'
Вагапова А.М.
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./Рис. 2. Результат обучения нейросети на диаграмме рассеяния.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 n 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./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.
Номер журнала Вестник науки №12 (69) том 4
Ссылка для цитирования:
Вагапова А.М. ВЕРОЯТНОСТЬ ВЫХОДА ИЗ СТРОЯ РОБОТА-МАНИПУЛЯТОРА С ПОМОЩЬЮ НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ // Вестник науки №12 (69) том 4. С. 1100 - 1105. 2023 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/11989 (дата обращения: 19.05.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2023. 16+
*