Detekce anomálií při robotické montáži založená na signálech z čidel síly a momentu síly

Abstract

Tato bakalářská práce se zabývá problematikou detekce chyb při robotické montáži za pomoci metod používaných pro detekci anomálií. Tyto metody používají data ve formě časových řad získaných ze senzorů na chapadlu robota. Celkem byly navrženy tři architektury metod, které mouhou být použity v různých konfiguracích podle aplikace. Metody byly testovány na úloze detekce chyb v robotickém procesu, ale zároveň byl kladen důraz na obecnost, aby je bylo možné použít in na jiné úlohy z oblasti detekce anomálií v časových řadách. Navržené metody jsou schopny zpracovávat signály v celé délce (po dokončení zkoumaného procesu) i v průběhu daného procesu, proto je možno metody používat i pro predikci v reálném čase. Navržené metody byly důkladně porovnány podle standardizovaného systému testování. Prioritou při návrhu tohoto systému bylo co nejspravedlivější zhodnocení navržených metod. Tohoto cíle bylo dosaženo důkladným testováním metod pomocí několika typů křížové validace. Zajímavým přínosem této práce je porovnání statistických metod a metody založené na hlubokém učení. Metody byly přidány do PyPI databáze v rámci knihovny ctuFaultDetector, kterou je možno nainstalovat pomocí příkazu pip. Největší výhodou implementovaných metod je možnost optimalizovat metodu pro kritérium (pravděpodobnost detekce, pravděpodobnost falešného poplachu, přesnost, vážená přesnost), které může být pro každou aplikaci různé.

This thesis discusses the problem of fault detection in industrial robotic assembly process utilising the methods used for anomaly detection. These methods rely on data in the form of time series collected from the sensors located on the end effector of a robot. In total, three different method architectures were designed, which can be used in multiple configurations based on the application. The proposed methods were not only designed to work on the case study of this thesis, but rather to be universally applicable to any time series anomaly detection task. The proposed methods are able to process both the signals in their whole length and the partial signals and therefore are able to make prediction duringthe run of the process in real time. All the methods were compared to one another in a standardized testing system. Our main priority when designing this testing system was to create an as fair assessment of the method performance as possible. This was achieved through testing the methods thoroughly through multiple types of crossvalidation. An interesting part of this testing process was the comparison of the classical statistical anomaly detection methods, and the deep learning method. The methods were added to PyPI database as ctuFaultDetector library which can be installed using a pip command. The biggest advantage of our implementation is that the methods can be optimised for a desired criterion (true positive rate, true negative rate, accuracy and a new proposed metric called skewed accuracy), which can be different for each use case.