Một trong những kết quả của sự trưởng thành của các công nghệ như Internet vạn vật (IoT), thực tế tăng cường (AR) và điện toán đám mây là sự gia tăng của nhà máy thông minh. Một cảnh tượng ngày càng quen thuộc trong các nhà máy thông minh là robot hợp tác. Robot hợp tác đã đóng một vai trò quan trọng trong sản xuất thông minh và sẽ đảm nhận nhiều chức năng hơn và cung cấp giá trị lớn hơn trong nhà máy theo thời gian.
Khi các nhà máy thông minh ngày càng dựa vào các robot hợp tác để thực hiện các chức năng thiết yếu của chúng, điều đó càng trở nên quan trọng hơn là chúng hoạt động đáng tin cậy và không có thời gian chết không có kế hoạch. Điều này đã thúc đẩy các nhà sản xuất robot hợp tác cho phép bảo trì dự đoán trong các sản phẩm của họ: cảnh báo sớm cho người dùng trong trường hợp thất bại cuối cùng có thể gây nguy hiểm cho hoạt động của robot hợp tác của họ. Nó cung cấp cơ hội để khắc phục lỗi trong thời gian bảo trì theo kế hoạch mà không bị gián đoạn do lỗi máy bất ngờ.
Trong các robot hợp tác, các hệ thống bảo trì dự đoán dựa vào các cảm biến phát hiện các dị thường nhỏ trong chuyển động của chi và khớp, cũng như trong các động cơ điều khiển chúng:
- Các cảm biến như gia tốc kế và đơn vị đo quán tính (IMU) có thể phát hiện các rung động do hao mòn, v.v.
- Cảm biến siêu âm chọn chữ ký âm thanh độc đáo để phát hiện ma sát quá mức.
Kỹ thuật học máy, một nhánh của trí tuệ nhân tạo (AI), được sử dụng để cho phép các robot hợp tác phát hiện sự khác biệt trong các mẫu rung và âm thanh từ điểm tham chiếu khi robot hợp tác là thương hiệu mới hoặc ở trạng thái không bị hư hại. Phân tích các mô hình bất thường cho phép hệ thống chẩn đoán các lỗi sớm và yêu cầu kích hoạt sửa chữa và bảo trì theo kế hoạch cho hệ thống quản lý nhà máy.
Trong việc triển khai sớm học máy, các thuật toán mạng thần kinh phức tạp để nhận dạng các mẫu trong các tín hiệu cảm biến thường chạy từ xa trong các hệ thống điện toán nhúng dựa trên bộ vi xử lý mạnh mẽ.
Tuy nhiên, các hệ thống tập trung như vậy đã đặt một gánh nặng lớn vào thiết bị chế biến khi xử lý các đầu vào từ một số lượng lớn các robot hợp tác, dẫn đến mức tiêu thụ năng lượng cao và chiếm một lượng băng thông đáng kể trong mạng kết nối các robot cộng tác với hệ thống điều khiển trung tâm.
Sự ra đời của một thế hệ cảm biến mới với khả năng AI nhúng hiện cung cấp cho các nhà sản xuất robot hợp tác một cách mới để cho phép học máy địa phương. Sử dụng các công cụ và phần mềm từ STMicroelectronics, người tiên phong trong việc phát triển các cảm biến học máy, các kỹ sư thiết kế robot hợp tác có thể tận dụng một cách mới, đơn giản hơn để xây dựng khả năng bảo trì dự đoán vào các sản phẩm của họ.
Một loạt các cảm biến MEMS để đo độ rung và siêu âm
ST cung cấp một trong những danh mục đầu tư lớn nhất của các cảm biến MEMS, bao gồm gia tốc kế, IMU, cảm biến áp suất và micrô. Các yếu tố cảm biến được sản xuất bằng các quy trình micromachining chuyên dụng, trong khi các giao diện IC được phát triển bằng công nghệ CMOS chuyên dụng. Điều này cho phép thiết kế các mạch chuyên dụng phù hợp với các đặc điểm của yếu tố cảm biến.
Công nghệ này củng cố hiệu suất cao của IIS3DWB, ví dụ, gia tốc kế băng thông siêu rộng ba trục, rất lý tưởng để phát hiện các rung động được tạo ra bởi các máy bị lỗi. ST cũng cung cấp các mô-đun cảm biến chuyển động dựa trên các ICS cảm biến MEMS của nó: ISM33 0 DHCX, ví dụ, là một sản phẩm của hệ thống bao gồm gia tốc kế 3D hiệu suất cao và ứng dụng kỹ thuật số 3D phù hợp với các ứng dụng công nghiệp 4.0 .
Học máy dựa trên logic cây quyết định
ISM330DHCX là một trong những dịch vụ cảm biến MEMS của ST bao gồm chức năng AI nhúng dưới dạng lõi máy học (MLC). Khả năng học máy này cho phép các nhà khai thác hệ thống chuyển một số thuật toán bảo trì dự đoán từ bộ xử lý ứng dụng trung tâm sang cảm biến, với MLC chuyên dụng tiêu thụ ít năng lượng hơn nhiều.
Vì vậy, làm thế nào khối logic xử lý công suất nhỏ, nhỏ của cảm biến có thể cung cấp các khả năng học máy thường sẽ yêu cầu một bộ xử lý ứng dụng lớn, cần sức mạnh?
Câu trả lời nằm ở logic cây quyết định mà ST nhúng vào các cảm biến thông minh của nó: Các thuật toán cây quyết định hỗ trợ ST đơn giản hơn các thuật toán mạng thần kinh truyền thống, và do đó sử dụng các chu kỳ và sức mạnh hướng dẫn ít hơn nhiều.
Cây quyết định là một công cụ toán học bao gồm một loạt các nút có thể định cấu hình. Mỗi nút đại diện cho một điều kiện "if-then-else" so sánh tín hiệu đầu vào (nghĩa là giá trị định lượng được tính toán từ dữ liệu cảm biến thô) với giá trị ngưỡng.
ISM330DHCX có thể được cấu hình để chạy tới tám cây quyết định một cách đồng thời và độc lập. Các cây quyết định được lưu trữ trong thiết bị và kết quả được tạo ra trong các thanh ghi đầu ra chuyên dụng. Kết quả của cây quyết định có thể được đọc bất cứ lúc nào bởi bộ vi điều khiển hoặc bộ xử lý ứng dụng máy chủ. Cảm biến cũng có thể tạo ra các ngắt cho mỗi thay đổi trong kết quả được tạo bởi cây quyết định.
Logic cây quyết định hoạt động như thế nào
Mô hình dự đoán cho cây quyết định được xây dựng từ một bộ dữ liệu đào tạo và được lưu trữ trong ISM330DHCX. Dữ liệu đào tạo được ghi lại ở trạng thái mong muốn (nghĩa là trong tình trạng tốt, không có lỗi) trong quá trình hoạt động của robot hợp tác.
Cây quyết định là một phương pháp mà MLC phân tích các tính năng chung trong dữ liệu cảm biến thô. Các tính năng phổ biến này sẽ tạo thành cơ sở của một "mô hình" mà các cảm biến sẽ sử dụng để so sánh hoạt động của robot hợp tác. Nếu đầu ra cảm biến rất phù hợp với mô hình, robot hợp tác không có lỗi. Nếu cảm biến không thể khớp các phép đo thời gian thực của nó với mô hình, một trục trặc tiềm năng được chỉ định và báo động được gửi đến toán tử máy.
Mỗi nút của cây quyết định chứa một điều kiện trong đó các tính năng được so sánh với một ngưỡng cụ thể. Nếu điều kiện là đúng, nút tiếp theo trong đường dẫn thực được đánh giá. Nếu điều kiện là sai, nút tiếp theo trong đường dẫn sai được đánh giá, như trong Hình 1. Trạng thái của cây quyết định sẽ phát triển nút theo nút cho đến khi tìm thấy kết quả. Kết quả của cây quyết định xác định một "danh mục" hành vi: Trong trường hợp dây đeo cổ tay thể dục, một thể loại như vậy có thể là "đi bộ" hoặc "chạy bộ". Trong các ứng dụng bảo trì dự đoán cho robot hợp tác, khối lượng công việc khác nhau của robot hợp tác tương ứng với các loại khác nhau.
Cây quyết định bao gồm nhiều nút
Cây quyết định tạo ra một kết quả mới cho mỗi cửa sổ thời gian, độ dài được đặt bởi người dùng để nắm bắt các đặc điểm của danh mục hoạt động có liên quan. Kết quả cũng có thể được sửa đổi bởi một bộ lọc tùy chọn bổ sung được gọi là "bộ phân loại meta" áp dụng các bộ đếm nội bộ cho đầu ra của cây quyết định.
Các loại hoạt động được MLC công nhận (dưới dạng kết quả cây quyết định được lọc hoặc không lọc) có thể được truy cập thông qua các thanh ghi của mô-đun ISM330DHCX.