Sběr a analýza pohybových dat z průmyslových robotů

Abstract

S nástupem čtvrté průmyslové revoluce, mnoho průmyslových podniků hledá metody, které by jim snížily náklady na údržbu zařízení. V této práci, jsou popsány a zhodnoceny dvě metody, využívající EthernetKRL nebo průmyslové sítě PROFINET, k sběru dat z průmyslového manipulátoru. Z těchto dvou metod, metoda využívající průmyslovou síť PROFINET a IIoT zařízení Revolution PI byla vybrána a následně použita pro sběr dat z manipulátoru, který skládal strukturu pomocí kostiček stavebnice LEGO. Pro klasifikaci byli použity a otestovány metody využívající statistických momentů a metoda založena na časově proměnných skrytých Markovských modelech. Dále byla implementována třetí metoda, využívají ke klasifikaci dat skrytý Markovský klasifikátor. Tento klasifikátor ukázal, že má lepší klasifikační schopnosti, nežli metody uvedené výše. Poté je zde představena a implementována metoda, která využívá kombinaci diskrétního Markovského modelu chování robota a slabého klasifikátoru. Testy bylo dokázáno, že tato metoda je schopná zvýšit přesnost klasifikace slabého klasifikátoru. Na identifikovaných robotických operacích pak byly vyzkoušeny metody Process Miningu a bylo diskutováno jejich použití.

With the onset of the Fourth Industrial Revolution, many industrial enterprises are looking for methods, which reduce equipment maintenance costs. In this work, methods using the Ethernet KRL and industrial network PROFINET for the data collection on the industrial manipulator are described and evaluated. From these two methods, the method using the industrial network PROFINET and IIoT device Revolution PI has been selected and subsequently used to collect data from a manipulator that has assembled the structure using the LEGO bricks. For the classification of the movement data, the methods using the statistical moments and time-varying hidden Markov model were used and tested. Furthermore, the third method was developed, using the hidden Markov classifier. This classifier has shown that it has better capabilities than previously developed methods. Furthermore, the method that uses a combination of discrete Markov model of robot behavior and a weak classifier is introduced and implemented. Tests have proved that this method can increase the accuracy of its classification. Process Mining methods were then tested on the identified robotic operations, and the cases of using the process mining method were discussed.