Salah satu hasil pematangan teknologi seperti Internet of Things (IoT), realiti tambahan (AR) dan pengkomputeran awan adalah kebangkitan kilang pintar. Penglihatan yang semakin akrab di kilang pintar adalah robot kolaboratif. Robot kolaboratif sudah memainkan peranan penting dalam pembuatan pintar dan akan mengambil lebih banyak fungsi dan memberikan nilai yang lebih besar di kilang dari masa ke masa.
Oleh kerana kilang -kilang pintar semakin bergantung pada robot kerjasama untuk memenuhi fungsi penting mereka, ia menjadi lebih penting lagi bahawa mereka beroperasi dengan pasti dan tanpa downtime yang tidak dirancang. Ini telah mendorong pengeluar robot kolaboratif untuk membolehkan penyelenggaraan ramalan dalam produk mereka: amaran awal untuk pengguna sekiranya kegagalan yang akhirnya boleh menjejaskan operasi robot kerjasama mereka. Ia menawarkan peluang untuk memperbaiki kesalahan dalam masa penyelenggaraan yang dirancang tanpa gangguan yang disebabkan oleh kegagalan mesin yang tidak dijangka.
Dalam robot kerjasama, sistem penyelenggaraan ramalan bergantung kepada sensor yang mengesan anomali kecil dalam pergerakan anggota badan dan sendi, serta dalam motor yang mendorong mereka:
- Sensor seperti accelerometer dan unit pengukuran inersia (IMU) dapat mengesan getaran yang disebabkan oleh memakai pakaian, dll.
- Sensor ultrasonik mengambil tandatangan akustik yang unik untuk mengesan geseran yang berlebihan.
Teknik pembelajaran mesin, cabang kecerdasan buatan (AI), digunakan untuk membolehkan robot kerjasama untuk mengesan perbezaan getaran dan corak bunyi dari titik rujukan apabila robot kolaboratif adalah jenama baru atau dalam keadaan tidak rosak yang diketahui. Analisis corak yang tidak normal membolehkan sistem untuk mendiagnosis kegagalan awal dan mencetuskan permintaan untuk pembaikan dan penyelenggaraan yang dirancang kepada sistem pengurusan loji.
Dalam pelaksanaan awal pembelajaran mesin, algoritma rangkaian saraf kompleks untuk mengiktiraf corak dalam isyarat sensor biasanya berlari jauh dari sistem pengkomputeran tertanam berasaskan mikropemproses yang kuat.
Walau bagaimanapun, sistem berpusat sedemikian meletakkan beban berat pada peralatan pemprosesan apabila berurusan dengan input dari sejumlah besar robot kerjasama, mengakibatkan penggunaan kuasa yang tinggi dan mengambil sejumlah besar jalur lebar dalam rangkaian yang menghubungkan robot kerjasama ke sistem kawalan pusat.
Kemunculan generasi baru sensor dengan keupayaan AI tertanam kini menawarkan pengeluar robot kolaboratif cara baru untuk membolehkan pembelajaran mesin tempatan. Menggunakan alat dan perisian dari Stmicroelectronics, perintis dalam pembangunan sensor pembelajaran mesin, jurutera reka bentuk robot kolaboratif boleh memanfaatkan cara yang baru dan mudah untuk membina keupayaan penyelenggaraan ramalan ke dalam produk mereka.
Pelbagai sensor MEMS untuk pengukuran getaran dan ultrasonik
ST menawarkan salah satu portfolio terbesar sensor MEMS, termasuk pecutan, IMU, sensor tekanan dan mikrofon. Unsur -unsur penderiaan dihasilkan menggunakan proses micromachining khusus, sementara antara muka IC dibangunkan menggunakan teknologi CMOS khusus. Ini membolehkan reka bentuk litar khusus yang sepadan dengan ciri -ciri elemen penderiaan.
Teknologi ini menyokong prestasi tinggi IIS3DWB, sebagai contoh, pecutan MEMS jalur lebar ultra tiga paksi, yang sesuai untuk mengesan getaran yang dihasilkan oleh mesin yang rosak. ST juga menawarkan modul sensor gerakan berdasarkan ICS sensor MEMS: ISM33 0 dhcx, sebagai contoh, adalah produk sistem-dalam-pakej yang merangkumi pecutan digital 3D berprestasi tinggi dan giroskop digital 3D yang disesuaikan untuk industri 4.0 .
Pembelajaran Mesin Berdasarkan Logik Pokok Keputusan
ISM330DHCX adalah salah satu penawaran sensor MEMS ST yang merangkumi fungsi AI tertanam dalam bentuk Core Pembelajaran Mesin (MLC). Keupayaan pembelajaran mesin ini membolehkan pengendali sistem memindahkan beberapa algoritma penyelenggaraan ramalan dari pemproses permohonan pusat kepada sensor, dengan MLC yang berdedikasi memakan kuasa yang kurang.
Oleh itu, bagaimanakah blok logik pemprosesan kecil dan kuasa rendah sensor memberikan keupayaan pembelajaran mesin yang biasanya memerlukan pemproses permohonan yang lapar dan berkuasa yang besar?
Jawapannya terletak pada logik pokok keputusan yang ditanam oleh ST dalam sensor pintarnya: Algoritma Pokok Keputusan ST-enabled lebih mudah daripada algoritma rangkaian saraf tradisional, dan oleh itu mengambil kitaran arahan dan kuasa yang jauh lebih sedikit.
Pokok keputusan adalah alat matematik yang terdiri daripada siri nod yang boleh dikonfigurasikan. Setiap nod mewakili keadaan "if-then-else" yang membandingkan isyarat input (iaitu, nilai kuantitatif yang dikira dari data sensor mentah) dengan nilai ambang.
ISM330DHCX boleh dikonfigurasikan untuk menjalankan sehingga lapan pokok keputusan serentak dan bebas. Pokok keputusan disimpan dalam peranti dan hasilnya dihasilkan dalam daftar output khusus. Keputusan pokok keputusan boleh dibaca pada bila -bila masa oleh mikrokontroler tuan rumah atau pemproses permohonan. Sensor juga boleh menghasilkan gangguan untuk setiap perubahan dalam hasil yang dihasilkan oleh pokok keputusan.
Bagaimana logik pokok keputusan berfungsi
Model ramalan untuk pokok keputusan dibina dari satu set data latihan dan disimpan dalam ISM330DHCX. Data latihan direkodkan dalam keadaan yang dikehendaki (iaitu, dalam keadaan baik, bebas daripada kesalahan) semasa operasi robot kerjasama.
Pokok keputusan adalah kaedah yang mana MLC menganalisis ciri -ciri umum dalam data sensor mentah. Ciri -ciri umum ini akan menjadi asas "model" yang akan digunakan oleh sensor untuk membandingkan operasi robot kerjasama. Jika output sensor sangat sepadan dengan model, robot kolaboratif adalah bebas kesalahan. Sekiranya sensor tidak dapat memadankan pengukuran masa nyata kepada model, kerosakan yang berpotensi ditunjukkan dan penggera dihantar ke pengendali mesin.
Setiap nod pokok keputusan mengandungi syarat di mana ciri -ciri dibandingkan dengan ambang tertentu. Jika keadaan itu benar, nod seterusnya dalam laluan sebenar dinilai. Sekiranya keadaan itu palsu, nod seterusnya dalam laluan palsu dinilai, seperti yang ditunjukkan dalam Rajah 1. Keadaan pokok keputusan akan berubah nod oleh nod sehingga hasilnya dijumpai. Hasil dari pokok keputusan mentakrifkan kategori "tingkah laku": Dalam hal gelang lengan kecergasan, kategori seperti itu mungkin "berjalan" atau "berjoging". Dalam aplikasi penyelenggaraan ramalan untuk robot kerjasama, beban kerja robot kolaboratif yang berbeza sesuai dengan kategori yang berbeza.
Pokok keputusan terdiri daripada pelbagai nod
Pokok keputusan menghasilkan hasil baru untuk setiap tetingkap kali, panjangnya ditetapkan oleh pengguna untuk menangkap ciri -ciri kategori aktiviti yang berkaitan. Hasilnya juga boleh diubahsuai oleh penapis pilihan tambahan yang disebut "meta-classifier" yang menggunakan kaunter dalaman untuk output pokok keputusan.
Kategori aktiviti yang diiktiraf oleh MLC (dalam bentuk keputusan pokok keputusan yang ditapis atau tidak ditapis) boleh diakses melalui daftar modul ISM330DHCX.