רובוטים תעשייתיים הם עמוד השדרה של ייצור מודרני, ביצוע משימות חוזרות עם מהירות ודיוק שעולה על יכולת אנושית.אבל אפילו המערכות הרובוטיות המתקדמות ביותר אינן חסינות ללבוש, מרמה, או השפלה רכיב.כאשר רובוט נכשל באופן בלתי צפוי, ההשלכות גורמות לחיזוי באמצעות קווי ייצור, מה שגורם להפחתה יעילה, אלגוריתמים של תחזוקה, וסיכוןימורים מסורתיים של תחזוקה - תיקון פעיל או מניעת תיקון קבוע - לעתים קרובות חיזוי של תקלות קצרות, או ירידה של תכונות למידה, כך שמבוססות על ידי שינוי יעיל מדי, כך, החלת חומרים אלה, החלים על ידי אלגוריתמים של תכונות למידה, החלות, החלות, החלות, החלות של תכונות למידה, החלות של תכונות למידה, החלות, החלות, החלות, החלות, החלות של תכונות למידה, או ירידה משמעותית מדי, ולכן, ולכן, החלות של תכונות למידה, אלגוריתמיות, הן יכולות למידה, הן יכולות למידה, החלות, החלות, החלות על ידי אלגוריתמיות, ירידה של אלגוריתמיות, אלגוריתמיות על ידי בדיקות מורכבות, החלמות, ולכן הן יכולות למידה, אלגוריתמיות, אלגוריתמיות, אלגוריתמיות על ידי אלגוריתמיות, אלגוריתמיות, אלגוריתמיות, ירידה של

החשיבות הקריטית של חיזוי Fault בתעשיית הרובוטיקה

בסביבות ייצור גבוהות, זמן השבתה לא מוגבל יכול לעלות אלפי דולרים לדקה.לדוגמה, כשל זרוע רובוט יחיד בקו הרכב יכול לעצור צמח שלם, המוביל להורדת מועדי אספקה והפסדים הכנסות.מלבד הפסדים כספיים, תקלות רובוטיות בלתי צפויות מציבות סיכונים בטיחותיים: זרוע תקלה עלולה להידרדר ללא תנאי, פגיעה בעובדים או כלי שלילי, מונעים מצריכת חשמל יעילה, אך עלולים להחליף את כל מיני בדיקות אלה, אך ורק לאחר שכאלו עלולות להפחית את הסיכון להפחתה משמעותית של טיפול בטמפרטורות.

כיצד Machine Learning Transforms חיזוי

אלגוריתמי למידת מכונות מצטיינים בגילוי מערכות יחסים מורכבות, לא ליניאריות בנתונים של חיישן רב-ממדיים, שלא ניתן יהיה לתפוס עם כללים פשוטים המבוססים על סף הסף.על ידי אימון על נתונים היסטוריים הכוללים גם תנאי הפעלה רגילים ואירועי תקלות מתוייגים, מודלים אלה לומדים לזהות סימנים מוקדמים.כפי שמקרינים חדשים משווקים בסטרימינג, המודלים מעצימות את הסיכוי לכשל, המאפשרים לצוותי תחזוקה לתזמן התנגשויות יקרות ערך בזמנים המשתנים – כאשר הם יכולים להתאים את יכולת ייצור זו או להפחתה של שימושית, במיוחד, כאשר הם יכולים לשפר את השינויים החדשים, כאשר הם יכולים לשפר את האפשרות של שימוש מחדש, כאשר הם יכולים לשפר את השינויים, כאשר הם יכולים לשפר את העלולים חדשים, כאשר הם יכולים לשפר את האפשרות של שימוש יעיל יותר, כאשר הם יכולים לשפר את השינויים האלה, כאשר הם יכולים לשפר את האפשרות של שימוש יעיל יותר, כאשר הם יכולים לשפר את השינויים של שימוש חוזר על פני שימוש חוזר על פני שימוש חוזר על פני שימוש חוזר על פני שימוש חוזר על פני שימוש חוזר על פני שימוש חוזר על פני שימוש חוזר על פני שימוש חוזר על פני שימוש יעיל יותר, כאשר הם יכולים לשפר את הסיכויים של רובוטים, כאשר הם יכולים לשפר את הסיכויים של שימוש, כאשר הם יכולים לשפר את הסיכויים של שימוש יעיל יותר, כאשר הם יכולים לשפר

מ-Reactive to Proactive Maintenance

יישום למידת מכונה עבור חיזוי תקלות משנה את פרדיגמת התחזוקה. במקום לחכות לחלק להיכשל או להחליף אותו מוקדם, ארגונים יכולים לכוון התערבויות בדיוק כאשר הם נדרשים.זה מפחית את עלויות תחזוקה הכוללות, מרחיב את חיי הרכיב, וממקסים את הציוד עד מאוחר יותר.לדוגמה, מפרקי הרובוט - לעתים קרובות בין הרכיבים המחוחים ביותר - ניתן לעקוב אחר חיכוך מוגבר או דפוסים לא נורמליים.

דרישות נתונים והנדסת תכונות

חיזוי תקלות מבוסס מכונה מצליח מסתמך על איכות נתונים והנדסת תכונות.ר. Raw חיישן נתונים - כגון אותות של מיצוי זמן מ accelerometers או encoders - חייב להיות preprocessed כדי לחלץ תכונות משמעותיות. תכונות נפוצות כוללים רגעים סטטיסטיים (mean, variance, skewness), תכונות תדירות-domain (גודלים, תוכן סינתטי), ו- קידוד זמן (התתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתאמת) בדרך כלל עם תכונות ספציפיות (אפקטים) עם תכונות למידה).

טכניקות למידה מכונות מפתח לגילוי

שום אלגוריתם יחיד אינו מתאים לכל תרחישי החיזוי של הפגמים.הבחירה תלויה בטבע הנתונים, הזמינות של דוגמאות מתוייגות, ואת הסחר הרצוי בין דיוק ופירושיות. להלן הן הגישות הנפוצות ביותר רובוטיקה תעשייתית.

למידה מבוססת: סיווג ותוקפנות

למידה מבוססת דורשת נתונים מתוייגים שבו כל נקודת נתונים מתויגת כ"נורמלי" או "מפונק" (או מסווגת על ידי סוג של פגם) מודלים מסווגים, כגון יערות אקראיים, מכונות וקטור (SVM), או ⁇ שיפור מכונות, ללמוד גבולות החלטה כי מפרידים בין נורמלים ממקרים של נתונים לא חוקיים, אך שימוש בדגמים של תוקפנות יכול לחזות מדד יקר – כגון חיים שימושיים (R) על בסיס מקרים של שימוש במגמות חדשות, לדוגמה, לדוגמה, על גבי כמות גבוהה של שימוש בגרסאות של נתונים, אך ורק על ידי שימוש במקרים של שימוש במקרים של שימוש בגרסאות שונות של שימוש במקרים של שימוש בגרסאות של שימוש בגרסאות קודמות של נתונים, אך ורק בגרסאות שונות של שימוש בגרסאות שונות של שימוש בגרסאות שונות של נתונים, אך לעתים קרובות, על ידי שימוש בגרסאות של נתונים, אך שימוש במקרים של שימוש בגרסאות של שימוש במקרים של שימוש במקרים של נתונים, שימוש בהן שימוש במקרים של שימוש במקרים של נתונים, שימוש במקרים של שימוש במקרים של שימוש במקרים של שימוש במקרים של שימוש בגרסאות של נתונים, לעתים קרובות, שימוש במקרים של שימוש במקרים של שימוש במקרים של שימוש במקרים של שימוש בגרסאות של שימוש בגרסאות

למידה בלתי מבוקרת: Anomaly Detection

למידה לא מבוקרת עולה כאשר נתונים פגומים מתוייגים הוא בקושי או כאשר סוגים חדשים של תקלות עשוי להופיע.שיטות אלה מודל המדינה "נורמלית" מהנתונים שאינם מחוסנים ודגל כל סטייה מעבר לסף.טכניקות נפוצות כוללות נוגדנים (רשתות עצביות מאומן לשחזר נתונים רגילים), אחד מסוג SVMs, ובודד יערות. Anomaly שימושי במיוחד עבור פריסות היסטוריות שבו פגמים היסטוריים הם רק פרקטיקה של חומר נפץ, לאחר מכן, לאחר מכן, אחד, הוא יכול ללמוד שינויים חד-אדם, לאחר מכן, לאחר מכן, לאחר מכן, הוא נדיר של זיהוי רב-מפוסל, אחד, הוא נדיר של זיהוי אוטומטי, אחד, לאחר מכן, הוא חידה, הוא, אחד, אחד, אחד, אחד, אחד של תאים מרובים של זיהוי, אחד, אחד, הוא מסוגל לחקור, אחד של זיהוי של זיהוי אוטומטי, אחד של זיהוי של זיהוי של זיהוי רכב, ובודד.

למידה עמוקה: רשתות אבולוציה וחדשניות

מודלים למידה עמוקה, במיוחד רשתות עצביות אבולוציה (CNN) וזיכרון לטווח קצר ארוך (LSTM) רשתות, הראו ביצועים של המדינה-of-the-art במשימות חיזוי שגיאות. CNN יכולים באופן אוטומטי לחלץ תכונות מרחביות מspectrograms או תמונות של אותות רטט, בעוד LSTM ללכוד temporal תלוי בנתונים של זמן.

היתרונות של מעל עלויות החיסכון

בעוד שעלויות תחזוקה נמוכות יותר ונמוכות יותר הן היתרונות הברורים ביותר, תחזית תקלות מונעת ממכונות מספקת מספר יתרונות נוספים המשפיעים על מצוינות תפעולית הכוללת.

  • (FLT:0) בטיחות מובטחת: FLT:1 חיזוי פגמים לפני שהם הופכים קריטי להפחית את הסיכון של תקלות רובוט פתאומי שעלול לפגוע בעובדים או בציוד נזק.
  • (FLT:0)Optimized Spare Parts Inventory:Buildy:ph 1:1 עם תחזיות חיים נמוכות, ארגונים יכולים לאמץ רק בזמן ניהול חלקי חילוף, צמצום המלאי תוך הבטחת חלקים זמינים בעת הצורך.
  • (FLT:0) שיפור הייצור של שדרלינג: ההרחבה: חיזוי תחזוקה מאפשר תחזוקה להיות מתוכנן במהלך חלונות ייצור מתוכנן, כגון שינויים משמרות או בסופי שבוע, במקום לגרום לעצירת קו החירום.
  • (FLT:0) Data-Driven Continuous שיפורים:FLT:1 תובנות ממודלים חיזוי שגוי יכול להאכיל בחזרה עיצוב רובוט, תכנות או פרקטיקות תפעוליות.לדוגמה, אם מפרק מסוים נוטה להיכשל תחת שילובים מהירים מסוימים / מתווך, מהנדסים יכולים להתאים את הפרמטרים של הביצועים של הרובוט כדי להרחיב את חייו.
  • (FLT:0) תוך ניצול של נכסים: FLT:1 על ידי הימנעות מאירועים רצופים למזיקים שלעתים קרובות פוגעים במרכיבים הסובבים, תחזוקה חיזויית יכולה להאריך את תוחלת החיים הכוללת של מערכות רובוטיות, עיכוב הוצאות הון על החלפתם.

אתגרים ו איך להגזים

למרות ההבטחה הברורה, פריסת למידת מכונה עבור חיזוי תקלות בהגדרות תעשייתיות בעולם האמיתי אינה טריוויאלית.יש לטפל בכמה מהמכשולים לצורך יישום מוצלח.

איכות נתונים וזמינות

נתונים של חיישן באיכות גבוהה הם הדם של כל מודל חיזוי.בעיות כגון ערכים חסרים, סחף חיישן, רעש, ושיעורי הדגימה לא עקביים יכולים לזלזל בביצועים.בנוסף, מפעלים רבים חסרים את תשתיות החיישן הדרושות; רובוטים מבוגרים יכולים רק לספק קודים שגיאה בסיסית ולא רק אותות שוטפים.

מודל Interpretability

מפעילי המפעל וצוותי תחזוקה הם לעתים קרובות ספקנים של תחזיות של תיבות שחורות.אם מודל אומר רובוט הולך להיכשל אבל לא יכול להסביר מדוע, אמון erodes במהירות.סביר AI (XAI) שיטות - כגון SHAP (SHapley Additive exPlanations) או LIME (הסברים הבין-תחומיים הבין-תחומיים מקומיים) - יכולים להדגיש את החיישנים שתרמו לרוב לחיזוי המחוונים, כמו זיהוי מוקדם יותר, או לאמת, כמו מודלים מדויקים יותר, או מודלים מדויקים יותר, כגון מודלים של מודלים של מודלים של מודלים מדויקים יותר, או מודלים של מודלים של מודלים של מודלים של מודלים מדויקים יותר, או תוקפים, כגון תוקפים, או תוקפים, כגון תוקפים, או תוקפים, יכולים להיות מדויקים יותר, או תקפים, כגון, או תקפים, או תקפים, כגון תקפים, או תקפים, כגון תקפים, כגון תקפים, כגון תקפים, כגון תוקפים, יכולים להיות פחות מדויקים יותר, כגון תוקפים, או תוקפים, כגון תקפים, כגון תקפים, או תקפים, כגון: תקפים, כגון תקפים, כגון תקפים, כגון תקפים, כגון תקפים, כגון: תקפים, כגון תקפים, כגון תקפים,

שילוב עם מערכות תחזוקה קיימות

מודלים חיזוייים שימושיים רק אם הפלט שלהם ניזונים לתוך זרימת עבודה הקיימת.זה דורש שילוב עם מערכות ניהול תחזוקה ממוחשבת (CMMS) או ניהול נכסים ארגוני (EAM) פלטפורמות סטנדרטיות API ופורמטי נתונים (למשל, OPC-UA, MQTT) להקל על קישוריות.בנוסף, המערכת חייבת לגשר על הפער בין תחזית המודל (למשל, "0% הסתברות") בתוך הסתברות הפעלה של משימות חלופיות ל-ידי צוות של הסלמה (כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, שימוש ב- 100 שעות הפעלה) ו- 100 שעות עבודה (כלומר, שימוש ב-ידי צוות של טמפרטורות יעילות) ו- 100 שעות הפעלה של אינפלציה (כלומר, שימוש ב-ידי צוות של הפחתה של תחליפית) דורשות) ו-ידי צוות של הפחתה של טמפרטורות יעילות) ו-ידי צוות של 80 שעות עבודה (לדוגמה, שימוש ב-ידי צוות של תחליפיות) ו-ידי צוות של הפחתה של הפחתה של הפחתה של הפחתה של אינפלציה (לדוגמה, שימוש ב- 100 שעות הפעלה של הפחתה של טמפרטורות הפעלה של תחליפית) ו-ידי צוות של טמפרטורות יעילות) דורשות) ו-ידי צוות של תחליפי נתונים (

סקלאלה ודפט

מודל המוכשר על רובוט אחד לא יכול להכלל רובוטים עם תצורה שונה, עומסי עבודה או סביבות. למידה העברה יכול לעזור להתאים מודל בסיס רובוטים חדשים עם נתונים מינימליים נוספים.בנוסף, כמו רובוטים גיל או תהליכים משתנים, הפצת הנתונים הבסיסית יכולה להשתנות (תפיסת סחף), דהור מודל מעקב רציף של ביצועים מודלים ושיקום תקופתיים (או למידה מקוונת) הם חיוניים לשמירה על אמינות.

מגמות עתידיות ב- Machine Learning Fault Prediction

התחום מתפתח במהירות, וכמה מגמות מתעוררות יעצבו את הדור הבא של מערכות חיזוי לקויות.

(FLT:0) פרופורציה למידה: במקום מרכזי נתונים במפעל רגישים, דגמי רכבות למידה מעובדים בכל אתר או רובוט ורק משתף עדכונים מודל.זה משפר את פרטיות הנתונים ומפחית את דרישות רוחב הפס בעוד עדיין נהנה מלמידה קולקטיבית על פני מתקנים מרובים - גישה שאותה אומצה על ידי [Google AI מחקר](https: www.comfeed-boring-coing-inding-aconerding-html ו-aducationerding בהגדרות תעשייתיות יותר ויותר).

(FLT:0) תאומים דיגיטליים: FLT:103) על ידי יצירת העתק וירטואלי של רובוט פיזי המראה את ההתנהגות בזמן אמת, תאומים דיגיטליים מאפשרים סימולציות של תרחישים פגומים ללא סיכון ציוד בפועל.מודלים של למידת מכונות ניתן לאמן על נתונים של תקלות סינתטיות שנוצרו על ידי התאום, באופן דרמטי מרחיב את נתוני האימון.

(FLT:0) Edge AIIR: FLT:1 פועל מודלים קלים ML ישירות על מכשירים קצה (כגון בקרים רובוטיים או שערי IoT הסמוכים) להפחית את הגמישות ומאפשר חיזוי בזמן אמת ללא להסתמך על קישוריות בענן.זה קריטי עבור החלטות קריטיות בטיחות, כגון עצירות חירום מופעל על ידי זיהויomaly. מראשs במודל (quantization, pruning) ביצוע פריסה מוגבלת על ידי קוד פתוח אפילו על ידי זיהוי לקוי.

(FLT:0) Multi-Modal Sensor Fusion:03F1) שילוב נתונים מסוגי חיישן מרובים - שחיבר, טמפרטורה, נוכחי, אקוסטיקה ואפילו וידאו - מספק תמונה עשירה יותר של בריאות רובוט.מודלים למידה עמוקה הממזגים את המודולים האלה יכולים לזהות פגמים שעשויים להיות בלתי נראים בכל זרם חיישן יחיד.

להתחיל עם Machine Learning for Robot Fault

ארגונים בהתחשב באימוץ למידת מכונה עבור חיזוי תקלות צריך לעקוב אחר גישה בשלב זה.ראשון, לבצע ביקורת של נכסים רובוטיים קיימים: אילו חיישנים זמינים?מה נתונים היסטוריים נרשמות?האם היו כישלונות העבר שניתן לתייגו? שנית, להתחיל עם פרויקט טייס על רובוט אחד או צי קטן. להתמקד על רכיב ערכי גבוה (למשל, מנוע משותף או מאחז) שבו השלכות חמורות הן ללא מרשם זמן, כגון: Kube-cogicial Data, בתחילה, אם יש צורך בנתוני זמן מצטברים).

מסקנה

אלגוריתמי למידת מכונות אינם תרופת פלאאצה לכל בעיות האמינות הרובוטית, אך הם מייצגים כלי רב עוצמה בארסנל של מהנדס התחזוקה.על ידי מתן חיזוי מוקדם ומדויק, הם להפחית את עלויות ההפחתה, לקצץ בעלויות, לשפר את הבטיחות, ולהרחיב את חיי הנכסים.המסע מתחזוקה תגובתית ועד לחיזוי, תחזוקה המונעת על ידי נתונים דורש תכנון קפדני, נתונים איכותיים ושיתוף פעולה עם זאת, כמו ירידה, מחשוב, כוח בוגר, כדי להמשיך את האלגוריתמים של מערכות ניהול יעיל יותר, כדי להשיג אלגוריתמים של מערכות בקרה תעשייתית, לחץ יעיל יותר, ועדכונים של מערכת ניהול נתונים, לחץ יעיל יותר, וקידום יעיל יותר, היא גבוהה יותר, כדי להמשיך את החיזוי יעיל יותר, לחץ יעיל יותר, כדי להבטיח את אמצעי אבטחה, לחץ יעיל יותר, לחץ יעיל יותר, לחץ יעיל יותר, לחץ דם בעתיד.