Uno de los resultados de la maduración de tecnologías como el Internet de las cosas (IoT), la realidad aumentada (AR) y la computación en la nube es el surgimiento de la fábrica inteligente. Una vista cada vez más familiar en las fábricas inteligentes son los robots colaborativos. Los robots colaborativos ya juegan un papel importante en la fabricación inteligente y asumirán más funciones y proporcionarán un mayor valor en la fábrica con el tiempo.
A medida que las fábricas inteligentes dependen cada vez más de robots colaborativos para cumplir con sus funciones esenciales, se vuelve aún más importante que operen de manera confiable y sin tiempo de inactividad no planificado. Esto ha llevado a los fabricantes de robots colaborativos a permitir el mantenimiento predictivo en sus productos: alerta temprana para los usuarios en caso de una falla que finalmente podría poner en peligro el funcionamiento de sus robots colaborativos. Ofrece la oportunidad de arreglar fallas dentro de los tiempos de mantenimiento planificados sin la interrupción causada por fallas inesperadas en la máquina.
En los robots colaborativos, los sistemas de mantenimiento predictivo dependen de sensores que detectan pequeñas anomalías en el movimiento de extremidades y articulaciones, así como en los motores que los impulsan:
- Los sensores como los acelerómetros y las unidades de medición de inercia (IMU) pueden detectar vibraciones causadas por el desgaste del rodamiento, etc.
- Los sensores ultrasónicos eligen firmas acústicas únicas para detectar fricción excesiva.
Las técnicas de aprendizaje automático, una rama de la inteligencia artificial (AI), se utilizan para permitir a los robots colaborativos detectar diferencias en los patrones de vibración y sonido desde un punto de referencia cuando el robot colaborativo es nuevo o en un estado no dañado conocido. El análisis de patrones anormales permite al sistema diagnosticar fallas tempranas y activar solicitudes de reparaciones y mantenimiento planificados al sistema de gestión de plantas.
En implementaciones tempranas de aprendizaje automático, los algoritmos de red neuronales complejos para reconocer patrones en señales de sensores generalmente se ejecutan de forma remota en potentes sistemas de computación integrados basados en microprocesadores.
Sin embargo, tales sistemas centralizados colocaron una gran carga para procesar equipos cuando se trata de entradas de una gran cantidad de robots colaboradores, lo que resultó en un alto consumo de energía y ocupa una cantidad significativa de ancho de banda en la red que conecta los robots colaboradores con el sistema de control central.
El advenimiento de una nueva generación de sensores con capacidades de IA integradas ahora ofrece a los fabricantes de robots colaborativos una nueva forma de permitir el aprendizaje automático local. Utilizando herramientas y software de STMicroelectronics, un pionero en el desarrollo de sensores de aprendizaje automático, los ingenieros de diseño de robots colaborativos pueden aprovechar una nueva forma más simple de generar capacidades de mantenimiento predictivo en sus productos.
Una amplia gama de sensores MEMS para vibraciones y mediciones ultrasónicas
ST ofrece una de las carteras más grandes de sensores MEMS, incluidos acelerómetros, IMU, sensores de presión y micrófonos. Los elementos de detección se fabrican utilizando procesos de micromachina especializados, mientras que las interfaces IC se desarrollan utilizando tecnología CMOS especializada. Esto permite el diseño de circuitos especializados que coinciden con las características del elemento de detección.
Esta tecnología respalda el alto rendimiento del IIS3DWB, por ejemplo, el acelerómetro MEMS de ancho de banda ultra ancho de tres ejes, que es ideal para detectar vibraciones generadas por máquinas defectuosas. ST también ofrece módulos de sensor de movimiento basados en sus ICS del sensor MEMS: el ISM33 0 DHCX, por ejemplo, es un producto del sistema en paquete de paquetes que incluye acelerómetros digitales 3D de alto rendimiento y giroscopios digitales 3D adaptado para aplicaciones de Industry 4.0 .
Aprendizaje automático basado en la lógica del árbol de decisión
El ISM330DHCX es una de las ofertas de sensores MEMS de ST que incluye la funcionalidad de IA integrada en forma de un núcleo de aprendizaje automático (MLC). Esta capacidad de aprendizaje automático permite a los operadores del sistema transferir algunos algoritmos de mantenimiento predictivo del procesador de solicitud central al sensor, con el MLC dedicado que consume mucha menos potencia.
Entonces, ¿cómo puede el pequeño bloque lógico de procesamiento de baja potencia del sensor proporcionar las capacidades de aprendizaje automático que normalmente requerirían un procesador de aplicación grande y hambriento de energía?
La respuesta radica en la lógica del árbol de decisión que ST incrusta en sus sensores inteligentes: los algoritmos de árbol de decisión habilitados para ST son más simples que los algoritmos de red neuronales tradicionales y, por lo tanto, consumen muchos menos ciclos de instrucción y potencia.
Un árbol de decisión es una herramienta matemática que consiste en una serie de nodos configurables. Cada nodo representa una condición "if-then-else" que compara una señal de entrada (es decir, un valor cuantitativo calculado a partir de datos del sensor sin procesar) con un valor umbral.
El ISM330DHCX se puede configurar para ejecutar hasta ocho árboles de decisión simultáneamente e independientemente. Los árboles de decisión se almacenan en el dispositivo y los resultados se generan en registros de salida dedicados. Los resultados del árbol de decisión pueden ser leídos en cualquier momento por el microcontrolador del host o el procesador de aplicaciones. El sensor también puede generar interrupciones para cada cambio en los resultados generados por el árbol de decisión.
Cómo funciona la lógica del árbol de decisión
El modelo predictivo para el árbol de decisión se construye a partir de un conjunto de datos de entrenamiento y se almacena en el ISM330DHCX. Los datos de capacitación se registran en su estado deseado (es decir, en buenas condiciones, libres de fallas) durante la operación del robot colaborativo.
Un árbol de decisión es un método mediante el cual MLC analiza las características comunes en los datos del sensor sin procesar. Estas características comunes formarán la base de un "modelo" que los sensores utilizarán para comparar el funcionamiento del robot colaborativo. Si la salida del sensor coincide con el modelo, el robot colaborativo está libre de fallas. Si el sensor no puede igualar sus mediciones en tiempo real con el modelo, se indica un mal funcionamiento potencial y se envía una alarma al operador de la máquina.
Cada nodo del árbol de decisión contiene una condición bajo la cual las características se comparan con un umbral específico. Si la condición es verdadera, se evalúa el siguiente nodo en la ruta verdadera. Si la condición es falsa, se evalúa el siguiente nodo en la ruta falsa, como se muestra en la Figura 1. El estado del árbol de decisión evolucionará por el nodo hasta que se encuentre el resultado. El resultado del árbol de decisión define una "categoría" conductual: en el caso de una pulsera de fitness, tal categoría podría ser "caminar" o "trotar". En aplicaciones de mantenimiento predictivo para robots colaborativos, diferentes cargas de trabajo de robots colaborativos corresponden a diferentes categorías.
El árbol de decisión consta de múltiples nodos
El árbol de decisión genera un nuevo resultado para cada ventana de tiempo, cuya longitud es establecida por el usuario para capturar las características de la categoría de actividad relevante. El resultado también puede modificarse mediante un filtro opcional adicional llamado "meta clasificador" que aplica contadores internos a la salida del árbol de decisión.
Se puede acceder a las categorías de actividad reconocidas por el MLC (en forma de resultados de árbol de decisión filtrados o no filtrados) a través de los registros del módulo ISM330DHCX.