Strojno učenje za zaznavanje anomalij in napovedno vzdrževanje robotovKerpan, Maruša (Avtor) Mihelj, Matjaž (Mentor) Šlajpah, Sebastjan (Komentor) napovedno vzdrževanjestrojno učenjezaznavanje anomalijrobotsimulacijadinamični modelpreostala življenjska dobaNapovedno vzdrževanje predstavlja pomembno področje v industriji 4.0, saj omogoča pravočasno odkrivanje potencialnih okvar in zmanjšuje stroške vzdrževanja. Namen magistrske naloge je raziskati uporabo metod strojnega učenja za zaznavanje anomalij in napovedovanje preostale življenjske dobe robotskih sistemov. V ta namen smo razvili dinamični model robota, ki omogoča simulacijo gibanja in ustvarjanje sintetičnih podatkov s spreminjanjem parametrov, kot je trenje. Ti podatki so bili uporabljeni za testiranje in primerjavo različnih algoritmov strojnega učenja za zaznavanje odstopanj od normalnega delovanja. V raziskavi smo preizkusili tri različne metode strojnega učenja: izolacijski gozd, samodejni kodirnik in enorazredno metodo podpornih vektorjev. Modeli so bili ovrednoteni glede na njihovo sposobnost zaznavanja anomalij in razlikovanja med normalnimi in nenormalnimi podatki. Na podlagi teh primerjav smo ugotovili, da je metoda enorazrednih podpornih vektorjev dosegla najboljše rezultate, saj je zagotavljala visoko stopnjo natančnosti in zanesljivosti pri zaznavanju odstopanj. Poleg tega smo rezultate te metode uporabili za izdelavo linearnega regresijskega modela, ki napoveduje preostalo življenjsko dobo robotskih sistemov. S pomočjo kazalnika stanja, ki upošteva povprečno razliko med normalnimi in odstopajočimi podatki ter delež vrednosti, ki presegajo določen prag, smo lahko napovedali, kdaj bo robot dosegel kritično stanje, kar omogoča pravočasno intervencijo. V simulacijskem okolju smo pokazali, da lahko napovedno vzdrževanje, podprto z metodami strojnega učenja, prispeva k zanesljivosti in podaljšanju življenjske dobe robotskih sistemov. Metode, ki temeljijo na simulacijskih podatkih, so prilagodljive za uporabo v realnih okoljih brez potrebe po obsežnih zgodovinskih podatkih. Na realnem modelu bi se trening začel na podatkih novega robota, vključili pa bi lahko dodatne parametre, kot so vibracije ali temperaturne spremembe. Naš pristop omogoča prilagodljivost, zmanjšuje tveganje nenadnih okvar in optimizira vzdrževalne procese, kar je ključno za industrijo 4.0.20242024-10-28 12:15:01Magistrsko delo/naloga164501VisID: 62862COBISS_ID: 217618691sl