Edge AI integrace detekce anomálií v procesu montáže pomocí delta robota

Abstract

Tato práce představuje vývoj a nasazení systému detekce anomálií pro víceosý delta robot umístěný v Testbedu pro Průmysl 4.0 v Českém institutu informatiky, robotiky a kybernetiky při ČVUT v Praze. Díky integraci algoritmů strojového učení projekt analyzuje vícerozměrné časové řady dat ze senzorů točivého momentu a síly za účelem nalezení anomálií v procesu montáže kol dálkově řízených vozidel. V architektuře systému se pak k přenosu dat z delta robota používá protokol Open Platform Communications United Architecture (OPC UA). Mechanismus pro serializaci dat zvaný Protocol Buffer společně s komunikačním protokolem gRPC je použit v modelu klient-server, který zprostředkovává zpracování dat v reálném čase a detekci anomálií. Server gRPC obsahuje model detekce anomálií, který je zabalen jako modul Pythonu pro jednoduchou distribuci. Pomocí webového uživatelského rozhraní vytvořeného pomocí Flask a WebSockets mohou uživatelé komunikovat se systémem, zobrazovat výsledky v reálném čase a poskytovat zpětnou vazbu. K ukládání historických dat a chybných detekcí, které byly označeny uživateli, se používá databáze MongoDB, která napomáhá průběžnému vývoji modelu. K posouzení výkonnosti systému byly použity metriky jako doba zpracování dat a odezva komunikace mezi různými komponenty. Pro usnadnění procesu nasazení a monitorování byly použity postupy MLOps. Kontejnerizace zajišťuje konzistentní nasazení na různých platformách. Díky zobrazení časových řad a výsledků detekce anomálií nabízí integrace s nástrojem Grafana řadu možností monitorování systému.

This thesis presents the development and deployment of an anomaly detection system for a multi-axis delta robot located at the Testbed for Industry 4.0 at the Czech Institute of Informatics, Robotics, and Cybernetics at the Czech Technical University in Prague. By integrating machine learning algorithms, the project analyzes multidimensional timeseries data from torque and force sensors to find anomalies in the process of wheel assembly for remote-controlled vehicles. The Open Platform Communications United Architecture protocol (OPC UA) is used in the system architecture to transfer data from the delta robot. Protocol Buffers are used for structured data serialization in the general-purpose Remote Procedure Calls (gRPC) client-server architecture, which offers real-time data processing and anomaly detection. The gRPC server integrates the anomaly detection model for time series data analysis, which is packaged as a Python module for simple distribution. With the help of a web-based user interface created with Flask and WebSockets, users can communicate with the system, see real-time results, and provide feedback. A MongoDB database is used to store historical data and human labels for inaccurate predictions, allowing continuous model development. Metrics like processing time and latency were used to assess the system’s performance. To ease the deployment and monitoring process, Machine Learning Operation Procedures have been used. Dockerization ensures a consistent deployment across all platforms. By showing time series data and anomaly detection results, integration with Grafana offers a number of monitoring options.