Endüstriyel robotlar modern üretim omurgası, insan yeteneklerini aşacak hız ve hassaslarla tekrarlanan görevleri yürütmektir. Ancak en gelişmiş robot sistemleri bile giymeye, yanlışlamalara veya parçalanmalara karşı bağışıklık değildir.Bir robot beklenmedik bir şekilde, sonuçlar üretim hatlarıyla dalgalandığında, pahalıya mal olur, hurdaya ve güvenlik tehlikeleri sağlar. Geleneksel bakım stratejileri - bu nedenle bu nedenle bu türdeki hataları - bu nedenle, teknik hataların düşmesine veya bozulmalara yol açar.

Endüstriyel Robotik'te Hatanın Eleştirel Önemi

Yüksek oranda üretim ortamları, tamamlanmamış robot hataları güvenlik riskleri: bir arıza işçi veya pahalı bir araçlama sırasında, sabit bir süre içinde tüm bitkiyi durdurabilir, teslimat tarihleri ve kayıp gelirlerini kaçırmaya yol açabilir. Finansal kayıplar dışında, beklenmedik bir robot hatası güvenlik riskleri ortaya çıkarabilir: Zorbalıksız bir şekilde, yasal olmayan bir bakım programları ile ilgili olarak, gerçek bir bakım programları ile ilgili olarak yapılan denetimler.

Makine Öğrenmesi Tahmin Edici Bakım Dönüştürüyor

Makine öğrenme algoritmaları karmaşık, doğrusal olmayan ilişkiler yüksek boyutlu sensör verilerinin keşfi, en uygun zamanlarla müdahale etme olasılığının artırılması mümkün olacaktır.Her iki normal işletim koşullarını ve etiketli hataların ortaya çıkmasını içeren tarihsel verilerle eğitim yoluyla, bu modeller erken uyarı işaretleri tanımayı öğrenir. Modeller, daha fazla veri toplama, modelleme başarısızlığı olasılığının bir olasılık olarak, bakım ekiplerinin en fazla zaman ortaya çıktığı zaman yeniden eğitilmesine izin verebilir.

Reaktifden Proaktif Bakım

Hata tahminine yönelik makine öğrenimi bakım paradigmasını değiştiriyor. Bir parçasının erkenden başarısız olmasını veya değiştirilmesini beklemek yerine, organizasyonlar gerekli olduğunda müdahaleleri hedefleyebilirler.Bu, genel bakım maliyetlerini azaltır, bileşen hayatını genişletir ve bir robot değişimi için en stresli bileşenler arasında bir değişiklik yapabilir - artış veya anormal vibrasyon kalıpları için takip edilebilir.Eğer model, bir taşımanın bir sonraki 100 işletim saatte başarısız olacağını tahmin ederse, bakım ekibi yedek parça ve zaman süresini artırabilir. Örneğin, bir robot değişimi sipariş edebilir.

Veri Gereksinimleri ve Özel Mühendislik

Başarılı makine öğrenimi tabanlı hata tahminleri veri kalitesi ve özellik mühendisliğine bağlıdır. Raw sensör verileri - hızlayıcılardan veya kodlayıcılardan zaman serisi sinyalleri gibi - anlamlı özellikleri çıkarmak için önceden işlenir. Common özellikleri istatistiksel anlar (mean, variance, skewness), frekans-domain özellikleri (peak büyüklüğü, harmonik içerik), ve zaman frekansı temsilleri (yoğun katlama katlama katsayısı)

Anahtar Makine Öğrenme Teknikleri Yanlış Tespit için

Tek bir algoritma tüm hata tahmin senaryolarına uymaz. Seçim, verilerin doğasına bağlıdır, etiketli örneklerin erişilebilirliği ve doğruluk ve yorumlanabilirlik arasındaki istenen ticaret. Aşağıda endüstriyel robotikte en yaygın kullanılan yaklaşımlar vardır.

Süpervize Öğrenme: Sınıflama ve Regresyon

Süpervize öğrenme, her veri noktasının “normal” veya “faulty” olarak etiketlendiğini veya rastgele ormanlar tarafından kategorize edilen sınıflandırma modellerini, örneğin, vektör makineleri (SVM), veya yüksek çözünürlükte bir şekilde artırıcı makinelerin sayısını tahmin edebilir.Regresyon modellerinin genellikle veri etiketini satın almalarını gerektirdiği gibi, çoğu zaman test edilen verileri kullanarak, özellikle de test edilen verileri kullanarak, veri toplama tekniklerini kullanarak tekrarlayıcı bir uygulamadaki verileri tahmin edebilirsiniz.For example, a regresyon modeli.For historical having data can estimateing machine, learning the number of hours to the number of hours. Supervised methods usually achieve a high correct.

Denetimsiz Öğrenme: Anomaly Tespit

Denetimsiz öğrenme, yanlış veri tanımlandığında veya yeni hata türleri ortaya çıkabilir. Bu yöntemler, tarihsel hataların sınır dışı edildiği ilk dağıtımlarda “normal” durumu ve bayraklar, ortak teknikler otomatik olarak kodlayıcıları (normal ağları normal verileri yeniden inşa etmek için eğitilmiştir), bir sınıf SVM'ler ve izolasyon ormanları.Anomaly algılama özellikle de tarihsel hataların sınırlı olduğunu öğrenmek için yararlıdır.Bir kez daha hassas bir şekilde araştırılır, insan uzmanı araştırma ve etiketler olay, yavaş yavaş yavaş yavaş yavaş yavaş denetimli bir veri kümesi inşa eder.

Derin Öğrenme: Çağdaş ve Recurrent Networks

Derin öğrenme modelleri: özellikle de geleneksel sinir ağları (CNNs) ve uzun kısa süreli bellek (LSTM) ağlar, devlet tarafından yapılan hataları tahmin eden görevlerde otomatik olarak performans gösterir.Politikalar, titreşim sinyallerinin görüntülerini otomatik olarak çıkarırken, LSTM'ler zaman zaman zamanlayıcı veri ve önemli hesaplama yöntemlerini gerektirir.

Tangible Faydaları Maliyet Tasarruflarının Ötesinde

Daha düşük bakım maliyetleri en belirgin avantajlar olsa da, makine öğrenme odaklı hata tahmini genel operasyonel mükemmelliği etkileyen birkaç avantaj sunar.

  • [FONT:0)Enhanced Safety:[Dönetici:[Dönetici: 0 ) Daha önce tahmin edilen hataların, zarar veren işçiler veya hasar ekipmanlarının riskini azaltabilecek bir robotun, örneğin, erratik eklem hareketlerinin aşırı ısınmaya veya sergileyeceği bir robot felaket başarısızlığından önce güvenli bir şekilde kapatılabilmesi için kapatılabilir.
  • [FONT:0)Optimized Yedek Parçalar Teşvik: [Dönümüzdeki kullanışlı yaşam tahminleri ile kuruluşlar sadece zaman yedek parçaları yönetimini kabul edebilir, parçaların gerekli olduğunda envanter taşıma maliyetlerini azaltır.
  • [FONT:0) Geliştirilmiş Üretim Planlaması: [Dönetici: [Dönetici:0] Acil bakım, acil hat duraklarına neden olmak yerine, planlanan üretim pencerelerinde bakım yapılmasını sağlar.
  • [FONT:0]Data-Driven Sürekli İyileştirme: Hata tahmin modellerinden gelen veriler robot tasarımı, programlama veya operasyonel uygulamalara geri dönebiliyor. Örneğin, belirli bir ortak belirli hız /tork kombinasyonları altında başarısız olma eğilimindedirse, mühendisler robotun performansını genişletmeye yönelik performans parametrelerini ayarlayabilir.
  • [FONT:0)Increased Asset Lifetime: Sık sık bileşenleri çevreleyen eylemleri önlemek için, tahmin edilebilir bakım, genel robot sistemlerinin ömrünü uzatabilir, yedeklerdeki sermaye harcamalarını geciktirebilir.

Uygulama Challenges ve How to Overcome Them

Açık söze rağmen, gerçek dünya endüstriyel ortamlarda hata tahminine yönelik makine öğrenimi dağıtma önemsiz değildir.Başarılı bir uygulama için birkaç engel ele alınmalıdır.

Data Quality ve Müsaitlik Durumu

Yüksek kaliteli sensör verileri, tahmin edici modelin yaşam kan damarıdır. Eksik değerler, sensör sürüklenme sistemleri ve tutarsız örnekleme oranlarının düşmesi gibi sorunlar, verilerin geçerliliğini azaltma yöntemlerinin kullanılması ve eksik veri için gerekli olan hataların olmaması; eski robotlar sadece sürekli titreşim veya mevcut sinyallerin yerine temel hata kodları sağlayabilir.

Model Yorumability

Fabrika operatörleri ve bakım ekipleri genellikle siyah-box tahminlerinin şüpheci olduğunu söylüyor. Bir model bir robotun başarısız olacağını söylüyor ancak bu açıklamaların neden hızlı bir şekilde yapıldığını açıklayamıyor.Açıklanabilir AI (XAI) yöntemleri - SHAP (SHapley Katkıları) veya LIME (Local Interpreter) - daha az doğru şekilde yorumlanabilir ve bu adımların çoğu kez panolar inşa edilmesine yardımcı olabilir.

Mevcut Bakım Sistemleri ile entegrasyon

Tahmin edici modeller sadece mevcut bakım iş akışlarına beslemeleri konusunda faydalıdır. Bu, modelin tahminine (CMMS) veya işletme varlık yönetimi (EAM) platformları ile standartlaştırılmış API ve veri formatları (örneğin, OPC-UA, MQTT) bağlantılarını kolaylaştırır. Ayrıca, sistem, bilgi bilimcileri arasında köprüyü tanımlamalı ve bakım mühendisleri arasındaki farkı “100 saat içinde başarısızlığın% 70'i”) ve eylemlenebilir görevleri (örneğin, "işmanlıklı görevlerin (örneğin, 80 saat içinde bir iş düzeni oluşturmalı).

Scalability ve Drift

Bir robot üzerinde eğitilmiş bir model, farklı konfigürasyonlar, iş yükleri veya ortamlar ile robotlara genel olarak genelleştirmeyebilir. Transfer öğrenme, güvenilir bir veri operatörlerine temel bir model adapte edilmesine yardımcı olabilir.Ayrıca, robotlar yaş veya süreçleri değişir, altta yatan veri dağılımı (konsepsiyon), yükselteçmiş modeli doğruyu değiştirebilir. Sürekli modelleme performansı ve periyodik yeniden eğitim (veya online öğrenme) güvenilir bir şekilde takip etmek için temel bir model oluşturabilir.

Alan hızla gelişiyor ve birkaç ortaya çıkan trend, bir sonraki hata tahmin sistemlerinin nesli şekillendirecek.

[FONT:0)Federated Learning: [Google Araştırması] tarafından merkezileştirilmesi yerine, her robotda veya sitede yerel olarak tren modellerini besledi ve ancak araştırma modellerini genişleterek, bu veriler, birçok yüklemede kolektif öğrenme gereksinimlerini azaltır - Google araştırmalarında bir yaklaşımla karşılaştırıldığında daha fazla güçlendirilir.

[FONT:0) Dijital Twins:[Döneticiler:[Döneticileri))) Gerçek zamanlı davranışları, dijital ikizler gerçek ekipman olmadan hata senaryolarının simülasyonlarına izin verir. Makine öğrenme modelleri, ikiz, dramatik bir şekilde eğitim veri setleri ile üretilen sentetik hata verileri üzerinde eğitilebilir. [Siemens](https://www.siemens.com/global/en/products/services/digital-wint.html) ve diğerleri tahmin edilebilir bakım platformları ile entegre edilir.

[[FONT:0)Edge AI: [Döneticileri doğrudan kenar cihazlarında (örneğin robot kontrolörleri veya yakın IoT ağ geçidi gibi) hızlanan ve bulut bağlantılarına güvenmeksizin gerçek zamanlı hataya izin veren bir hatadır. Bu, bir anomali algılama tarafından tetiklenen acil durum duraklamaları gibi.

[FONT=0) Çok-Modal Sensör Fırka: [Döneticileri, akustiklar ve hatta video - bu yöntemleri kullanarak hata tespit eden modeller, herhangi bir tek sensör akışında görünmez olabilecek hataları tespit edebilir. [IEEE](https://iee blastre.iee.org/document/XXXX)

Robot Hata Prediction için Makine Öğrenmesi ile Başlanmak

Hata tahminine yönelik makine öğrenimi almayı düşünen kuruluşlar, bir fazlı bir yaklaşım takip etmelidir. İlk olarak, mevcut robot varlıklarının bir denetimini yürütür: Hangi sensörler kaydedilir? Başlangıçta etiketlenen hataların tespit edilmesi veya yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş veri etiketiyle birlikte öğrenme.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenme algoritmaları tüm robot güvenilirlik sorunları için bir panacea değil, ancak bakım mühendisinin cephaneliğinde güçlü bir araç temsil ediyorlar. Erken, doğru hata tahminlerine izin vererek, maliyetleri azaltıyorlar ve bugün aktif bakım için seyahat etmek için maliyet artırıcı, veriye dayalı bakım planlama, kaliteli veri ve çapraz bakım işbirliği gerektirir.