KR102624240B1 - 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치및 방법 - Google Patents
로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치및 방법 Download PDFInfo
- Publication number
- KR102624240B1 KR102624240B1 KR1020230098128A KR20230098128A KR102624240B1 KR 102624240 B1 KR102624240 B1 KR 102624240B1 KR 1020230098128 A KR1020230098128 A KR 1020230098128A KR 20230098128 A KR20230098128 A KR 20230098128A KR 102624240 B1 KR102624240 B1 KR 102624240B1
- Authority
- KR
- South Korea
- Prior art keywords
- robot
- prediction model
- load
- axis
- movement
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 41
- 230000001133 acceleration Effects 0.000 claims description 70
- 230000015654 memory Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013468 resource allocation Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
- G05B19/4187—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow by tool management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Manipulator (AREA)
Abstract
본 발명은 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치 및 방법에 관한 것으로 로봇 축에 장착된 센서로부터 움직임 관련 데이터를 수집하는 단계, 상기 수집된 움직임 관련 데이터에서 움직임 예측을 위한 특성을 추출하는 단계, 상기 추출된 특성을 기반으로 예측 모델을 구축하는 단계 및 상기 구축된 예측 모델을 이용하여 로봇 부하를 예측하여 로봇 상태를 진단하는 단계;를 포함하는, 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법에 의해 보다 정확하고 신속하게 로봇 상태 진단이 가능한 로봇축 움직임 예측 모델을 통한 로봇 상태 진단 장치 및 방법을 제공할 수 있는 효과가 도출된다.
Description
실시예는 로봇 상태 진단 기술에 관한 것으로 보다 상세하게는 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치 및 방법에 관한 것이다.
다수의 산업용 로봇을 활용하여 제품 생산을 수행하는 공장 현장에서는 로봇들을 유지관리 하기 위하여 로봇의 상태를 주기적으로 점검하기 위한 인건비 등과 같은 고액의 비용을 소모하고 있다.
특히, 로봇이 불시에 고장날 시, 제품의 생산이 급작스럽게 중단됨에 따라 공장의 생산성 및 제품 품질이 저하되는 악영향이 발생되며, 이로 인해 천문학적인 액수의 손실비용을 소모하게 되는 곤란이 존재한다.
최근 그 수가 점차 증가하고 있는 자동화 제조업 공장의 경우, 로봇의 갑작스러운 고장으로 인한 경제적 손실이 더욱 크게 나타나므로, 이러한 문제를 해결하기 위한 적절한 정비 전략을 확보하여 로봇의 상태변화를 분석함으로써 사전에 정비가 이루어질 수 있도록 하며, 고장 또한 예방할 수 있는 기술의 필요성이 점차 증대되고 있다.
본 발명은 이 같은 기술적 배경에서 도출된 것으로, 보다 정확하고 신속하게 로봇 상태 진단이 가능한 로봇축 움직임 예측 모델을 통한 로봇 상태 진단 장치 및 방법을 제공함에 그 목적이 있다.
상기의 과제를 달성하기 위한 본 발명은 다음과 같은 구성을 포함한다.
즉 본 발명의 일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법은 하나의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 로봇 축에 장착된 센서로부터 움직임 관련 데이터를 수집하는 단계, 상기 수집된 움직임 관련 데이터에서 움직임 예측을 위한 특성을 추출하는 단계, 상기 추출된 특성을 기반으로 예측 모델을 구축하는 단계 및 상기 구축된 예측 모델을 이용하여 로봇 부하를 예측하여 로봇 상태를 진단하는 단계를 포함한다.
한편, 일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치는 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨터 장치로서, 로봇 축에 장착된 센서로부터 움직임 관련 데이터를 수집하는 데이터 수집부, 상기 데이터 수집부에서 수집된 움직임 관련 데이터에서 움직임 예측을 위한 특성을 추출하는 특성 추출부, 상기 특성 추출부에서 추출된 특성을 기반으로 예측 모델을 구축하는 예측 모델 구축부 및 상기 예측 모델 구축부에서 구축된 예측 모델을 이용하여 로봇 부하를 예측하여 로봇 상태를 진단하는 상태 진단부를 포함한다.
본 발명에 의하면 보다 정확하고 신속하게 로봇 상태 진단이 가능한 로봇축 움직임 예측 모델을 통한 로봇 상태 진단 장치 및 방법을 제공할 수 있는 효과가 도출된다.
나아가 로봇 축 움직임 예측 모델을 이용하여 부하에 따른 작업 상태 및 운영 속도를 모니터링하고 필요한 경우 신속하게 자원 할당을 수행하여 작업 효율을 향상시킬 수 있는 효과가 있다.
도 1 은 본 발명의 일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치의 구성을 도시한 블록도이다.
도 2 는 본 발명의 일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법의 흐름도이다.
도 2 는 본 발명의 일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법의 흐름도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명한다.
본 발명의 실시예들에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치는 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법은 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다.
이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.
도 1 은 본 발명의 일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치의 구성을 도시한 블록도이다.
일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)는 협동 로봇 축 별로 진동 데이터를 이용하여 로봇의 움직임을 매핑(Mapping)하고 진동 패턴을 통한 로봇 부하 예측을 통한 상태 진단이 가능하다. 또한 작업 운영 속도를 예측할 수 있다.
일 실시예에 따르면 로봇 축 움직임 예측 모델을 통해 로봇 전체 시스템의 움직임 예측으로 확대하여 운용 동작에서 나올 수 있는 다양한 고장 및 오동작 상태를 진단할 수 있다. 다양한 고장 영역은 예를들어 스피드 에러, 부하 에러, 타겟 무빙 에러 등일 수 있다.
또한, 6축 로봇에서 3D 매핑을 위한 1축 가속도 센서의 위치를 선정한다. 예를들어 10개 포인트 중 Feature selection 모델로 importance 계산 후 선정할 수 있다. 그리고 로봇의 가속 움직임 예측을 통한 3D 공간 Mapping을 진행한다.
또한 일 실시예에 따른 정형 데이터 속성 생성 장치(10)는 네트워크를 통하여 원격지의 서버나 사용자 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말은 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
도 1 에 도시된 바와 같이, 일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)는 통신 인터페이스(110), 메모리(120), 입출력 인터페이스(130) 및 프로세서(140)를 포함한다.
통신 인터페이스(110)는 네트워크를 통해 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)의 프로세서(140)가 메모리(120)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(110)의 제어에 따라 네트워크를 통해 다른 장치들로 전달될 수 있다.
역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크를 거쳐 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)의 통신 인터페이스(110)를 통해 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)로 수신될 수도 있다. 통신 인터페이스(110)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(140)나 메모리(120)로 전달될 수 있고, 파일 등은 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
메모리(120)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브 및 서버와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량기록장치는 메모리(120)와는 구분되는 별도의 영구 저장 장치로서 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)에 포함될 수도 있다.
또한, 메모리(120)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(120)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(120)로 로딩 될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드, SSD, USB 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다.
다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(110)를 통해 메모리(120)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)의 메모리(120)에 로딩될 수 있다.
입출력 인터페이스(130)는 입출력장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(130)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력장치는 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치(10)와 하나의 장치로 구성될 수도 있다.
프로세서(140)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(120) 또는 통신 인터페이스(110)에 의해 프로세서(140)로 제공될 수 있다. 예를 들어 프로세서(140)는 메모리(120)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
프로세서(140)는 DI(Digital Input), AI(Analog Input), DO(Digital Output), Ethernet, SI(Serial Input) 포트를 포함할 수 있다.
일 실시예에 있어서, 프로세서(140)는 구체적으로 데이터 수집부(1410), 특성 추출부(1420), 예측 모델 구축부(1430), 상태 진단부(1440), 학습부(1450), 부하 파악부(1460), 속도 예측부(1470) 및 자원 할당 수행부(1480)를 포함한다.
데이터 수집부(1410)는 로봇 축에 장착된 센서로부터 움직임 관련 데이터를 수집한다. 일 실시예에 있어서 데이터 수집부(1410)는 로봇의 가속도 센서를 통해 움직임과 관련된 데이터들을 수집할 수 있다. 가속도 데이터는 로봇의 움직임 패턴과 진동을 포함한다.
일 실시예에 있어서, 데이터 수집부(1410)는 로봇의 상태를 파악하여 안전하고 효율적인 작업을 수행하기 위한 움직임 관련 데이터를 수집한다.
움직임 관련 데이터는 로봇이 현재 어디에 위치하는지를 파악하기 위해 로봇축의 위치 센서 (Position Sensor)를 통해 로봇의 각 축의 위치 정보를 포함한다. 위치 센서로 로봇의 회전축의 경우 엔코더가 주로 사용되며, 이동축의 경우 위치 측정용 포텐셜미터 또는 레이저 거리 측정 센서가 사용될 수 있다.
또한, 움직임 관련 데이터는 로봇의 움직임 속도를 파악하고, 움직임의 빠르기와 변화량을 측정하기위해 로봇축의 속도 센서(Acceleration Sensor)를 통해 수집한 로봇의 각 축의 속도 정보를 포함한다. 속도 센서는 일반적으로 엔코더가 사용되며, 회전축과 이동축 모두에 적용할 수 있다.
예를 들어 데이터 수집부(1410)는 로봇 움직임의 가속도와 변화율을 파악하기 위한 로봇축의 가속도 센서(Acceleration Sensor)를 통해 측정된 로봇의 각 축의 가속도 정보도 움직임 관련 데이터로 수집한다.
또한 데이터 수집부(1410)는 로봇축의 토크 센서(Torque Sensor)를 통해 로봇이 작업하는 동안 가해지는 힘과 부하를 측정하기 위한 로봇의 각 축의 토크 정보와, 로봇축의 위치 에러 센서 (Position Error Sensor)를 통해 로봇의 움직임 정확도를 평가하기 위한 로봇의 각 축의 위치 오차 정보, 로봇축의 상태 센서 (State Sensor)를 통해 로봇의 상태 변화를 파악하고, 이상 상태를 탐지하기 위한 로봇의 각 축의 온도, 진동, 진행 상태 정보를 수집할 수 있다. 그러나 이에 한정되는 것은 아니다.
특성 추출부(1420)는 데이터 수집부(1410)에서 수집된 움직임 관련 데이터에서 움직임 예측을 위한 특성을 추출한다.
일 실시예에 있어서 특성 추출부(1420)는 가속도 데이터로부터 속도, 위치, 방향 등의 정보를 추출할 수 있다. 그러나 이에 한정되는 것은 아니고 추가적인 센서 데이터를 활용하여 더 풍부한 특성을 얻을 수도 있다.
예를들어 로봇의 움직임을 시간에 따른 속도와 가속도로 표현하여 얼마나 빠른 속도로 이동하고 가속도 변화량이 어떤지에 대한 속도 및 가속도 프로파일, 움직임 데이터를 주파수 도메인을 변환하여 주파수 특성을 추출하여 로봇의 특정 주기적인 움직임이나 진동 패턴을 확인하는 주파수 도메인 특성, 로봇의 움직임 경로를 추적하고 분석하여 로봇의 이동 패턴이나 효율성 등을 평가하는 경로 및 트라젝토리 추적 방법, 로봇의 움직임 안정성과 진동 특성을 평가하는 방법, 로봇의 자세(orientation)정보를 추출하여 로봇이 어떤 방향으로 어떤지, 자세변화가 어떻게 일어나는지 등을 분석한다.
구체적으로 특성 추출부(1420)는 로봇의 움직임 특성으로 로봇이 주어진 시간 동안 이동한 거리를 시간으로 나눈 평균 속도를 계산한 평균 속도 (Average Velocity), 로봇이 이동하는 동안 달성한 최대 속도(Maximum Velocity), 로봇이 가속하는 동안 달성한 최대 가속도(Maximum Acceleration), 로봇이 최대 가속 또는 최대 감속을 달성하는 데 걸리는 시간인 가속/감속 시간 (Acceleration/Deceleration Time), 로봇이 작업을 수행하는 동안 소비하는 에너지 소비량 (Energy Consumption), 로봇의 이동 경로를 추적하여 움직임 패턴을 분석한 움직임 경로 (Movement Path), 로봇이 작업 동안 발생하는 진동이나 불안정성을 측정하여 로봇의 움직임 안정성을 평가하는데 사용되는 진동 또는 불안정성 (Vibration or Instability), 로봇의 자세 정보(Orientation), 로봇의 실제 이동 경로와 목표 경로 간의 오차를 측정한 경로 오차 (Path Error) 정보들을 포함한다.
예측 모델 구축부(1430)는 특성 추출부(1420)에서 추출된 특성을 기반으로 예측 모델을 구축한다.
일 실시예에 있어서 예측 모델 구축부(1430)는 특성 추출부(1420)에서 추출된 특성 데이터를 이용하여 기계학습과 데이터 분석 기술을 통해 예측 모델을 구축할 수 있다.
예측 모델 구축부(1430)는 특성 추출부(1420)에서 추출된 특성 데이터를 정제하고 노이즈 제거, 이상치 처리, 데이터 정규화등의 작업을 수행하여 전처리한다. 예측 모델 구축부(1430)는 속도, 가속도, 자세, 경로, 에너지 소비등의 데이터를 추출하여 학습용 데이터와 테스트용 데이터로 분할한다. 그리고 예측 모델 구축부(1430)는 로봇의 움직임에 따라 선형 회귀, 의사 결정 트리, 랜덤 포레스트, 신경망 등 다양한 예측 모델을 선택할 수 있다.
예측 모델 구축부(1430)는 로봇 움직임과 관련된 다양한 특성들을 입력으로 사용하여 상태를 예측하는데 회귀 모델 (Regression Model)을 사용할 수 있다. 선형 회귀, 다항 회귀, 서포트 벡터 머신 등의 회귀 모델을 사용하여 움직임과 상태 간의 관계를 모델링할 수 있다.
선형 회귀 (Linear Regression)는 데이터 간의 선형적인 관계를 모델링하는 예측 모델이다. 주어진 입력 변수(독립 변수)와 출력 변수(종속 변수) 사이의 선형 관계를 찾아낼 수 있다. 선형 회귀 모델은 입력 변수들의 가중치와 편향을 조절하여 출력 변수를 예측할 수 있다. 일 실시예에 있어서 예측 모델 구축부(1430)는 선형 회기 모델을 로봇의 움직임 데이터와 부하 데이터 간의 선형 관계를 모델링할 수 있다.
의사결정 트리 (Decision Tree)는 데이터를 분류하거나 예측하는 데 사용되는 지도 학습 알고리즘이다. 의사결정 트리는 데이터의 특성을 바탕으로 트리 구조를 형성하여 결정 규칙을 학습한다. 그리고 각 노드는 하나의 특성을 가지며, 해당 특성의 값에 따라 서브 트리로 분할될 수 있다. 이때 분할은 정보 이득이 최대화되도록 진행되며, 재귀적으로 트리를 생성하고 예측을 수행할 수 있다.
또한 예측 모델 구축부(1430)는 랜덤 포레스트(Random Forest)와 같은 의사결정 트리를 기반으로 한 앙상블 모델 (Ensemble Model)을 구축할 수도 있다. 앙상블 학습은 여러 개의 학습 모델을 결합하여 더 강력하고 안정적인 예측을 수행하는 기법이다. 랜덤 포레스트는 여러 개의 의사결정 트리를 만들어 그들의 결과를 평균하여 예측하거나, 분류의 경우 가장 많이 선택된 결과를 선택할 수 있다.
신경망 (Neural Networks)은 인간의 뇌의 작동 방식에서 영감을 받은 기계 학습 알고리즘이다. 인공 신경망은 여러 개의 뉴런(노드)을 연결하여 복잡한 수학적 모델을 형성한다. 입력층, 은닉층, 출력층 등으로 구성되며, 각 뉴런은 입력과 가중치를 곱하고 활성화 함수를 거쳐 출력을 생성할 수 있다. 신경망은 입력 데이터를 기반으로 가중치를 학습하고, 출력을 예측하는데 사용되며, 딥러닝은 신경망의 깊은 구조를 가진 인공신경망으로, 많은 양의 데이터와 계산 능력이 요구되는 경우에 사용된다.
일 실시예에 있어서 예측 모델 구축부(1430)는 딥러닝 모델 (Deep Learning Model)인 인공신경망을 이용하여 복잡한 데이터와 비선형적인 관계를 모델링할 수도 있다. 특히, 이미지나 음성 데이터 등과 같이 많은 양의 움직임 데이터가 있는 경우에는 CNN(Convolutional Neural Network)이나 RNN(Recurrent Neural Network) 등의 딥러닝 모델을 활용하여 예측 모델을 구축할 수 있다.
또한 예측 모델 구축부(1430)는 로봇 움직임 데이터가 시간에 따라 변화하는 시계열 데이터인 경우, ARIMA(AutoRegressive Integrated Moving Average), LSTM(Long Short-Term Memory) 와같은 시계열 예측 모델 (Time Series Prediction Model)을 구축할 수도 있다.
상태 진단부(1440)는 예측 모델 구축부(1430)에서 구축된 예측 모델을 이용하여 로봇 부하를 예측하여 로봇 상태를 진단한다. 예를들어 스피드 에러, 부하 에러, 타겟 무빙 에러등을 감지하여 상태를 진단할 수 있다.
일 실시예에 있어서 상태 진단부(1440)는 로봇 부하에 따라 로봇의 작업 능력, 안전성, 성능, 부품 상태등 다양한 측면에서 상태를 진단할 수 있다.
상태 진단부(1440)는 로봇이 현재 수행하고 있는 작업에 대한 부하 예측을 통해 작업 능력을 평가할 수 있다. 예를들어 로봇이 지정된 부하를 견딜 수 있는지, 무거운 물체를 들어야 하는 작업이라면 충분한 토크를 발휘할 수 있는지 확인할 수 있다.
또한 작업 부하를 예측하여 로봇이 안전한 범위에서 작업을 수행하는지 안전성을 확인할 수 있다. 부하가 너무 크거나 예상치 못한 부하가 발생할 경우 로봇 시스템에 이상이 생기거나 작업 환경에 위험이 발생한 상태임을 감지할 수 있다.
또한 로봇이 예상 부하를 처리하는데 얼마나 효율적인지, 작업 속도, 정확성 등의 성능을 평가할 수 있다. 부하 예측을 통해 작업에 따른 성능 개선과 최적화를 시도할 수 있다.
또한 상태 진단부(1440)는 작업 부하 예측을 통해 로봇의 각 부품의 상태를 평가할 수도 있다. 예를 들어, 예상치 못한 부하로 인해 토크 모터나 기어 등의 부품에 과부하가 발생할 수 있으므로, 이러한 상태를 감지하여 정비와 유지보수를 수행할 수 있다.
운동 데이터를 이용한 부하 예측을 통해 상태를 진단함으로써 로봇 시스템의 안전성과 신뢰성을 개선하고, 작업의 효율성을 높이는데 도움을 줄 수 있다. 또한, 예상치 못한 상황이 발생했을 때 조치를 미리 취할 수 있어 시스템의 유지보수 비용을 절감하고 시스템 수명을 연장시킬 수 있다.
본 발명의 일 양상에 있어서, 학습부(1450)는 예측 모델 구축부(1430)에서 구축된 움직임 예측 모델에 대해 데이터 수집부(1410)에서 수집한 데이터를 활용하여 학습을 수행한다.
학습부(1450)는 예측 모델 구축부(1430)에서 구축된 예측 모델을 학습용 데이터에 적용하여 학습시킨다.
부하 파악부(1460)는 로봇의 실제 움직임을 모니터링하여 로봇 부하를 파악한다.
예측 모델 구축부(1430)에서 구축된 선형 회귀 모델이 적용된 예측 모델이 적용된 경우에 부하 파악부(1460)는 로봇의 움직임 데이터에서 추출된 특성들을 입력 변수로 설정하고, 해당 특성들과 예상되는 부하를 출력 변수로 하여 부하를 수학식 1과 같이 예측할 수 있다.
여기서 f1, f2, f3 ... 은 로봇 움직임 데이터에서 추출한 각 특성을 나타내고, w1, w2, w3... 는 각 특성에 대한 가중치를 나타내며 이는 예측 모델이 학습하는 과정에서 결정될 수 있다. b는 편향(bias)를 나타내며 입력변수가 0일때 출력을 조절하는 상수이다.
선형 회기 모델은 학습 데이터를 사용하여 가중치 w₁, w₂, ..., wn과 편향 b를 조정하여 입력 변수와 출력 변수 사이의 가장 적합한 선형 관계를 찾아낼 수 있다. 이렇게 구해진 관계식을 통해 새로운 움직임 데이터를 입력으로 주면, 모델은 해당 움직임에 대한 부하를 예측할 수 있다.
즉 예측 모델을 통해 움직임 데이터를 입력으로 주어 예상되는 부하를 계산하고, 이를 통해 로봇의 움직임에 따른 부하를 예측하여 작업의 안전성과 효율성을 개선하는데 활용할 수 있다.
그리고 학습부(1450)는 부하 파악부(1460)에서 파악된 로봇 부하와 예측 모델 구축부(1430)에서 구축된 예측 모델을 이용하여 예측된 로봇 부하를 비교하여 예측 모델의 정확도를 평가하고 반복적으로 수정 및 학습을 수행한다.
일 양상에 있어서 부하 파악부(1460)는 데이터 수집부(1410)에서 수집된 1축 가속도 센서의 가속도 데이터를 3D 매핑 알고리즘에 적용하여 로봇의 3D공간 상의 움직임을 추정하고, 추정된 3D 공간 상의 움직임에 따른 부하 변화를 파악할 수도 있다.
부하 파악부(1460)는 로봇의 움직임과 가속도를 측정하고, 이를 3D 공간 상의 위치와 연관시킨다.
이때 부하 파악부(1460)는 변수 선택 모델(Feature selection Model)을 적용하여 6축 로봇에서 3D 매핑을 위한 1축 가속도 센서의 위치를 선정한다. 즉 로봇의 움직임을 최대한 정확하게 예측하기 위해 중요한 가속도 센서의 축을 선택하거나 불필요한 축을 제거하는 작업을 수행할 수 있다.
데이터 수집부(1410)에서 수집한 로봇의 다양한 움직임과 가속도 데이터를 이용하여 로봇의 각 축의 움직임과 가속도 패턴을 기록한다. 가속도 데이터를 기반으로 로봇의 각 축에서 특성을 식별하여 변수 선택 모델에 적용한다. 변수 선택 모델은 로봇의 움직임을 가장 정확하게 예측하는 데 필요한 가속도 센서의 축을 결정할 수 있다. 변수 선택 모델은 주어진 특성들 사이의 상관관계를 분석하고, 로봇의 움직임에 가장 영향을 미치는 특성들을 선택한다.
그리고 가속도 센서의 축을 기준으로 로봇의 회전축이나 이동축 주변 중 로봇의 움직임을 최대한 정확하게 예측할 수 있는 최적의 위치를 결정한다.
변수 선택 모델은 로봇의 가속도 데이터를 분석하여 로봇의 움직임에 영향력이 가장 큰 가속도 센서의 축을 선택한다. 또한, 로봇의 운용 환경을 고려하여 가속도 센서 부착 위치를 결정하거나, 충돌 방지와 보호를 고려하여 위치를 결정한다. 이외에 로봇의 움직임 범위, 가속도 센서의 정확도와 노이즈 수준을 더 반영할 수도 있다.
6축 로봇은 일반적으로 6개의 축(3개의 회전축과 3개의 이동축)을 갖는다. 3D 매핑을 위한 1축 가속도 센서의 위치를 선정하는 것은 로봇이 수행하는 작업의 종류와 특성을 반영할 수 있다. 예를 들어, 로봇이 물체를 들거나 운반하는 작업을 수행한다면, 그리퍼 부분이나 로봇 팔의 끝 부분에 가속도 센서를 부착하여 물체에 가해지는 힘과 부하를 측정할 수 있다.
그리고 로봇의 움직임이 주로 회전이나 이동 중 어느 부분에서 중요한 가속도 정보가 필요한지를 고려하여 가속도 센서 위치를 선정할 수 있다. 예를들어 회전이 주로 발생하는 경우, 로봇의 회전축 주변에 가속도 센서를 위치시키도록 설정한다. 그리고 이동이 중요한 경우, 이동축 주변에 가속도 센서를 설치하는 것이 바람직하다.
또한 로봇의 구조와 디자인을 반영하여 로봇의 내부 구조와 센서를 부착할 수 있는 여유 공간을 고려하여 가속도 센서의 위치를 더 반영하여 결정할 수도 있다. 또한, 가속도 센서는 주변 환경에서 노이즈를 받을 수 있으므로, 가능한 한 로봇의 움직임에 가장 적은 노이즈를 받는 위치를 선정할 수도 있다.
일 실시예에 있어서, 1축 가속도 센서의 가속도 데이터를 3D 매핑하는 과정은 해당 센서가 3차원 공간에서의 움직임을 측정하지 않는다는 한계를 극복할 수 있다. 1축 가속도 센서의 가속도 데이터를 3D 매핑하는 알고리즘은 여러 가속도 센서들로부터 얻은 데이터를 결합하여 3차원 공간에서의 움직임을 추정할 수 있다. 1축 가속도 센서가 X축 방향의 가속도 데이터만 제공하는 경우, 이를 기반으로 Y축과 Z축 방향의 가속도 데이터를 추정할 수 있다.
일 실시예에 있어서, 3D 매핑 알고리즘은 컴플리먼터리 필터를 포함하도록 구현될 수 있다. 3D 매핑 알고리즘은 1축 가속도 센서의 데이터와 다른 센서(예: 자이로스코프)에서 얻은 각속도 데이터를 결합하여 가속도와 각속도 데이터를 통합적으로 처리할 수 있다.
컴플리먼터리 필터는 자이로스코프에서 얻은 각속도 데이터를 이용하여 로봇의 현재 자세(orientation)를 추정한다. 그리고 1축 가속도 센서에서 얻은 X축 방향의 가속도 데이터를 사용하여 지구 중력 가속도와 움직임 가속도를 분리한다. 이때 움직임 가속도는 로봇의 가속도이며, 중력 가속도는 로봇의 자세에 따른 중력의 영향으로 인한 가속도이다.
그리고 로봇의 현재 자세와 분리된 가속도 데이터를 이용하여 로봇의 X, Y, Z축 방향의 가속도를 계산하고, 이를 통해 1축 가속도 센서로부터 얻은 X축 방향의 데이터를 기반으로 3차원 공간에서의 움직임을 추정할 수 있다. 그러나 이에 한정되는 것은 아니다.
속도 예측부(1470)는 상태 진단부(1440)에서의 로봇 상태 진단 결과에 따라 로봇 작업 운영 속도를 예측한다.
일 실시예에 있어서 로봇의 운동 데이터에 기반하여 작업 속도를 파악하고, 전체 주어진 작업량 대비 일정 시간당 처리량을 산출하여 작업 속도를 예측할 수 있다.
자원 할당 수행부(1480)는 상태 진단부(1440)에서의 로봇 상태 진단 결과를 이용하여 부하 분포를 파악하여 부하가 분산되도록 작업 스케줄링 또는 자원 할당을 수행한다. 또는 상태 진단부(1440)에서 로봇 상태에 이상이 있다고 진단된 파트의 작업량을 이상이 없는 파트의 로봇에서 처리가능하도록 자원 할당을 수행할 수도 있다.
자원 할당 수행부(1480)는 작업 부하 분산을 통해 로봇이 작업을 효율적으로 수행하고, 부하가 과도하게 집중되는 것을 방지할 수 있다. 즉, 부하 예측을 기반으로 작업을 분산 시키고 부하가 과도하게 집중되지 않도록 작업 시간과 우선순위를 조정할 수 있다. 이에 따라 모든 로봇의 작업 부하를 균등하게 분담하도록 할 수 있다.
또한 여러 로봇이나 기계가 협업하여 작업을 수행하는 경우 부하 예측을 통해 협업을 조정할 수도 있다. 이에 따라 로봇이나 기계의 부하가 과도하게 집중되는 것을 방지하고 작업 효율이 높아질 수 있다.
또한 자원 할당 수행부(1480)는 속도 예측부(1470)에서 파악된 작업 파트별 작업 속도에 기반하여 작업 속도가 느린 파트의 할당량을 작업 속도가 빠른 파트로 할당되도록 재분배할 수 있다.
또는 일련의 작업이 필요한 경우에 작업 속도가 빠른 파트의 작업 진행 속도를 줄여서 전반적인 작업에 균형이 이루어지도록 제어할 수 있다.
도 2 는 본 발명의 일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법의 흐름도이다.
일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법은 먼저 로봇 축에 장착된 센서로부터 움직임 관련 데이터를 수집한다(S200).
그리고 수집된 움직임 관련 데이터에서 움직임 예측을 위한 특성을 추출한다(S210).
그리고 추출된 특성을 기반으로 예측 모델을 구축한다(S220).
이후에 구축된 예측 모델을 이용하여 로봇 부하를 예측하여 로봇 상태를 진단한다(S230).
본 발명의 일 양상에 있어서, 일 실시예에 따른 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법은 로봇의 실제 움직임을 모니터링하여 로봇 부하를 파악한다(S240).
일 실시예에 있어서, 부하를 파악하는 단계는 수집하는 단계에서 수집된 1축 가속도 센서의 가속도 데이터를 3D 매핑 알고리즘에 적용하여 로봇의 3D공간 상의 움직임을 추정하고, 추정된 3D 공간 상의 움직임에 따른 부하 변화를 파악한다.
이때 변수 선택 모델(Feature selection Model)을 적용하여 6축 로봇에서 3D 매핑을 위한 1축 가속도 센서의 위치를 선정한다.
그리고 예측 모델을 구축하는 단계에서 구축된 움직임 예측 모델에 대해 수집하는 단계에서 수집한 데이터를 활용하여 학습을 수행한다(S250).
본 발명의 일 양상에 있어서, 학습을 수행하는 단계는 부하를 파악하는 단계에서 파악된 로봇 부하와 상기 구축된 예측 모델을 이용하여 예측된 로봇 부하를 비교하여 상기 예측 모델의 정확도를 평가하고 반복적으로 수정 및 학습을 수행한다.
이후에 로봇 상태를 진단하는 단계에서의 로봇 상태 진단 결과에 따라 로봇 작업 운영 속도를 예측할 수 있다(S260).
이후에 로봇 상태를 진단하는 단계에서의 로봇 상태 진단 결과를 이용하여 부하 분포를 파악하여 부하가 분산되도록 작업 스케줄링 또는 자원 할당을 수행한다(S270).
전술한 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10 : 로봇 상태 진단 장치 110 : 통신 인터페이스
120 : 메모리 130 : 입출력 인터페이스
140 : 프로세서
120 : 메모리 130 : 입출력 인터페이스
140 : 프로세서
Claims (8)
- 하나의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
로봇 축에 장착된 센서로부터 움직임 관련 데이터를 수집하는 단계;
상기 수집된 움직임 관련 데이터에서 움직임 예측을 위한 특성을 추출하는 단계;
상기 추출된 특성을 기반으로 예측 모델을 구축하는 단계;
상기 구축된 예측 모델을 이용하여 로봇 부하를 예측하여 로봇 상태를 진단하는 단계;
상기 예측 모델을 구축하는 단계에서 구축된 움직임 예측 모델에 대해 상기 수집하는 단계에서 수집한 데이터를 활용하여 학습을 수행하는 단계; 및
로봇의 실제 움직임을 모니터링하여 로봇 부하를 파악하는 단계;를 포함하며,
상기 학습을 수행하는 단계는,
상기 부하를 파악하는 단계에서 파악된 로봇 부하와 상기 구축된 예측 모델을 이용하여 예측된 로봇 부하를 비교하여 상기 예측 모델의 정확도를 평가하고 반복적으로 수정 및 학습을 수행하며,
상기 부하를 파악하는 단계는,
상기 수집하는 단계에서 수집된 1축 가속도 센서의 가속도 데이터를 3D 매핑 알고리즘에 적용하여 로봇의 3D공간 상의 움직임을 추정하고, 추정된 3D 공간 상의 움직임에 따른 부하 변화를 파악하며,
변수 선택 모델(Feature selection Model)을 적용하여 6축 로봇에서 3D 매핑을 위한 1축 가속도 센서의 위치를 선정하는 것을 특징으로 하는 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 제 1 항에 있어서,
상기 로봇 상태를 진단하는 단계에서의 로봇 상태 진단 결과에 따라 로봇 작업 운영 속도를 예측하는 단계;를 더 포함하는, 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법.
- 제 1 항에 있어서,
상기 로봇 상태를 진단하는 단계에서의 로봇 상태 진단 결과를 이용하여 부하 분포를 파악하여 부하가 분산되도록 작업 스케줄링 또는 자원 할당을 수행하는 단계;를 더 포함하는, 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 방법.
- 하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨터 장치로서,
로봇 축에 장착된 센서로부터 움직임 관련 데이터를 수집하는 데이터 수집부;
상기 데이터 수집부에서 수집된 움직임 관련 데이터에서 움직임 예측을 위한 특성을 추출하는 특성 추출부;
상기 특성 추출부에서 추출된 특성을 기반으로 예측 모델을 구축하는 예측 모델 구축부;
상기 예측 모델 구축부에서 구축된 예측 모델을 이용하여 로봇 부하를 예측하여 로봇 상태를 진단하는 상태 진단부;
상기 예측 모델을 구축하는 단계에서 구축된 움직임 예측 모델에 대해 상기 수집하는 단계에서 수집한 데이터를 활용하여 학습을 수행하는 학습부; 및
로봇의 실제 움직임을 모니터링하여 로봇 부하를 파악하는 부하 파악부;를 포함하며,
상기 학습부는,
상기 부하를 파악하는 단계에서 파악된 로봇 부하와 상기 구축된 예측 모델을 이용하여 예측된 로봇 부하를 비교하여 상기 예측 모델의 정확도를 평가하고 반복적으로 수정 및 학습을 수행하며,
상기 부하 파악부는,
상기 수집하는 단계에서 수집된 1축 가속도 센서의 가속도 데이터를 3D 매핑 알고리즘에 적용하여 로봇의 3D공간 상의 움직임을 추정하고, 추정된 3D 공간 상의 움직임에 따른 부하 변화를 파악하며,
변수 선택 모델을 적용하여 6축 로봇에서 3D 매핑을 위한 1축 가속도 센서의 위치를 선정하는 것을 특징으로 하는 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230098128A KR102624240B1 (ko) | 2023-07-27 | 2023-07-27 | 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230098128A KR102624240B1 (ko) | 2023-07-27 | 2023-07-27 | 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102624240B1 true KR102624240B1 (ko) | 2024-01-16 |
Family
ID=89719335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230098128A KR102624240B1 (ko) | 2023-07-27 | 2023-07-27 | 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102624240B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101789673B1 (ko) | 2016-10-31 | 2017-11-20 | 한국생산기술연구원 | 로봇 가공부하 진동 저감장치 및 이를 이용한 진동 저감방법 |
| KR20200072069A (ko) | 2018-12-12 | 2020-06-22 | 주식회사 큐엔티 | 모터 정보 기반 로봇 상태 정보 제공 시스템 |
| KR102427048B1 (ko) * | 2021-02-18 | 2022-08-01 | 성균관대학교산학협력단 | 어깨 착용형 외골격 장치를 착용한 사용자의 동작 의도를 예측하는 장치 및 그 방법 |
| KR20220152413A (ko) * | 2021-05-06 | 2022-11-16 | 주식회사 원프레딕트 | 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치 |
| JP2022191211A (ja) * | 2019-04-11 | 2022-12-27 | アプライド マテリアルズ インコーポレイテッド | ロボットの関節座標教示精度を向上させるための装置、システム、及び方法 |
-
2023
- 2023-07-27 KR KR1020230098128A patent/KR102624240B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101789673B1 (ko) | 2016-10-31 | 2017-11-20 | 한국생산기술연구원 | 로봇 가공부하 진동 저감장치 및 이를 이용한 진동 저감방법 |
| KR20200072069A (ko) | 2018-12-12 | 2020-06-22 | 주식회사 큐엔티 | 모터 정보 기반 로봇 상태 정보 제공 시스템 |
| JP2022191211A (ja) * | 2019-04-11 | 2022-12-27 | アプライド マテリアルズ インコーポレイテッド | ロボットの関節座標教示精度を向上させるための装置、システム、及び方法 |
| KR102427048B1 (ko) * | 2021-02-18 | 2022-08-01 | 성균관대학교산학협력단 | 어깨 착용형 외골격 장치를 착용한 사용자의 동작 의도를 예측하는 장치 및 그 방법 |
| KR20220152413A (ko) * | 2021-05-06 | 2022-11-16 | 주식회사 원프레딕트 | 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nunes et al. | Challenges in predictive maintenance–A review | |
| US11275345B2 (en) | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
| Wang et al. | Fault prognostics using dynamic wavelet neural networks | |
| Girish et al. | Anomaly detection in cloud environment using artificial intelligence techniques | |
| Čech et al. | Digital twins and ai in smart motion control applications | |
| US20230289568A1 (en) | Providing an alarm relating to an accuracy of a trained function method and system | |
| Abdallah et al. | Anomaly detection through transfer learning in agriculture and manufacturing IoT systems | |
| Harichandran et al. | Equipment activity recognition and early fault detection in automated construction through a hybrid machine learning framework | |
| JP2022168706A (ja) | 異常検知装置、プログラム、異常検知方法、及び製造方法 | |
| Hussain et al. | Analyzing the performance of smart industry 4.0 applications on cloud computing systems | |
| Bondoc et al. | Employing LIVE digital twin in prognostic and health management: Identifying location of the sensors | |
| Bondoc et al. | Live digital twin: Developing a sensor network to monitor the health of belt conveyor system | |
| Herrero et al. | An I4. 0 data intensive platform suitable for the deployment of machine learning models: a predictive maintenance service case study | |
| KR102624240B1 (ko) | 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치및 방법 | |
| Villalón-Falcón et al. | Computational adaptive multivariable degradation model for improving the remaining useful life prediction in industrial systems | |
| Rusman et al. | Fog computing concept implementation in work error detection system of the industrial machine using support vector machine (svm) | |
| KR102504701B1 (ko) | 블록체인 기반의 드론 군집에 대한 데이터 수집 및 이상 관제 장치 및 방법 | |
| Pereira et al. | On-Device Learning TinyML for Anomaly Detection Based on Extreme Values Theory | |
| Asadova et al. | A Survey of Usage of Anytime Algorithm in Fault detection in Cloud Systems | |
| Istin et al. | Decomposition based algorithm for state prediction in large scale distributed systems | |
| Silva et al. | Predictive maintenance for sensor enhancement in industry 4.0 | |
| Gkamas et al. | Proposed Cloud-assisted Machine Learning Classification Process implemented on Industrial Systems: Application to Critical Events Detection and Industrial Maintenance | |
| Ge et al. | Hybrid degradation equipment remaining useful life prediction oriented parallel simulation considering model soft switch | |
| Ragusa et al. | Combining Compressed Sensing and Neural Architecture Search for Sensor-Near Vibration Diagnostics | |
| Akinshin et al. | Methods for Evaluating the Performance of a Computer Complex for Monitoring the Technical Condition of Radar Stations and Sensor Platforms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |