واحدة من نتائج نضوج التقنيات مثل إنترنت الأشياء (IoT) والواقع المعزز (AR) والحوسبة السحابية هي صعود المصنع الذكي. مشهد مألوف بشكل متزايد في المصانع الذكية هي روبوتات تعاونية. تلعب الروبوتات التعاونية بالفعل دورًا مهمًا في التصنيع الذكي وستتخذ المزيد من الوظائف وتوفر قيمة أكبر في المصنع مع مرور الوقت.
نظرًا لأن المصانع الذكية تعتمد بشكل متزايد على الروبوتات التعاونية للوفاء بوظائفها الأساسية ، يصبح من المهم أن تعمل بشكل موثوق ودون توقف غير مخطط لها. وقد دفع هذا مصنعو الروبوت التعاوني إلى تمكين الصيانة التنبؤية في منتجاتهم: الإنذار المبكر للمستخدمين في حالة حدوث فشل قد يعرض في نهاية المطاف تشغيل روبوتهم التعاونية. إنه يوفر الفرصة لإصلاح الأعطال في أوقات الصيانة المخططة دون الانقطاع الناجم عن فشل الماكينة غير المتوقع.
في الروبوتات التعاونية ، تعتمد أنظمة الصيانة التنبؤية على أجهزة الاستشعار التي تكتشف الحالات الشاذة الصغيرة في حركة الأطراف والمفاصل ، وكذلك في المحركات التي تدفعها:
- يمكن لأجهزة استشعار مثل التسارع ووحدات القياس بالقصور الذاتي (IMUS) اكتشاف الاهتزازات الناتجة عن التآكل ، إلخ.
- تلتقط المستشعرات بالموجات فوق الصوتية توقيعات صوتية فريدة للكشف عن الاحتكاك المفرط.
يتم استخدام تقنيات التعلم الآلي ، وهي فرع من الذكاء الاصطناعي (AI) ، لتمكين الروبوتات التعاونية من اكتشاف الاختلافات في أنماط الاهتزاز والصوت من نقطة مرجعية عندما يكون الروبوت التعاوني جديدًا أو في حالة غير متضررة معروفة. يتيح تحليل الأنماط غير الطبيعية للنظام تشخيص حالات الفشل المبكرة والتشغيل طلبات للإصلاحات المخططة والصيانة لنظام إدارة المصنع.
في التطبيقات المبكرة للتعلم الآلي ، عادة ما يتم تشغيل خوارزميات الشبكة العصبية المعقدة للتعرف على الأنماط في إشارات المستشعر عن بعد في أنظمة الحوسبة المضمنة القائمة على المعالجات الدقيقة.
ومع ذلك ، وضعت هذه الأنظمة المركزية عبئًا ثقيلًا على معدات المعالجة عند التعامل مع مدخلات من عدد كبير من الروبوتات المتعاونات ، مما أدى إلى استهلاك الطاقة العالية وتولي قدر كبير من النطاق الترددي في الشبكة التي تربط الروبوتات التعاونية بنظام التحكم المركزي.
يوفر ظهور جيل جديد من أجهزة الاستشعار مع إمكانات الذكاء الاصطناعى المدمجة الآن الشركات المصنعة الروبوت التعاونية طريقة جديدة لتمكين التعلم الآلي المحلي. باستخدام الأدوات والبرامج من stmicroelectronics ، رائد في تطوير مستشعرات التعلم الآلي ، يمكن لمهندسي تصميم الروبوت التعاوني الاستفادة من طريقة جديدة أبسط لبناء إمكانات الصيانة التنبؤية في منتجاتهم.
مجموعة واسعة من أجهزة استشعار MEMS للاهتزاز والقياسات بالموجات فوق الصوتية
تقدم ST واحدة من أكبر محافظ في الصناعة من أجهزة استشعار MEMS ، بما في ذلك مقاييس التسارع ، IMUS ، مستشعرات الضغط والميكروفونات. يتم تصنيع عناصر الاستشعار باستخدام عمليات التخصيص الدقيقة المتخصصة ، بينما يتم تطوير واجهات IC باستخدام تقنية CMOS المتخصصة. وهذا يتيح تصميم الدوائر المتخصصة التي تتطابق مع خصائص عنصر الاستشعار.
تدعم هذه التكنولوجيا الأداء العالي لمقياس تسارع MEMS على نطاق النطاق الترددي المكون من ثلاثة محاور ، وهو مثالي للكشف عن الاهتزازات الناتجة عن الآلات المعيبة. تقدم ST أيضًا وحدات مستشعر الحركة استنادًا إلى مستشعرات MEMS الخاصة به: ISM33 0 DHCX ، على سبيل المثال ، هو منتج في الحزم يتضمن مقاييس التسارع الرقمي ثلاثي الأبعاد عالي الأداء وعروض الجيروسكوبات الرقمية ثلاثية الأبعاد مصممة لتطبيقات الصناعة 4.0 .
التعلم الآلي بناءً على منطق شجرة القرار
تعد ISM330DHCX واحدة من عروض مستشعرات MEMS الخاصة بـ ST والتي تتضمن وظائف الذكاء الاصطناعى المدمجة في شكل نواة التعلم الآلي (MLC). تتيح إمكانية التعلم الآلي هذه مشغلي النظام نقل بعض خوارزميات الصيانة التنبؤية من معالج التطبيقات المركزية إلى المستشعر ، مع استهلاك MLC المخصص أقل بكثير.
فكيف يمكن أن توفر كتلة منطق المعالجة الصغيرة ذات الطاقة المنخفضة في المستشعر إمكانيات التعلم الآلي التي تتطلب عادةً معالج تطبيقات كبير متعطش للطاقة؟
تكمن الإجابة في منطق شجرة القرار التي يتضمنها ST في أجهزة استشعارها الذكية: خوارزميات شجرة القرار التي تدعم ST هي أبسط من خوارزميات الشبكة العصبية التقليدية ، وبالتالي تستهلك عددًا أقل بكثير من دورات التعليمات والقوة.
شجرة القرار هي أداة رياضية تتكون من سلسلة من العقد القابلة للتكوين. تمثل كل عقدة حالة "if-then-else" تقارن إشارة الدخل (أي ، القيمة الكمية المحسوبة من بيانات مستشعر RAW) بقيمة عتبة.
يمكن تكوين ISM330DHCX لتشغيل ما يصل إلى ثمانية أشجار قرار في وقت واحد ومستقل. يتم تخزين أشجار القرار في الجهاز ويتم إنشاء النتائج في سجلات الإخراج المخصصة. يمكن قراءة نتائج شجرة القرار في أي وقت بواسطة متحكم المضيف أو معالج التطبيق. يمكن للمستشعر أيضًا إنشاء مقاطعات لكل تغيير في النتائج الناتجة عن شجرة القرار.
كيف يعمل منطق شجرة القرار
يتم إنشاء النموذج التنبئي لشجرة القرار من مجموعة من بيانات التدريب وتخزينها في ISM330DHCX. يتم تسجيل بيانات التدريب في حالتها المطلوبة (أي في حالة جيدة ، خالية من الأعطال) أثناء تشغيل الروبوت التعاوني.
شجرة القرار هي طريقة تحلل من خلالها MLC الميزات الشائعة في بيانات المستشعر الخام. ستشكل هذه الميزات الشائعة أساس "نموذج" ستستخدمه المستشعرات لمقارنة تشغيل الروبوت التعاوني. إذا كان إخراج المستشعر يطابق النموذج بشكل كبير ، فإن الروبوت التعاوني خالي من الأعطال. إذا كان المستشعر غير قادر على مطابقة قياسات الوقت الفعلي للنموذج ، فسيتم الإشارة إلى عطل محتمل ويتم إرسال إنذار إلى مشغل الماكينة.
تحتوي كل عقدة من شجرة القرار على شرط تتم بموجبه مقارنة الميزات بعتبة محددة. إذا كانت الحالة صحيحة ، يتم تقييم العقدة التالية في المسار الحقيقي. إذا كانت الحالة خاطئة ، يتم تقييم العقدة التالية في المسار الخاطئ ، كما هو مبين في الشكل 1. ستتطور حالة شجرة القرار عن طريق العقدة حتى يتم العثور على النتيجة. تحدد نتيجة شجرة القرار "فئة" سلوكية: في حالة معصم اللياقة البدنية ، قد تكون هذه الفئة "المشي" أو "الركض". في تطبيقات الصيانة التنبؤية للروبوتات التعاونية ، تتوافق عبء عمل مختلف من الروبوتات التعاونية مع فئات مختلفة.
تتكون شجرة القرار من عقد متعددة
تقوم شجرة القرار بإنشاء نتيجة جديدة لكل نافذة زمنية ، يتم تعيين طولها من قبل المستخدم لالتقاط خصائص فئة النشاط ذات الصلة. يمكن أيضًا تعديل النتيجة عن طريق مرشح اختياري إضافي يسمى "Meta-Classifier" الذي يطبق العدادات الداخلية على إخراج شجرة القرار.
يمكن الوصول إلى فئات النشاط المعترف بها من قبل MLC (في شكل نتائج شجرة القرار التي تمت ترشيحها أو غير مرشح) من خلال سجلات وحدة ISM330DHCX.