В связи с интенсивным темпом развития систем сбора, накопления и анализа данных разрабатывается все больше методов, подходов и систем для принятия решений в области предиктивного обслуживания в современных роботизированных производствах с целью увеличения производительности и эффективности использования временных, финансовых и материальных ресурсов. Процесс технического обслуживания основных средств производства является одним из ключевых для обеспечения безопасного, эффективного и непрерывного производства. Современное оборудование оснащено множеством систем мониторинга, самодиагностики и интеллектуальных датчиков, позволяющих осуществлять сбор значительного объема первичных данных, которые могут содержать полезные знания. В статье представлен подход по разработке алгоритма подбора моделей машинного обучения при анализе данных о работе промышленных манипуляторов в рамках процесса предиктивного обслуживания. Разработанный алгоритм позволяет сократить временные издержки на обучение моделей анализа данных (в том числе машинного обучения и искусственных нейронных сетей) за счет подбора массивов данных, собранных с парка оборудования (на примере промышленных роботов), которые имеют наибольшую степень подобия относительно данных собранных с единичного оборудования, что позволяет избежать обучение дополнительных моделей анализа данных, при удовлетворительных результатах тестирования. Сбор данных производился с четырех разных промышленных роботов; для анализа использованы методы: линейная модель, сверточная нейронная сеть, многослойный перцептрон; для оценки степени подобия использован алгоритм динамической трансформации временной шкалы.
Due to the intensive pace of development of systems for data collection, accumulation and analysis, more and more methods, approaches and systems are being created for decision-making in the field of predictive maintenance in modern robotic industries in order to increase productivity and efficiency of resource use (time, finances and material resources). Maintaining fixed assets of production is crucial to ensuring safe, efficient and continuous production. Modern equipment is fitted with a variety of monitoring systems, self-diagnosis and intelligent sensors that allow collecting a significant amount of primary data that may contain useful knowledge. The article presents an approach to developing an algorithm for selecting machine learning models when analyzing data on the performance of industrial manipulators as part of the predictive maintenance process. The developed algorithm makes it possible to reduce the time spent on training data analysis models (including machine learning and artificial neural networks) by selecting arrays of data collected from a fleet of equipment (for example, industrial robots) that have the greatest degree of similarity relative to the data collected from single equipment; this helps to avoid training additional data analysis models with satisfactory test results. Data was collected from four different industrial robots. The following methods were used for the analysis: linear model, convolutional neural network, multilayer perceptron. The algorithm of dynamic transformation of the timeline was used to assess the degree of similarity.
The authors declare that there are no conflicts of interest present.