkäät tehtaat luottavat yhä enemmän yhteistyöroboteihin, jotta ne toteuttaisivat välttämättömän toiminnon, on vielä tärkeämpää, että ne toimivat luotettavasti ja ilman suunnittelemattomia seisokkeja. Tämä on saanut yhteistyörobottivalmistajat mahdollistamaan ennustavan ylläpidon tuotteissaan: varhaisvaroitus käyttäjille, jos epäonnistuminen voi lopulta vaarantaa heidän yhteistyörobotiensa toiminnan. Se tarjoaa mahdollisuuden korjata viat suunnitelluissa huolto -aikoissa ilman odottamattomien konevirheiden aiheuttamia häiriöitä.
Yhteistyöroboteissa ennustavat huoltojärjestelmät luottavat antureihin, jotka havaitsevat pienet poikkeavuudet raajojen ja nivelten liikkeessä sekä niitä ajavissa moottoreissa:
- Anturit, kuten kiihtyvyysmittarit ja hitausmittausyksiköt (IMUS), voivat havaita laakerin kulumisen aiheuttamat värähtelyt jne.
- Ultraäänianturit poimivat ainutlaatuisia akustisia allekirjoituksia liiallisen kitkan havaitsemiseksi.
Koneoppimistekniikoita, keinotekoisen älykkyyden haaraa (AI), käytetään yhteistyörobotien mahdollistamiseen värähtely- ja äänikuvioiden erot vertailupisteestä, kun yhteistyöroboti on aivan uusi tai tunnetussa vahingoittumattomassa tilassa. Epänormaalien kuvioiden analysointi antaa järjestelmän diagnosoida varhaiset viat ja käynnistää pyynnöt suunnitelluista korjauksista ja ylläpidosta laitoksen hallintajärjestelmään.
Koneoppimisen varhaisissa toteutuksissa monimutkaiset hermoverkon algoritmit anturisignaalien kuvioiden tunnistamiseksi kulkevat tyypillisesti etäyhteydessä tehokkaissa mikroprosessoripohjaisissa sulautettuissa laskentajärjestelmissä.
Tällaiset keskitetyt järjestelmät kuitenkin asettivat raskaan taakan prosessointilaitteisiin käsitellessään suuren määrän yhteistyörobotien tuloja, mikä johtaa suureen virrankulutukseen ja ottaen huomattavan määrän kaistanleveyttä verkossa, joka yhdistää yhteistyörobotit keskushallintajärjestelmään.
Uuden sukupolven anturien tuleminen, jolla on sulautettuja AI -ominaisuuksia, tarjoaa nyt yhteistyörobottivalmistajille uuden tavan paikallisen koneoppimisen mahdollistamiseksi. Käyttämällä stmicroelectronicsin työkaluja ja ohjelmistoja, jotka ovat koneoppimisanturien kehittämisessä, yhteistyörobottisuunnittelijat voivat hyödyntää uutta, yksinkertaisempaa tapaa rakentaa ennustavia huoltokykyjä tuotteisiinsa.
Laaja valikoima MEMS -antureita värähtely- ja ultraäänimittauksiin
ST tarjoaa yhden alan suurimmista MEMS -anturien salkkuista, mukaan lukien kiihtyvyysmittarit, IMU: t, paineanturit ja mikrofonit. Anturielementit valmistetaan käyttämällä erikoistuneita mikromuodostusprosesseja, kun taas IC -rajapinnat kehitetään erikoistuneella CMOS -tekniikalla. Tämä mahdollistaa erikoistuneiden piirien suunnittelun, jotka vastaavat anturielementin ominaisuuksia.
Tämä tekniikka tukee esimerkiksi IIS3DWB: n korkeaa suorituskykyä, joka on kolmen akselin erittäin laaja kaistanleveys MEMS-kiihtyvyysanturi, joka on ihanteellinen viallisten koneiden tuottamien värähtelyjen havaitsemiseksi. ST tarjoaa myös MEMS-anturin ICS-anturin ICS-anturimoduuleja: ISM33 0 DHCX, on esimerkiksi järjestelmän pakkaustuote, joka sisältää korkean suorituskyvyn 3D-digitaaliset kiihtyvyysmittarit ja 3D-digitaaliset gyroskoopit, jotka on räätälöity teollisuus 4.0 -sovelluksiin .
Koneoppiminen päätöksentekoon perustuen puiden logiikkaan
ISM330DHCX on yksi ST: n MEMS -anturitarjouksista, joka sisältää sulautetun AI -toiminnallisuuden koneoppimisen ytimen (MLC) muodossa. Tämän koneoppimisominaisuuden avulla järjestelmäoperaattorit voivat siirtää joitain ennustavia huoltoalgoritmeja keskussovellusprosessorista anturiin, kun omistettu MLC kuluttaa paljon vähemmän virtaa.
Joten miten anturin pieni, pienitehoinen prosessointilogiikka voi tarjota koneoppimisominaisuudet, jotka yleensä vaativat suuren, energian nälkäisen sovellusprosessorin?
Vastaus on älykkäisiin antureihinsa upottamassa päätöksentekopujen logiikassa: ST-yhteensopivat päätöksentekopujen algoritmit ovat yksinkertaisempia kuin perinteiset hermoverkon algoritmit, ja siksi kuluttavat paljon vähemmän ohjesyklejä ja voimaa.
Päätöspuu on matemaattinen työkalu, joka koostuu sarjasta konfiguroitavia solmuja. Jokainen solmu edustaa "if-tHen-else" -tilaa, joka vertaa tulosignaalia (ts. Raaka-anturitiedoista laskettu kvantitatiivinen arvo) kynnysarvolla.
ISM330DHCX voidaan konfiguroida vuotamaan kahdeksan päätöksentekoa samanaikaisesti ja itsenäisesti. Päätöspuut tallennetaan laitteeseen ja tulokset luodaan erillisissä lähtörekistereissä. Päätöksen tulokset voivat lukea milloin tahansa isäntä mikrokontrollerilla tai sovellusprosessorilla. Anturi voi myös luoda keskeytyksiä jokaisesta päätöksentekopuun tuottamien tulosten muutoksista.
Kuinka päätöksentekopuu logiikka toimii
Päätöspuun ennustava malli on rakennettu joukosta harjoitustietoa ja tallennetaan ISM330DHCX: ään. Harjoittelutiedot tallennetaan sen halutussa tilassa (ts. Hyvässä kunnossa, vikoista vapaa) yhteistyörobotin käytön aikana.
Päätöspuu on menetelmä, jolla MLC analysoi RAW -anturitietojen yleisiä piirteitä. Nämä yhteiset piirteet muodostavat perustan "mallille", jota anturit käyttävät vertailemaan yhteistyörobotin toimintaa. Jos anturin lähtö vastaa suuresti mallia, yhteistyörobotti on viaton. Jos anturi ei pysty vastaamaan reaaliaikaisia mittauksiaan malliin, potentiaalinen toimintahäiriö on ilmoitettu ja hälytys lähetetään koneen käyttäjälle.
Jokainen päätöksentekopuun solmu sisältää ehdon, jossa ominaisuuksia verrataan tiettyyn kynnysarvoon. Jos ehto on totta, seuraavan solmun todellisella polulla arvioidaan. Jos ehto on väärä, seuraava väärän polun solmu arvioidaan, kuten kuvassa 1 esitetään. Päätöksen puun tila kehittyy solmun mukaan, kunnes tulos löytyy. Päätöspuun tulos määrittelee käyttäytymisen "luokan": Kuntorannan tapauksessa tällainen luokka voi olla "kävely" tai "lenkkeily". Yhteistyörobotien ennustavissa ylläpitosovelluksissa yhteistyörobotien eri työmäärät vastaavat eri luokkia.

Päätöspuu koostuu useista solmuista
Päätöspuu luo uuden tuloksen jokaiselle aikaikkunasta, jonka käyttäjä on asettanut pituuden kaappaamaan asiaankuuluvan toimintaluokan ominaisuudet. Tulosta voidaan muuttaa myös ylimääräisellä valinnaisella suodattimella, jota kutsutaan "meta-luokittajaksi", joka soveltaa sisäisiä laskureita päätöksentekopujen tuotokseen.
MLC: n tunnistamat aktiivisuusluokat (suodatettujen tai suodattamattomien päätöksentekopujen muodossa) pääsee ISM330DHCX-moduulin rekistereiden kautta.




