Un dels resultats de la maduració de tecnologies com Internet of Things (IoT), la realitat augmentada (AR) i la computació en núvol és l’augment de la fàbrica intel·ligent. Una vista cada cop més familiar a les fàbriques intel·ligents són els robots col·laboratius. Els robots col·laboratius ja tenen un paper important en la fabricació intel·ligent i assumiran més funcions i proporcionaran un valor més gran a la fàbrica amb el pas del temps.
Com que les fàbriques intel·ligents es basen cada cop més en robots col·laboratius per complir les seves funcions essencials, és encara més important que funcionin de manera fiable i sense temps d’inactivitat no previstos. Això ha impulsat els fabricants de robots col·laboratius a permetre el manteniment predictiu en els seus productes: advertència precoç per als usuaris en cas de fracàs que en última instància podria posar en perill el funcionament dels seus robots col·laboratius. Ofereix l’oportunitat de arreglar falles dins dels temps de manteniment previstos sense la interrupció causada per fallades inesperades de la màquina.
En els robots col·laboratius, els sistemes de manteniment predictius es basen en sensors que detecten petites anomalies en el moviment de les extremitats i les articulacions, així com en els motors que els condueixen:
- Sensors com els acceleròmetres i les unitats de mesurament inercials (IMUS) poden detectar vibracions causades pel desgast, etc.
- Els sensors ultrasònics recullen signatures acústiques úniques per detectar una fricció excessiva.
Les tècniques d’aprenentatge de màquines, una branca de la intel·ligència artificial (IA), s’utilitzen per permetre als robots col·laboratius detectar diferències en les vibracions i els patrons de so des d’un punt de referència quan el robot col·laboratiu és nou o en un estat conegut no afectat. L’anàlisi de patrons anormals permet al sistema diagnosticar fallades precoç i desencadenar sol·licituds de reparacions i manteniment previstos al sistema de gestió de plantes.
En les primeres implementacions de l'aprenentatge automàtic, els algoritmes complexos de xarxa neuronal per reconèixer els patrons en senyals de sensors normalment funcionaven de forma remota en potents sistemes informàtics incrustats basats en microprocessadors.
No obstant això, aquests sistemes centralitzats van suposar una forta càrrega en els equips de processament quan es van tractar amb aportacions d’un gran nombre de robots col·laboradors, donant lloc a un alt consum d’energia i assumint una quantitat important d’amplada de banda a la xarxa que connecta els robots col·laboradors al sistema de control central.
L’arribada d’una nova generació de sensors amb capacitats d’AI incrustades ofereix ara als fabricants de robots col·laboratius una nova manera d’haver permès l’aprenentatge de màquines locals. Utilitzant eines i programari de Stmicroelectronics, un pioner en el desenvolupament de sensors d’aprenentatge automàtic, els enginyers de disseny de robots col·laboratius poden aprofitar una forma més senzilla i senzilla de crear capacitats de manteniment predictiu en els seus productes.
Una àmplia gamma de sensors MEMS per a les mesures de vibració i ultrasons
ST ofereix una de les carteres més grans de la indústria de sensors MEMS, inclosos acceleròmetres, IMU, sensors de pressió i micròfons. Els elements de detecció es fabriquen mitjançant processos especialitzats de micromacinisme, mentre que les interfícies IC es desenvolupen mitjançant la tecnologia CMOS especialitzada. Això permet el disseny de circuits especialitzats que coincideixen amb les característiques de l’element de detecció.
Aquesta tecnologia fonamenta l’elevat rendiment de l’IIS3DWB, per exemple, l’acceleròmetre MEMS d’ample de banda de tres eixos d’ample, ideal per detectar vibracions generades per màquines defectuoses. ST també ofereix mòduls de sensors de moviment basats en el seu sensor MEMS ICS: El ISM33 0 DHCX, per exemple, és un producte en paquet de sistemes que inclou acceleròmetres digitals 3D d’alt rendiment i giroscopis digitals 3D adaptats per a les aplicacions de la indústria 4.0 .
L’aprenentatge automàtic basat en la lògica de l’arbre de decisions
L’ISM330DHCX és una de les ofertes de sensors MEMS de ST que inclou la funcionalitat IA incrustada en forma de nucli d’aprenentatge de màquines (MLC). Aquesta capacitat d’aprenentatge automàtic permet als operadors del sistema transferir alguns algoritmes de manteniment predictiu del processador d’aplicació central al sensor, amb el MLC dedicat que consumeix molta menys potència.
Llavors, com pot el bloc de processament petit i de baix consum del sensor proporcionar les capacitats d’aprenentatge de la màquina que normalment requeririen un gran processador d’aplicacions amb fam?
La resposta rau en la lògica de l’arbre de decisions que s’incorpora ST en els seus sensors intel·ligents: els algoritmes d’arbres de decisió habilitats per ST són més senzills que els algoritmes tradicionals de xarxa neuronal i, per tant, consumeixen molt menys cicles i potència d’instrucció.
Un arbre de decisions és una eina matemàtica formada per una sèrie de nodes configurables. Cada node representa una condició "if-then-ele" que compara un senyal d'entrada (és a dir, un valor quantitatiu calculat a partir de dades del sensor en brut) amb un valor llindar.
L’ISM330DHCX es pot configurar per executar fins a vuit arbres de decisió simultàniament i de manera independent. Els arbres de decisió s’emmagatzemen al dispositiu i els resultats es generen en registres de sortida dedicats. Els resultats de l’arbre de decisions poden ser llegits en qualsevol moment pel microcontrolador de l’amfitrió o el processador de sol·licituds. El sensor també pot generar interrupcions per a cada canvi en els resultats generats per l’arbre de decisions.
Com funciona la lògica de l’arbre de decisions
El model predictiu de l’arbre de decisions està construït a partir d’un conjunt de dades de formació i s’emmagatzema a l’ISM330DHCX. Les dades de formació es registren en el seu estat desitjat (és a dir, en bon estat, lliure de falles) durant el funcionament del robot col·laboratiu.
Un arbre de decisions és un mètode mitjançant el qual MLC analitza les característiques comunes de les dades del sensor en brut. Aquestes característiques comunes constituiran la base d’un “model” que els sensors utilitzaran per comparar el funcionament del robot col·laboratiu. Si la sortida del sensor coincideix molt amb el model, el robot col·laboratiu no té falles. Si el sensor no pot coincidir amb les seves mesures en temps real amb el model, s’indica un mal funcionament potencial i s’envia una alarma a l’operador de la màquina.
Cada node de l’arbre de decisió conté una condició sota la qual es comparen les característiques amb un llindar específic. Si la condició és certa, s’avalua el següent node de la ruta real. Si la condició és falsa, s’avalua el següent node de la ruta falsa, tal com es mostra a la figura 1. L’estat de l’arbre de decisió evolucionarà el node per node fins que es trobi el resultat. El resultat de l’arbre de decisions defineix una "categoria" comportamental: en el cas d'una polsera de fitness, aquesta categoria podria ser "caminar" o "trotar". En les aplicacions de manteniment predictiu de robots col·laboratius, diferents càrregues de treball de robots col·laboratius corresponen a diferents categories.
L’arbre de decisions consta de múltiples nodes
L’arbre de decisions genera un nou resultat per a cada finestra de temps, la longitud del qual l’usuari la configura per capturar les característiques de la categoria d’activitat rellevant. El resultat també es pot modificar mitjançant un filtre opcional addicional anomenat "meta-classificador" que aplica comptadors interns a la sortida de l'arbre de decisió.
Es poden accedir a les categories d’activitats reconegudes pel MLC (en forma de resultats de l’arbre de decisions filtrats o no filtrats) a través dels registres del mòdul ISM330DHCX.