L'un des résultats de la maturation de technologies tels que l'Internet des objets (IoT), la réalité augmentée (AR) et le cloud computing est l'essor de l'usine intelligente. Une vue de plus en plus familière dans les usines intelligentes sont les robots collaboratifs. Les robots collaboratifs jouent déjà un rôle important dans la fabrication intelligente et assumeront plus de fonctions et offriront une plus grande valeur dans l'usine au fil du temps.
Comme les usines intelligentes comptent de plus en plus sur des robots collaboratifs pour remplir leurs fonctions essentielles, il devient encore plus important qu'ils fonctionnent de manière fiable et sans temps d'arrêt imprévu. Cela a incité les fabricants de robots collaboratifs à permettre une maintenance prédictive dans leurs produits: avertissement précoce pour les utilisateurs en cas d'échec qui pourrait finalement compromettre le fonctionnement de leurs robots collaboratifs. Il offre la possibilité de corriger les défauts dans les temps de maintenance prévus sans les perturbations causées par des défaillances inattendues de la machine.
Dans les robots collaboratifs, les systèmes de maintenance prédictive reposent sur des capteurs qui détectent de petites anomalies dans le mouvement des membres et des articulations, ainsi que dans les moteurs qui les conduisent:
- Les capteurs tels que les accéléromètres et les unités de mesure inertielle (IMU) peuvent détecter les vibrations causées par l'usure, etc.
- Les capteurs à ultrasons ramassent des signatures acoustiques uniques pour détecter une friction excessive.
Les techniques d'apprentissage automatique, une branche de l'intelligence artificielle (IA), sont utilisées pour permettre aux robots collaboratifs de détecter les différences de vibrations et de modèles sonores à partir d'un point de référence lorsque le robot collaboratif est tout neuf ou dans un état sans endommagement connu. L'analyse des modèles anormaux permet au système de diagnostiquer les défaillances précoces et de déclencher des demandes de réparations et de maintenance planifiées au système de gestion des usines.
Dans les premières implémentations de l'apprentissage automatique, des algorithmes de réseau neuronal complexes pour reconnaître les modèles dans les signaux de capteurs généralement exécutés à distance dans de puissants systèmes informatiques embarqués basés sur un microprocesseur.
Cependant, ces systèmes centralisés ont imposé un lourd fardeau sur le traitement des équipements lorsqu'ils traitent des entrées d'un grand nombre de robots collaborateurs, entraînant une consommation élevée d'énergie et une quantité importante de bande passante dans le réseau reliant les robots collaborateurs au système de contrôle central.
L'avènement d'une nouvelle génération de capteurs avec des capacités d'IA intégrées offre désormais aux fabricants de robots collaboratifs une nouvelle façon de permettre l'apprentissage automatique local. En utilisant des outils et des logiciels de Stmicroelectronics, un pionnier du développement de capteurs d'apprentissage automatique, les ingénieurs de conception de robots collaboratifs peuvent profiter d'une nouvelle façon plus simple de créer des capacités de maintenance prédictive dans leurs produits.
Une large gamme de capteurs MEMS pour les vibrations et les mesures ultrasoniques
ST propose l'un des plus grands portefeuilles de capteurs MEMS de l'industrie, y compris les accéléromètres, les IMU, les capteurs de pression et les microphones. Les éléments de détection sont fabriqués à l'aide de processus de micromachining spécialisés, tandis que les interfaces IC sont développées à l'aide de la technologie CMOS spécialisée. Cela permet la conception de circuits spécialisés qui correspondent aux caractéristiques de l'élément de détection.
Cette technologie sous-tend les performances élevées de l'IIS3DWB, par exemple, l'accéléromètre de bande passante ultra-large à trois axes, qui est idéal pour détecter les vibrations générées par des machines défectueuses. ST propose également des modules de capteurs de mouvement basés sur ses ICS de capteur MEMS: l'ISM33 0 DHCX, par exemple, est un produit système en package qui comprend des accéléromètres numériques 3D haute performance et des gyroscopes numériques 3D adaptés aux applications de l'industrie 4.0 Industrie 4.0 .
Apprentissage automatique basé sur la logique de l'arbre de décision
L'ISM330DHCX est l'une des offres de capteurs MEMS de ST qui incluent la fonctionnalité IA intégrée sous la forme d'un noyau d'apprentissage automatique (MLC). Cette capacité d'apprentissage automatique permet aux opérateurs système de transférer certains algorithmes de maintenance prédictifs du processeur d'application central au capteur, le MLC dédié consommant beaucoup moins de puissance.
Alors, comment le petit bloc logique de traitement de faible puissance du capteur peut-il fournir les capacités d'apprentissage automatique qui nécessiteraient normalement un grand processeur d'applications gourmands en puissance?
La réponse réside dans la logique de l'arborescence de décision que ST intégré dans ses capteurs intelligents: les algorithmes d'arbre de décision compatibles ST sont plus simples que les algorithmes de réseau neuronal traditionnels, et consomment donc beaucoup moins de cycles d'instructions et de puissance.
Un arbre de décision est un outil mathématique composé d'une série de nœuds configurables. Chaque nœud représente une condition "if-then-else" qui compare un signal d'entrée (c'est-à-dire une valeur quantitative calculée à partir des données de capteur brutes) avec une valeur de seuil.
L'ISM330DHCX peut être configuré pour atteindre huit arbres de décision simultanément et indépendamment. Les arbres de décision sont stockés dans l'appareil et les résultats sont générés dans des registres de sortie dédiés. Les résultats de l'arbre de décision peuvent être lus à tout moment par le microcontrôleur hôte ou le processeur d'application. Le capteur peut également générer des interruptions pour chaque changement dans les résultats générés par l'arbre de décision.
Comment fonctionne la logique de l'arbre de décision
Le modèle prédictif de l'arbre de décision est construit à partir d'un ensemble de données de formation et stocké dans l'ISM330DHCX. Les données de formation sont enregistrées dans son état souhaité (c'est-à-dire en bon état, sans défauts) lors du fonctionnement du robot collaboratif.
Un arbre de décision est une méthode par laquelle MLC analyse les caractéristiques communes dans les données du capteur brut. Ces caractéristiques communes formeront la base d'un "modèle" que les capteurs utiliseront pour comparer le fonctionnement du robot collaboratif. Si la sortie du capteur correspond fortement au modèle, le robot collaboratif est sans défaut. Si le capteur n'est pas en mesure de correspondre à ses mesures en temps réel au modèle, un dysfonctionnement potentiel est indiqué et une alarme est envoyée à l'opérateur de la machine.
Chaque nœud de l'arbre de décision contient une condition dans laquelle les caractéristiques sont comparées à un seuil spécifique. Si la condition est vraie, le nœud suivant dans le vrai chemin est évalué. Si la condition est fausse, le nœud suivant dans le faux chemin est évalué, comme le montre la figure 1. L'état de l'arborescence de décision évoluera le nœud par nœud jusqu'à ce que le résultat soit trouvé. Le résultat de l'arbre de décision définit une «catégorie» comportementale: dans le cas d'un bracelet de fitness, une telle catégorie pourrait être «marche» ou «jogging». Dans les applications de maintenance prédictive pour les robots collaboratifs, différentes charges de travail de robots collaboratives correspondent à différentes catégories.
L'arbre de décision se compose de plusieurs nœuds
L'arbre de décision génère un nouveau résultat pour chaque fenêtre de temps, dont la longueur est définie par l'utilisateur pour capturer les caractéristiques de la catégorie d'activité pertinente. Le résultat peut également être modifié par un filtre facultatif supplémentaire appelé "méta-classificateur" qui applique des compteurs internes à la sortie de l'arborescence de décision.
Les catégories d'activité reconnue par le MLC (sous la forme de résultats d'arbre de décision filtrée ou non filtrée) sont accessibles via les registres du module ISM330DHCX.