Viens no tādu tehnoloģiju nobriešanas rezultātiem kā lietu internets (IoT), paplašinātā realitāte (AR) un mākoņdatošana ir viedās rūpnīcas pieaugums. Arvien pazīstamāks skats viedās rūpnīcās ir sadarbības roboti. Sadarbības robotiem jau ir svarīga loma viedajā ražošanā, un tie uzņems vairāk funkciju un laika gaitā nodrošinās lielāku vērtību rūpnīcā.
Tā kā viedās rūpnīcas arvien vairāk paļaujas uz sadarbības robotiem, lai izpildītu savas būtiskās funkcijas, kļūst vēl svarīgāk, ka tās darbojas droši un bez neplānotas dīkstāves. Tas ir pamudinājis sadarboties ar robotu ražotājiem iespējot viņu produktu paredzamo apkopi: agrīnu brīdinājumu lietotājiem neveiksmes gadījumā, kas galu galā varētu apdraudēt viņu sadarbības robotu darbību. Tas piedāvā iespēju novērst kļūdas plānotajā apkopes laikā bez traucējumiem, ko izraisa negaidītas mašīnas kļūmes.
Sadarbības robotos paredzamās apkopes sistēmas paļaujas uz sensoriem, kas ekstremitāšu un locītavu kustībā nosaka mazas anomālijas, kā arī uz motoriem, kas tos virza:
- Sensori, piemēram, akselerometri un inerciālās mērīšanas vienības (IMUS), var noteikt vibrācijas, ko izraisa gultņu nodilums utt.
- Ultraskaņas sensori uzņem unikālus akustiskos parakstus, lai noteiktu pārmērīgu berzi.
Mašīnmācīšanās metodes, mākslīgā intelekta (AI) nozare, tiek izmantotas, lai sadarbības roboti varētu atklāt vibrācijas un skaņas modeļu atšķirības no atskaites punkta, kad sadarbības robots ir pilnīgi jauns vai zināmā neapmierinātā stāvoklī. Nenormālu modeļu analīze ļauj sistēmai diagnosticēt agrīnas kļūmes un izraisīt pieprasījumus plānotajiem remontu un uzturēšanas apkopi augu pārvaldības sistēmā.
Mašīnmācības agrīnā ieviešanā sarežģīti neironu tīkla algoritmi sensoru signālu modeļu atpazīšanai parasti ir attālināti jaudīgas mikroprocesoru iegultās skaitļošanas sistēmās.
Tomēr šādas centralizētas sistēmas uzlika lielu apgrūtinājumu apstrādes aprīkojumam, nodarbojoties ar daudziem sadarbības robotu izejvielām, kā rezultātā radās liels enerģijas patēriņš un tīklā tiek uzņemts ievērojams daudzums joslas platuma, kas savieno sadarbības robotus ar centrālo vadības sistēmu.
Jaunas paaudzes sensoru parādīšanās ar iegultām AI iespējām tagad piedāvā sadarbības robotu ražotājiem jaunu veidu, kā nodrošināt vietējo mašīnu apguvi. Izmantojot STMicroelectronics rīkus un programmatūru, pionieri mašīnu apguves sensoru izstrādē, sadarbības robotu dizaina inženieri var izmantot jaunu, vienkāršāku veidu, kā savos produktos izveidot paredzamās apkopes iespējas.
Plašs MEMS sensoru klāsts vibrācijai un ultraskaņas mērījumiem
ST piedāvā vienu no nozares lielākajiem MEMS sensoru portfeļiem, ieskaitot akselerometrus, IMUS, spiediena sensorus un mikrofonus. Sensoru elementi tiek ražoti, izmantojot specializētus mikromahinēšanas procesus, savukārt IC saskarnes tiek izstrādātas, izmantojot specializētu CMOS tehnoloģiju. Tas ļauj noformēt specializētas shēmas, kas atbilst sensora elementa īpašībām.
Šī tehnoloģija ir pamatā IIS3DWB augstajai veiktspējai, piemēram, trīs asu ultra mēroga joslas platuma MEMS akselerometrs, kas ir ideāli piemērots vibrāciju noteikšanai, ko rada kļūdainas mašīnas. ST piedāvā arī kustības sensoru moduļus, kuru pamatā ir MEMS sensors ICS: Piemēram, ISM33 0 DHCX ir produkts ar sistēmu, kas ietver augstas veiktspējas 3D digitālos akselerometrus un 3D digitālos giroskopus, kas ir nodoti nozares 4.0 lietojumprogrammām Apvidū
Mašīnmācīšanās, pamatojoties uz lēmumu koku loģiku
ISM330DHCX ir viens no ST MEMS sensora piedāvājumiem, kas ietver iegulto AI funkcionalitāti mašīnmācīšanās kodola (MLC) formā. Šī mašīnmācīšanās spēja ļauj sistēmas operatoriem pārsūtīt dažus paredzamos apkopes algoritmus no centrālā lietojumprogrammu procesora uz sensoru, un īpašs MLC patērē daudz mazāk enerģijas.
Tātad, kā sensora mazais, mazjaudas apstrādes loģikas bloks var nodrošināt mašīnmācības iespējas, kurām parasti būtu nepieciešams liels, enerģijas izsalcis lietojumprogrammu procesors?
Atbilde slēpjas lēmumu koku loģikā, kuru ST iegulda savos viedajos sensoros: ST iespējotie lēmumu koku algoritmi ir vienkāršāki nekā tradicionālie neironu tīkla algoritmi, un tāpēc patērē daudz mazāk mācību ciklu un jaudas.
Lēmuma koks ir matemātisks rīks, kas sastāv no konfigurējamu mezglu sērijas. Katrs mezgls apzīmē nosacījumu "If-pēc tam, kas salīdzina ieejas signālu (ti, kvantitatīvu vērtību, kas aprēķināta no neapstrādātiem sensora datiem) ar sliekšņa vērtību.
ISM330DHCX var konfigurēt, lai vienlaikus un patstāvīgi noskrien līdz astoņiem lēmumu kokiem. Lēmumu koki tiek glabāti ierīcē, un rezultāti tiek ģenerēti īpašos izlaides reģistros. Lēmuma koka rezultātus jebkurā laikā var nolasīt resursdatora mikrokontrollers vai lietojumprogrammu procesors. Sensors var arī ģenerēt pārtraukumus par katru lēmumu koka radīto rezultātu izmaiņām.
Kā darbojas lēmumu koku loģika
Lēmumu koka paredzamais modelis ir izveidots no apmācības datu kopas un saglabāts ISM330DHCX. Apmācības dati tiek reģistrēti vēlamajā stāvoklī (ti, labā stāvoklī, bez kļūdām) sadarbības robota darbības laikā.
Lēmuma koks ir metode, ar kuras palīdzību MLC analizē kopīgās pazīmes neapstrādātu sensora datos. Šīs kopīgās iezīmes veidos pamatu “modelim”, kuru sensori izmantos, lai salīdzinātu sadarbības robota darbību. Ja sensora izvade ļoti atbilst modelim, sadarbības robots ir bez bojājumiem. Ja sensors nespēj saskaņot tā reālā laika mērījumus modelim, ir norādīts potenciālais darbības traucējums un mašīnas operatoram tiek nosūtīts trauksme.
Katrā lēmuma koka mezglā ir nosacījums, saskaņā ar kuru pazīmes tiek salīdzinātas ar noteiktu slieksni. Ja nosacījums ir patiess, tiek novērtēts nākamais mezgls patiesajā ceļā. Ja nosacījums ir nepatiess, tiek novērtēts nākamais mezgls viltus ceļā, kā parādīts 1. attēlā. Lēmuma koka stāvoklis mezglā attīstīs mezglu, līdz rezultāts tiks atrasts. Lēmuma koka rezultāts nosaka uzvedības "kategoriju": fitnesa aproces gadījumā šāda kategorija varētu būt "staigājoša" vai "skriešana". Prognozējošās uzturēšanas lietojumprogrammās sadarbības robotiem dažādas sadarbības robotu darba slodze atbilst dažādām kategorijām.
Lēmumu koks sastāv no vairākiem mezgliem
Lēmuma koks rada jaunu rezultātu katram laika logam, kura garumu lietotājs nosaka, lai uztvertu attiecīgās aktivitātes kategorijas raksturlielumus. Rezultātu var modificēt arī ar papildu izvēles filtru, ko sauc par "meta klasi", kas lēmumu koku izlaidei piemēro iekšējos skaitītājus.
MLC atzītajām aktivitāšu kategorijām (filtrētu vai neiltrētu lēmumu koku rezultātu veidā) var piekļūt caur ISM330DHCX moduļa reģistriem.