사물 인터넷 (IoT), 증강 현실 (AR) 및 클라우드 컴퓨팅과 같은 기술의 성숙 결과 중 하나는 스마트 공장의 부상입니다. 스마트 공장에서 점점 더 친숙한 광경은 공동 작업 로봇입니다. 협업 로봇은 이미 스마트 제조에서 중요한 역할을하며 더 많은 기능을 수행하고 시간이 지남에 따라 공장에서 더 큰 가치를 제공 할 것입니다.
스마트 공장이 점점 더 협력적인 로봇에 의존하여 필수 기능을 수행함에 따라 계획되지 않은 가동 중지 시간없이 안정적으로 운영하는 것이 더욱 중요해집니다. 이로 인해 공동 작업 로봇 제조업체는 제품의 예측 유지 보수를 가능하게했습니다. 궁극적으로 공동 작업 로봇의 운영을 위태롭게 할 수있는 실패의 경우 사용자에게 조기 경고했습니다. 예상치 못한 기계 고장으로 인한 혼란없이 계획된 유지 보수 시간 내에 결함을 수정할 수있는 기회를 제공합니다.
공동 작업 로봇에서 예측 유지 보수 시스템은 사지와 관절의 움직임에서 작은 이상을 감지하는 센서뿐만 아니라이를 주도하는 모터에 의존합니다.
- 가속도계 및 관성 측정 유닛 (IMUS)과 같은 센서는 베어링 마모 등으로 인한 진동을 감지 할 수 있습니다.
- 초음파 센서는 과도한 마찰을 감지하기 위해 고유 한 음향 시그니처를 선택합니다.
인공 지능 (AI)의 지부 인 머신 러닝 기술은 협업 로봇이 새로운 또는 알려진 손상 상태 일 때 협업 로봇이 참조 지점에서 진동 및 사운드 패턴의 차이를 감지 할 수 있도록하는 데 사용됩니다. 비정상적인 패턴 분석을 통해 시스템은 조기 장애를 진단하고 플랜트 관리 시스템에 대한 계획된 수리 및 유지 보수 요청을 트리거 할 수 있습니다.
기계 학습의 초기 구현에서 센서 신호에서 패턴을 인식하기위한 복잡한 신경망 알고리즘은 일반적으로 강력한 마이크로 프로세서 기반 임베디드 컴퓨팅 시스템에서 원격으로 실행되었습니다.
그러나 이러한 중앙 집중식 시스템은 다수의 협업 로봇의 입력을 처리 할 때 처리 장비에 큰 부담을 주어 전력 소비가 높고 협력 로봇을 중앙 제어 시스템에 연결하는 네트워크에서 상당한 양의 대역폭을 차지했습니다.
내장 된 AI 기능이 포함 된 새로운 세대의 센서의 출현은 이제 협업 로봇 제조업체에게 로컬 머신 학습을 가능하게하는 새로운 방법을 제공합니다. 기계 학습 센서 개발의 개척자 인 Stmicroelectronics의 도구 및 소프트웨어를 사용하여 공동 작업 로봇 설계 엔지니어는 예측 유지 관리 기능을 제품에 구축하는 새롭고 간단한 방법을 활용할 수 있습니다.
진동 및 초음파 측정을위한 광범위한 MEMS 센서
ST는 가속도계, IMUS, 압력 센서 및 마이크를 포함하여 업계 최대의 MEMS 센서 포트폴리오 중 하나를 제공합니다. 감지 요소는 특수 마이크로 머시 닝 프로세스를 사용하여 제조되는 반면 IC 인터페이스는 특수 CMOS 기술을 사용하여 개발됩니다. 이를 통해 감지 요소의 특성과 일치하는 특수 회로의 설계가 가능합니다.
이 기술은 IIS3DWB의 고성능을 뒷받침합니다. 예를 들어, 3 축 초대 대역폭 MEMS 가속도계는 결함이있는 기계에 의해 생성 된 진동을 감지하는 데 이상적입니다. ST는 또한 MEMS 센서 IC를 기반으로 한 모션 센서 모듈을 제공합니다. 예를 들어 ISM33 0 DHCX는 고성능 3D 디지털 가속도계 및 업계 4.0 응용 프로그램에 맞게 조정 된 3D 디지털 자이로 스코프를 포함하는 패키지 시스템입니다. .
의사 결정 트리 논리를 기반으로 한 기계 학습
ISM330DHCX는 머신 러닝 코어 (MLC) 형태의 임베디드 AI 기능을 포함하는 ST의 MEMS 센서 제품 중 하나입니다. 이 기계 학습 기능을 통해 시스템 운영자는 일부 예측 유지 보수 알고리즘을 중앙 애플리케이션 프로세서에서 센서로 전송할 수 있으며 전용 MLC는 훨씬 적은 전력을 소비합니다.
그렇다면 센서의 작고 저전력 처리 로직 블록이 일반적으로 대형 전력 배경 애플리케이션 프로세서가 필요한 기계 학습 기능을 어떻게 제공 할 수 있습니까?
답은 ST가 스마트 센서에 포함되는 의사 결정 트리 논리에 있습니다. ST 지원 의사 결정 트리 알고리즘은 기존 신경망 알고리즘보다 간단하므로 명령주기와 힘이 훨씬 적습니다.
의사 결정 트리는 일련의 구성 가능한 노드로 구성된 수학적 도구입니다. 각 노드는 입력 신호 (즉, 원시 센서 데이터에서 계산 된 정량적 값)를 임계 값과 비교하는 "if-then-else"조건을 나타냅니다.
ISM330DHCX는 최대 8 개의 의사 결정 트리를 동시에 독립적으로 실행하도록 구성 할 수 있습니다. 의사 결정 트리는 장치에 저장되며 결과는 전용 출력 레지스터에서 생성됩니다. 의사 결정 트리의 결과는 호스트 마이크로 컨트롤러 또는 응용 프로그램 프로세서에 의해 언제든지 읽을 수 있습니다. 센서는 의사 결정 트리에서 생성 된 결과의 각 변경에 대한 인터럽트를 생성 할 수 있습니다.
의사 결정 트리 논리의 작동 방식
의사 결정 트리의 예측 모델은 일련의 교육 데이터로 구성되어 ISM330DHCX에 저장됩니다. 훈련 데이터는 협업 로봇을 운영하는 동안 원하는 상태 (즉, 양호한 상태, 결함이 없음)로 기록됩니다.
의사 결정 트리는 MLC가 원시 센서 데이터에서 공통 기능을 분석하는 방법입니다. 이러한 일반적인 기능은 센서가 공동 작업 로봇의 작동을 비교하는 데 사용할 "모델"의 기초를 형성합니다. 센서 출력이 모델과 크게 일치하면 공동 작업 로봇이 결함이 없습니다. 센서가 실시간 측정을 모델과 일치시키지 않으면 잠재적 오작동이 표시되고 경보가 기계 연산자에게 전송됩니다.
의사 결정 트리의 각 노드에는 기능이 특정 임계 값과 비교되는 조건이 포함됩니다. 조건이 참이면 실제 경로의 다음 노드가 평가됩니다. 조건이 False 인 경우, 그림 1과 같이 오 탐지의 다음 노드가 평가됩니다. 의사 결정 트리의 상태는 결과가 발견 될 때까지 노드에 의해 노드를 진화시킵니다. 의사 결정 트리의 결과는 행동 적 "카테고리"를 정의합니다. 피트니스 팔찌의 경우 그러한 범주는 "걷기"또는 "조깅"일 수 있습니다. 협업 로봇을위한 예측 유지 보수 응용 프로그램에서 다양한 작업 로봇의 작업량은 다른 범주에 해당합니다.
의사 결정 트리는 여러 노드로 구성됩니다
의사 결정 트리는 각 시간 창에 대한 새로운 결과를 생성하며, 길이는 사용자가 관련 활동 범주의 특성을 캡처하도록 설정합니다. 결과는 의사 결정 트리 출력에 내부 카운터를 적용하는 "메타 클래식 (meta-classifier)"이라는 추가 옵션 필터로 수정할 수도 있습니다.
MLC로 인식 된 활동 범주 (필터링 또는 필터링되지 않은 의사 결정 트리 결과 형태)는 ISM330DHCX 모듈의 레지스터를 통해 액세스 할 수 있습니다.