Original title: Analýza dat pro prediktivní údržbu robotického ramene
Translated title: Data Analysis for Predictive Maintenance of a Robotic Arm
Authors: Žitný, Roland ; Rozman, Jaroslav (referee) ; Janoušek, Vladimír (advisor)
Document type: Master’s theses
Year: 2023
Language: slo
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [slo] [eng]
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.
Keywords: anomaly classification; anomaly detection; convolutional autoencoder; convolutional neural networks; Hidden Markov models; IIoT; Mitsubishi MELFA; mitsubishi-monitor; predictive maintenance; robotic arm; sensory data; signal segmentation; slmpclient

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/211904

Permalink: http://www.nusl.cz/ntk/nusl-530169


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses