Analýza dat pro prediktivní údržbu robotického ramene
Loading...
Date
Authors
Žitný, Roland
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Robotické ramená Mitsubischi MELFA využívané v moderných továrniach pracujú takmer bez prestávky a produkujú senzorické dáta o svojom chode. Nad takýmito dátami je možné vykonávať rôzne techniky analýz za cieľom prediktívnej údržby, ktoré poskytujú informácie o stave a potrebe údržby takýchto robotických ramien. Navrhovaný proces prediktívnej údržby pozostáva zo systému získavania senzorických dát pomocou knižníc slmpclient a mitsubishi-monitor, systému analyzačných metód s detekciou anomálií pomocou konvolučného autoenkodéra, klasifikáciou anomálií pomocou konvolučných neurónových sietí a segmentáciou dát na segmenty jednotlivých akcií robota pomocou skrytých Markovových modelov. Takéto analyzačné techniky poskytujú informácie o závažnosti, type a lokalite vznikajúcich porúch a abnormalít v správaní, ktoré následne určujú čas potrebný pre vykonanie požadovanej údržby. Takto vytvorený reťazec procesov prediktívnej údržby predstavuje táto práca, kde získané zistenia poskytujú cenné poznatky o aplikovaní prediktívnej údržby robotických ramien Mitsubishi MELFA v priemyselnom prostredí.
The Mitsubishi MELFA robotic arms used in modern factories work almost without interruption and produce sensory data about their operation. Various analysis techniques can be applied to such data for predictive maintenance, which provide information on the condition and maintenance needs of such robotic arms. The proposed predictive maintenance process consists of a sensory data acquisition system using the slmpclient and mitsubishi-monitor libraries, an analysis method system with anomaly detection using a convolutional autoencoder, anomaly classification using convolutional neural networks, and data segmentation into segments of individual robot actions using hidden Markov models. Such analysis techniques provide information on the severity, type, and location of emerging faults and abnormalities in behavior, which then determine the time required to perform the required maintenance. This work presents a created chain of predictive maintenance processes, where the obtained findings provide valuable insights into the application of predictive maintenance of Mitsubishi MELFA robotic arms in an industrial environment.
The Mitsubishi MELFA robotic arms used in modern factories work almost without interruption and produce sensory data about their operation. Various analysis techniques can be applied to such data for predictive maintenance, which provide information on the condition and maintenance needs of such robotic arms. The proposed predictive maintenance process consists of a sensory data acquisition system using the slmpclient and mitsubishi-monitor libraries, an analysis method system with anomaly detection using a convolutional autoencoder, anomaly classification using convolutional neural networks, and data segmentation into segments of individual robot actions using hidden Markov models. Such analysis techniques provide information on the severity, type, and location of emerging faults and abnormalities in behavior, which then determine the time required to perform the required maintenance. This work presents a created chain of predictive maintenance processes, where the obtained findings provide valuable insights into the application of predictive maintenance of Mitsubishi MELFA robotic arms in an industrial environment.
Description
Keywords
prediktívna údržba, senzorické dáta, Mitsubishi MELFA, robotické rameno, detekcia anomálií, klasifikácia anomálií, segmentácia signálu, konvolučný autoenkodér, konvolučné neurónové siete, skryté Markovove modely, IIoT, slmpclient, mitsubishi-monitor, predictive maintenance, sensory data, Mitsubishi MELFA, robotic arm, anomaly detection, anomaly classification, signal segmentation, convolutional autoencoder, convolutional neural networks, Hidden Markov models, IIoT, slmpclient, mitsubishi-monitor
Citation
ŽITNÝ, R. Analýza dat pro prediktivní údržbu robotického ramene [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Inteligentní zařízení
Comittee
prof. Ing. Lukáš Sekanina, Ph.D. (předseda)
doc. Ing. Zdeněk Vašíček, Ph.D. (člen)
Ing. Ondřej Lengál, Ph.D. (člen)
doc. Ing. Jiří Jaroš, Ph.D. (člen)
Ing. Ivana Burgetová, Ph.D. (člen)
doc. Ing. Michal Bidlo, Ph.D. (člen)
Date of acceptance
2023-06-19
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení