CC BY
6УДК 004
Вагапова А.М.
студент магистратуры Институт искусственного интеллекта, робототехники и системной инженерии Казанский (Приволжский) федеральный университет (г. Казань, Россия)
ВЕРОЯТНОСТЬ ВЫХОДА ИЗ СТРОЯ РОБОТА-МАНИПУЛЯТОРА С ПОМОЩЬЮ НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ
Аннотация: в работе рассматривается возможность применения систем искусственного интеллекта для прогнозирования вероятности выхода из строя робота-манипулятора. Показано, что задача прогнозирования с использованием нейронных сетей сводится к задаче аппроксимации многомерных функций.
Ключевые слова: прогнозирование, нейронные сети, задача аппроксимации, архитектура нейросети, робот-манипулятор, вероятность выхода из строя.
Роботы-манипуляторы играют важную роль в промышленности, особенно в автомобильном производстве. Они выполняют множество операций, связанных со сборкой и установкой деталей на автомобили, что позволяет значительно ускорить процесс производства и повысить его эффективность. Однако, как и любое техническое устройство, роботы-манипуляторы могут выйти из строя. Это может привести к простою оборудования и увеличению затрат на его ремонт или замену. В данной статье будет рассмотрена возможность применения систем искусственного интеллекта для прогнозирования вероятности выхода из строя робота-манипулятора на автомобильном заводе с помощью нейросетевого анализа.
Для определения вероятности выхода из строя робота-манипулятора был проведен анализ данных о выходе из строя компонентов роботов-манипуляторов
на автомобильном заводе. Использованы данные о выходе из строя таких компонентов, как электродвигатели, датчики, контроллеры и приводы.
Анализ данных показал, что вероятность выхода из строя робота-манипулятора на заводе зависит от типа компонента и его возраста, интенсивности использования, условий эксплуатации. Наиболее вероятным компонентом, который выходит из строя, является электродвигатель. Вероятность выхода из строя электродвигателя составляет около 20%. Датчики и контроллеры имеют вероятность выхода из строя около 10%, а приводы -около 5%.
Нейросети являются мощным инструментом для анализа и прогнозирования данных. Они могут обрабатывать большие объемы информации и находить скрытые зависимости между различными переменными.
Задача прогнозирования с использованием нейронных сетей сводится к задаче аппроксимации многомерных функций.
На первом этапе исследователем формируется обучающая выборка.
На втором этапе определяется набор входных величин (возраст, влажность, температура, время работы, кол-во операций).
На третьем этапе создания нейронной сети формируются образы, которые передаются на выходы сетей. Затем создаются обучающие и тестовые выборки для дальнейшего обучения и проверки эффективности работы сети. Если в результате обучения была получена достаточно малая ошибка как на обучающем, так и на тестовом множестве, можно заключить, что модель приобрела обобщающую способность [4].
На четвертом этапе определяется архитектура нейросети, преимущественно используется многослойный персептрон, и осуществляется построение нейросетевой модели (рис. 1).
Рис. 1. Граф нейросети.
На пятом этапе с ранее выбранным алгоритмом обучения производится обучение нейронной сети.
Для анализа качества обучения нейросетевой модели используется диаграмма рассеяния, которая служит для визуальной оценки путем сравнения эталонных и рассчитанных обученной нейросетью значений выходного поля для каждого из примеров обучающей выборки. Прямая диагональная линия представляет собой линию идеальных значений. Чем ближе точка к этой линии, тем меньше ошибка модели. Если у облака, образуемого точками выходов модели, значительный разброс, то большинство выходных значений имеет большую ошибку и в этом случае качество модели оставляет желать лучшего [3].
Результаты обучения с помощью диаграммы рассеяния представлены на рис. 2, который наглядно демонстрируют хорошие результаты обучения, так как объекты на диаграмме находятся в границах доверительного интервала и близки к эталонным значениям.
На шестом этапе осуществляется прогнозирование по тому же принципу, что и формирование обучающей выборки.
Многие задачи прогнозирования связаны с обработкой данных, зависящих от времени, называемых временными рядами. Временной ряд состоит из последовательности наблюдений за состоянием признаков исследуемых объектов или процессов.
Целью прогнозирования значений временного ряда является предсказание значения x(n+1) на основе предыдущих значений признака на несколько шагов вперед. Для решения этой задачи необходимо преобразовать (трансформировать) временной ряд при помощи метода скользящего окна, который предполагает использование двух окон с фиксированными размерами п и m соответственно. Эти окна перемещаются по временной последовательности исторических данных с некоторым шагом и используются для формирования входного множества нейронной сети. Пара окон полученная на каждом шаге, используется как элемент обучающей выборки. Нейронная сеть обучается на этих наблюдениях, извлекая скрытые зависимости и формируя функцию прогноза [1].
Фрагмент эксперимента, при котором по исходным характеристикам работы робота-манипулятора формируется вероятность выхода из строя представлен на рис. 3.
Поле Значение - Входные
9,0 601Р4СТ. гон 1
9.® влажность. Ч 50
9,0 температдоа. 'С 25
9.0 к»'-« работа, ч, 500
М кол во оперений 1000 Еыщшные
9.0 вероятность вып. . 4,8952Йбг5КИ84
Рис. 3. Экспериментальные исследования нейросетевой модели.
Нейронная сеть, обучаясь на этих наблюдениях и соответственно настраивая свои коэффициенты, пытается извлечь эти закономерности и сформировать требуемую функцию прогноза [2].
На основе этих данных создана нейросеть, которая прогнозирует вероятность отказа роботов в будущем. Например, если данные показывают, что при определенных условиях (например, высокой температуре и влажности) вероятность отказа робота выше, то нейросеть сможет учесть эти зависимости и прогнозировать вероятность отказа с большей точностью.
Данную нейросеть возможно интегрировать в систему управления производством на заводе, что позволит операторам быстро реагировать на возможные проблемы и предотвращать отказы роботов.
Таким образом, использование нейросетей для прогнозирования вероятности выхода из строя робота-манипулятора может существенно повысить эффективность производства и снизить затраты на обслуживание и ремонт. Прогнозирование вероятности отказа с помощью нейросетей позволяет учитывать множество факторов, которые могут повлиять на работу робота, и принимать меры для предотвращения возможных проблем.
СПИСОК ЛИТЕРАТУРЫ:
1. Белоусов А. И., Лавров Ю. В. Прогнозирование вероятности отказа робототехнической системы на основе нейросетевых моделей. Вестник Компьютерных и Информационных Технологий. - 2018. - №10. - С. 14-19;
2. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия -Телеком, 2010. - 496 с;
3. Горбань А.Н. Обучение нейронных сетей. - М.: Параграф, 2011. - 160 с;
4. Хайкин С.К. Нейронные сети: полный курс: пер. с англ. - 2-е изд. М.: Вильямс, 2006. - 1104 с.
Vagapova A.M.
Kazan Federal University (Kazan, Russia)
PROBABILITY OF FAILURE OF ROBOTIC MANIPULATOR USING NEURAL NETWORK PREDICTION
Abstract: the paper examines the possibility of using artificial intelligence systems to predict the probability of failure of a robotic manipulator. It is shown that the problem of forecasting using neural networks is reduced to the problem of approximation of multidimensional functions.
Keywords: forecasting, neural networks, approximation problem, neural network architecture, robot manipulator, probability of failure.
