Один з результатів дозрівання таких технологій, як Інтернет речей (IoT), розширена реальність (AR) та хмарні обчислення - це зростання розумної фабрики. Все більш звичне видовище на розумних фабриках - це спільні роботи. Спільні роботи вже відіграють важливу роль у розумному виробництві та візьмуть на себе більше функцій та забезпечать більшу цінність на заводі з часом.
Оскільки розумні фабрики все частіше покладаються на спільних роботів для виконання їх основних функцій, стає ще важливішим, щоб вони працювали надійно і без незапланованого простою. Це спонукало виробників спільних роботів, щоб забезпечити прогностичне обслуговування у своїх продуктах: раннє попередження для користувачів у разі невдачі, яка в кінцевому рахунку може загрожувати операції своїх спільних роботів. Він пропонує можливість виправити несправності протягом запланованого часу обслуговування без порушення, спричинених несподіваними збоями машини.
У спільних роботах системи прогнозування технічного обслуговування покладаються на датчики, які виявляють невеликі аномалії в русі кінцівок і суглобів, а також у двигунах, які їх керують:
- Такі датчики, як акселерометри та інерційні одиниці вимірювання (IMUS), можуть виявити вібрації, спричинені зносом підшипника тощо.
- Ультразвукові датчики підбирають унікальні акустичні підписи для виявлення надмірного тертя.
Методи машинного навчання, галузь штучного інтелекту (AI), використовуються для того, щоб співпрацювати роботами виявляють відмінності у вібраційній та звуковій моделях з опорного моменту, коли робочий співпрацю є абсолютно новим або в відомому непошкодженому стані. Аналіз аномальних закономірностей дозволяє системі діагностувати ранні збої та спровокувати запити на запланований ремонт та обслуговування системи управління рослинами.
У ранньому впровадженні машинного навчання складні алгоритми нейронної мережі для розпізнавання шаблонів у сенсорних сигналах, як правило, віддалено працювали в потужних вбудованих обчислювальних системах на основі мікропроцесорів.
Однак такі централізовані системи поклали важкий тягар на обробку обладнання, коли вони мають справу з входами з великої кількості роботів, що співпрацюють, що призводить до високого споживання електроенергії та зайняття значної кількості пропускної здатності в мережі, що з'єднує роботів, що співпрацюють, до центральної системи управління.
Поява нового покоління датчиків із вбудованими можливостями AI тепер пропонує спільним виробникам роботів новий спосіб забезпечити місцеве машинне навчання. Використовуючи інструменти та програмне забезпечення від Stmicroelectronics, піонер у розробці датчиків машинного навчання, інженери з дизайну роботів спільної роботи можуть скористатися новим, простішим способом створення можливостей прогнозування технічного обслуговування у свої продукти.
Широкий діапазон датчиків MEMS для вібраційних та ультразвукових вимірювань
ST пропонує один з найбільших портфелів датчиків MEMS, включаючи акселерометри, ІМУ, датчики тиску та мікрофони. Елементи зондування виготовляються за допомогою спеціалізованих процесів мікромашини, тоді як інтерфейси ІС розробляються за допомогою спеціалізованої технології CMOS. Це дозволяє розробити спеціалізовані схеми, які відповідають характеристикам зондувального елемента.
Ця технологія лежить в основі високої продуктивності IIS3DWB, наприклад, триосового ультра-ширини пропускної здатності Accelerometer, що ідеально підходить для виявлення вібрацій, що генеруються несправними машинами. ST також пропонує модулі датчика руху на основі його датчиків MEMS ICS: ISM33 0 DHCX, наприклад .
Машинне навчання на основі логіки дерева рішень
ISM330DHCX - це одна з пропозицій датчиків MEMS ST, що включає вбудовану функціональність AI у вигляді машинного ядра навчання (MLC). Ця можливості машинного навчання дозволяє операторам системи перенести деякі алгоритми прогнозування технічного обслуговування з центрального процесора застосування до датчика, при цьому спеціалізований MLC споживає набагато менше потужності.
Тож як невеликий логічний блок обробки датчика може забезпечити можливості машинного навчання, які зазвичай потребують великого процесора додатків, що голодують над живленням?
Відповідь полягає в логіці дерева рішень, яку СТ вбудовується в свої розумні датчики: алгоритми дерева рішень, що підтримуються ST, простіші, ніж традиційні алгоритми нейронної мережі, а тому споживають набагато менше циклів та потужності.
Дерево рішень - це математичний інструмент, що складається з серії налаштованих вузлів. Кожен вузол являє собою умову "if-then-else", яка порівнює вхідний сигнал (тобто кількісне значення, обчислене за даними сировини) з пороговим значенням.
ISM330DHCX може бути налаштований для запуску до восьми дерев рішень одночасно та незалежно. Дерева рішення зберігаються в пристрої, а результати генеруються у спеціальних вихідних регістрах. Результати дерева рішень можна в будь -який час прочитати мікроконтролер хоста або процесор додатків. Датчик також може генерувати переривання для кожної зміни результатів, отриманих деревом рішень.
Як працює логіка дерева рішень
Модель прогнозування дерева рішень побудована з набору навчальних даних і зберігається в ISM330DHCX. Дані про навчання реєструються у бажаному стані (тобто в хорошому стані, без помилок) під час експлуатації спільного робота.
Дерево рішень - це метод, за допомогою якого MLC аналізує загальні особливості в даних SAR -датчика. Ці загальні функції становлять основу "моделі", яку датчики використовуватимуть для порівняння роботи спільного робота. Якщо вихід датчика високо відповідає моделі, співпрацюючий робот безперешкодно. Якщо датчик не в змозі відповідати вимірювам у режимі реального часу з моделлю, вказується потенційна несправність і сигналізація надсилається оператору машини.
Кожен вузол дерева рішень містить умову, згідно з якою особливості порівнюються з певним порігом. Якщо умова є правдою, оцінюється наступний вузол у справжньому шляху. Якщо умова є помилковою, оцінюється наступний вузол у фальшивому шляху, як показано на малюнку 1. Стан дерева рішень буде розвиватися вузол на вузол, поки результат не знайдеться. Результат дерева рішень визначає поведінкову "категорію": у випадку фітнес -браслета, така категорія може бути "ходьбою" або "пробіжкою". У програмах прогнозування технічного обслуговування для спільних роботів різні робочі роботи спільних роботів відповідають різним категоріям.
Дерево рішень складається з декількох вузлів
Дерево рішень генерує новий результат для кожного вікна часу, довжина якого встановлюється користувачем для захоплення характеристик відповідної категорії діяльності. Результат також може бути змінений додатковим додатковим фільтром, який називається "мета-класифікатором", який застосовує внутрішні лічильники до виходу дерева рішень.
Категорії діяльності, визнані MLC (у вигляді відфільтрованих або нефільтрованих результатів дерева рішень), можна отримати через регістри модуля ISM330DHCX.