KR102633114B1 - 산업용 로봇에서의 오류 모터를 식별하기 위해 기계 학습 모델을 학습시키는 방법 - Google Patents

산업용 로봇에서의 오류 모터를 식별하기 위해 기계 학습 모델을 학습시키는 방법 Download PDF

Info

Publication number
KR102633114B1
KR102633114B1 KR1020220013471A KR20220013471A KR102633114B1 KR 102633114 B1 KR102633114 B1 KR 102633114B1 KR 1020220013471 A KR1020220013471 A KR 1020220013471A KR 20220013471 A KR20220013471 A KR 20220013471A KR 102633114 B1 KR102633114 B1 KR 102633114B1
Authority
KR
South Korea
Prior art keywords
trajectory data
robot
trajectory
data sets
motors
Prior art date
Application number
KR1020220013471A
Other languages
English (en)
Other versions
KR20230094088A (ko
Inventor
박홍성
김미숙
Original Assignee
강원대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 강원대학교산학협력단 filed Critical 강원대학교산학협력단
Publication of KR20230094088A publication Critical patent/KR20230094088A/ko
Application granted granted Critical
Publication of KR102633114B1 publication Critical patent/KR102633114B1/ko

Links

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
    • B25J9/10—Programme-controlled manipulators characterised by positioning means for manipulator elements
    • B25J9/12—Programme-controlled manipulators characterised by positioning means for manipulator elements electric
    • 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
    • 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
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

복수의 모터를 포함하는 로봇(Robot)에서 오류 모터를 식별하기 위해 기계 학습 모델(machine learning model)을 학습시키는 방법이 개시된다. 개시된 방법은, 상기 로봇이 동작하는 패턴 및 상기 패턴에 따른 동작 궤적 상의 중간 도달점을 설정하고 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 각각 가지게 되는 각도 값들을 제공하는 단계, 상기 로봇이 정상 상태에서 상기 동작 궤적을 따라 움직이도록 제어하면서 복수의 제1 궤적 데이터 세트를 획득하는 단계, 상기 로봇이 복수의 모터 교체 상태에서 상기 동작 궤적을 따라 움직이도록 제어하면서 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트를 획득하는 단계, 상기 복수의 제1 궤적 데이터 세트 및 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트에 대해 전처리를 수행하여 학습 데이터를 구성하는 단계, 및 상기 학습 데이터를 적어도 부분적으로 이용하여 상기 기계 학습 모델을 학습시키는 단계를 포함할 수 있다.

Description

산업용 로봇에서의 오류 모터를 식별하기 위해 기계 학습 모델을 학습시키는 방법{Method of Training a Machine Learning Model for Identification of a Faulty Motor in an Industrial Robot}
아래 개시는 산업용 로봇에서의 오류 모터 식별 방법에 관한 것이다.
모터의 오류를 찾는 방법은 여러가지가 있지만 산업용 로봇에서 어떤 모터 혹은 모터 관련 드라이버 보드에 오류가 생겼는지를 알아내는 방법은 현재로서는 없는 상황이다. 일반적으로 산업용 로봇은 2개 이상의 모터들과 관련 드라이버 보드들로 구성되어 있는데, 이러한 모터들 혹은 드라이버 보드들에 오류가 생기면 어떤 모터 부분에 오류가 발생했는지를 확인하여 고쳐야 한다. 그러나 로봇에 오류가 발생한 것은 확인할 수 있지만 어떤 모터 부분에 오류가 났는지를 찾는 데에는 많은 시간이 소요된다. 심지어 실제로 오류가 났다고 하더라도 자세히 살펴보지 않으면 오류라고 판단할 수도 없다. 예를 들면 베어링에 약간의 마모가 생기거나 모터 혹은 드라이버 보드의 전기/전자 부품에 약간의 손상이 발생하면 정상적인 동작과는 약간의 차이는 있지만, 로봇의 전체 동작 관점에서 보면 정상적인 동작이라고 판단할 수도 있다. 이러한 상황이 누적이 되면 실제로 고장이 발생하여 제품의 생산에 문제가 되어 큰 손해를 일으킬 수 있다.
위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.
본 개시에 의해 해결하고자 하는 과제는 로봇에 새로운 센서들을 부가하지 않고도 오류가 있는 모터 관련 부분을 식별해 낼 수 있도록 하는 기계 학습 방법을 제공하는 것이다.
본 개시에 의해 해결하고자 하는 과제는 이상에서 언급한 과제들에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 특징에 따르면, 복수의 모터를 포함하는 로봇(Robot)에서 오류 모터를 식별하기 위해 기계 학습 모델(machine learning model)을 학습시키는 방법이 제공된다. 본 방법은, 상기 로봇이 동작하는 패턴 및 상기 패턴에 따른 동작 궤적 상의 중간 도달점을 설정하고 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 각각 가지게 되는 각도 값들을 제공하는 단계, 상기 로봇이 정상 상태에서 상기 동작 궤적을 따라 움직이도록 제어하면서 복수의 제1 궤적 데이터 세트를 획득하는 단계, 상기 로봇이 복수의 모터 교체 상태에서 상기 동작 궤적을 따라 움직이도록 제어하면서 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트를 획득하는 단계, 상기 복수의 제1 궤적 데이터 세트 및 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트에 대해 전처리를 수행하여 학습 데이터를 구성하는 단계, 및 상기 학습 데이터를 적어도 부분적으로 이용하여 상기 기계 학습 모델을 학습시키는 단계를 포함할 수 있다.
일 실시예에서, 상기 정상 상태는 상기 로봇에 복수의 오류 없는 모터가 장착된 상태이다.
일 실시예에서, 상기 복수의 제1 궤적 데이터 세트의 각각은 상기 해당 제1 궤적 데이터 세트가 획득된 시점에서의 상기 복수의 모터의 각각의 각도 값 및 속도 또는 각속도 값에 관한 데이터를 포함한다.
일 실시예에서, 상기 복수의 제1 궤적 데이터 세트 및 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트에 대해 전처리를 수행하여 학습 데이터를 구성하는 단계는, 상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계를 포함하고, 상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 중간 도달점을 지시하는 번호 및 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들에 관한 데이터를 상기 해당 제1 궤적 데이터 세트에 추가하는 단계를 포함한다.
일 실시예에서, 상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제1 궤적 데이터 세트가 획득된 순번을 나타내는 시퀀스번호(seqNum)를 상기 해당 제1 궤적 데이터 세트에 추가하는 단계를 더 포함한다.
일 실시예에서, 상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제1 궤적 데이터 세트에 포함된 상기 복수의 모터의 각도 값들에서 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들을 각각 감산하여 얻은 차이 값들에 관한 데이터를 상기 해당 제1 궤적 데이터 세트에 추가하는 단계를 더 포함한다.
일 실시예에서, 상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제1 궤적 데이터 세트가 상기 정상 상태에서 획득된 것임을 지시하는 데이터를 상기 해당 제1 궤적 데이터 세트에 추가하는 단계를 더 포함한다.
일 실시예에서, 상기 복수의 모터 교체 상태의 각각은 상기 로봇에서 상기 복수의 오류 없는 모터의 하나가 오류 있는 모터로 교체된 상태이다.
일 실시예에서, 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트의 각각은 상기 해당 제2 궤적 데이터 세트가 획득된 시점에서의 상기 교체된 오류 있는 모터를 포함하는 복수의 모터의 각각의 각도 값 및 속도 또는 각속도 값에 관한 데이터를 포함한다.
일 실시예에서, 상기 복수의 제1 궤적 데이터 세트 및 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트에 대해 전처리를 수행하여 학습 데이터를 구성하는 단계는, 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계를 포함하고, 상기 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 중간 도달점을 지시하는 번호 및 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들에 관한 데이터를 상기 해당 제2 궤적 데이터 세트에 추가하는 단계를 포함한다.
일 실시예에서, 상기 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제2 궤적 데이터 세트가 획득된 순번을 나타내는 시퀀스번호를 상기 해당 제2 궤적 데이터 세트에 추가하는 단계를 더 포함한다.
일 실시예에서, 상기 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제2 궤적 데이터 세트에 포함된 상기 복수의 모터의 각도 값들에서 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들을 각각 감산하여 얻은 차이 값들에 관한 데이터를 상기 해당 제2 궤적 데이터 세트에 추가하는 단계를 더 포함한다.
일 실시예에서, 상기 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제2 궤적 데이터 세트가 상기 복수의 모터 교체 상태 중 어느 모터 교체 상태에서 획득된 것인지를 지시하는 데이터를 상기 해당 제2 궤적 데이터 세트에 추가하는 단계를 더 포함한다.
일 실시예에서, 상기 기계 학습 모델은 결정 트리(decision tree) 학습 모델, SVM(support vector machine) 학습 모델 또는 kNN(k-Nearest Neighbor) 학습 모델이다.
본 개시의 다른 특징에 따르면 기계 학습 모델을 이용하여 복수의 모터를 포함하는 로봇에서의 오류 모터를 식별하는 방법이 제공된다. 본 방법은, 상기 로봇이 동작하는 패턴을 설정하는 단계, 상기 로봇이 상기 설정된 패턴에 따라 움직이도록 제어하면서 복수의 궤적 데이터 세트를 획득하는 단계, 상기 복수의 궤적 데이터 세트의 각각에 대해 전처리를 수행하여 입력 데이터를 구성하는 단계, 및 상기 입력 데이터를 상기 기계 학습 모델로 입력하여 상기 기계 학습 모델에서 출력 데이터가 제공되도록 제어하는 단계를 포함할 수 있다.
일 실시예에서, 상기 복수의 궤적 데이터 세트의 각각은 상기 해당 궤적 데이터 세트가 획득된 시점에서의 상기 복수의 모터의 각각의 각도 값 및 속도 또는 각속도 값에 관한 데이터를 포함한다.
일 실시예에서, 상기 복수의 궤적 데이터 세트의 각각에 대해 전처리를 수행하여 입력 데이터를 구성하는 단계는, 상기 설정된 패턴에 따른 동작 궤적 상의 중간 도달점을 지시하는 번호 및 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 각각 가지게 되는 각도 값들에 관한 데이터를 상기 해당 궤적 데이터 세트에 추가하는 단계를 포함한다.
일 실시예에서, 상기 복수의 궤적 데이터 세트의 각각에 대해 전처리를 수행하여 입력 데이터를 구성하는 단계는, 상기 해당 궤적 데이터 세트가 획득된 순번을 나타내는 시퀀스번호(seqNum)를 상기 해당 궤적 데이터 세트에 추가하는 단계를 더 포함한다.
일 실시예에서, 상기 복수의 궤적 데이터 세트의 각각에 대해 전처리를 수행하여 입력 데이터를 구성하는 단계는, 상기 해당 궤적 데이터 세트에 포함된 상기 복수의 모터의 각도 값들에서 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들을 각각 감산하여 얻은 차이 값들에 관한 데이터를 상기 해당 궤적 데이터 세트에 추가하는 단계를 더 포함한다.
일 실시예에서, 상기 출력 데이터는 상기 복수의 모터 중 오류가 있는 모터의 번호를 포함한다.
개시된 실시예들에 따르면, 로봇에 새로운 센서들을 부가하지 않고도 기계 학습 모델을 통해 오류가 있는 모터 관련 부분을 식별해 낼 수 있게 되는 기술적 효과가 있다.
도 1은 본 개시에 따라 학습된 기계 학습 모델(machine learning model)을 이용하여 산업용 로봇에서의 오류 모터를 식별하는 과정을 설명하기 위한 개념도를 도시한 도면이다.
도 2는 산업용 로봇에서의 오류 모터를 식별하기 위해 로봇 제어기에서 구현되는 기계 학습 모델을 학습시키는 방법의 일 실시예를 설명하기 위한 흐름도를 도시한 도면이다.
도 3은 본 개시에 따른 실시예들에 따라 학습된 기계 학습 모델을 이용하여 복수의 모터를 포함하는 로봇에서의 오류 모터를 식별하는 방법의 일 실시예를 설명하기 위한 흐름도를 도시한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 개시에 따라 학습된 기계 학습 모델(machine learning model)을 이용하여 산업용 로봇에서의 오류 모터를 식별하는 과정을 설명하기 위한 개념도를 도시한 도면이다.
산업용 로봇(110)은 기계적 프레임과 기계적 프레임에 결합된 복수의 모터로 이루어진 기계적 요소(112)와 로봇 제어기(114)로 구성된다. 이하의 설명에서 모터는 '조인트'(joint) 또는 '축'(axis)이라고도 언급되는데 모터와 서보 드라이버(servo driver) 부분을 포괄하는 것으로 이해되어야 한다. 또한 이하의 설명에서 '로봇'은 기계적 요소(112)만을 언급하는 것일 수 있고 문맥에 따라서는 기계적 요소(112) 및 로봇 제어기(114)를 포괄하는 로봇(110)을 의미할 수도 있다. 로봇(110)은 사용자에 의해 설정되는 패턴에 따라 동작할 수 있다. 일 실시예에서 패턴은 직선, 삼각형, 사각형, 오각형, 육각형 등의 패턴이 될 수 있으나, 패턴의 종류에 이에 한정되는 것이 아님을 인식하여야 한다. 패턴이 설정되면 동작 궤적이 특정되는데, 동작 궤적은 로봇(110)의 엔드 이펙터(end effector)가 시작 위치에서 목적 위치까지 가는 경로를 말한다. 로봇(110)이 특정된 동작 궤적을 따라 동작하는 경우에 해당 동작 궤적의 길이가 긴 경우에는 시작 위치와 목적 위치 간에 여러 개의 중간 도달점들을 지정하여 이동하게 할 수 있다. 로봇(110)이 중간 도달점들 간을 이동하게 하기 위해서 로봇 제어기(114)는 시작점인 중간 도달점에서 모터들의 각도 값들을 측정하고 이를 바탕으로 종료점인 중간 도달점에서 해당 모터들이 가져야 할 각도 값들을 해당 모터들로 전달한다. 즉 로봇 제어기(114)는 모터들이 움직여야 하는 각도들을 미리 해당 모터들에 각각 제공하여 엔드 이펙터가 중간 도달점에서 다음 중간 도달점으로 가도록 제어한다. 그런데 이 경우 하나의 모터에 오류가 발생하면 오류가 발생한 모터는 정상적인 동작을 하지 않고 좀 늦게 가거나 빨리 가는 등의 문제가 발생하게 되고 이러한 오류 모터의 동작은 다른 모터들의 이동 거리에도 영향을 주게 된다. 따라서 하나의 모터에 오류가 생기면 다른 모터들에도 정상 동작과는 다른 형태의 동작들이 발생하고 이에 따라 로봇이 전반적으로 정상적 동작과는 다른 형태로 동작하게 된다. 로봇 제어기(114)는 이러한 정상 동작과는 다른 형태의 동작들을 반영하는 모터들의 속도/각속도 및 각도의 측정 값들을 획득하고 이를 입력 데이터로 구성하여 본 개시에 따라 학습된 기계 학습 모델(116)로 입력하도록 구성될 수 있다. 그러면 사용자는 기계 학습 모델(116)의 출력을 참조함으로써 오류가 있는 모터를 식별할 수 있게 된다. 일 실시예에서 기계 학습 모델(116)의 출력은 오류가 난 모터(축)의 번호(예컨대 6축 로봇의 경우, 1축, 6축 등)를 포함한다. 일 실시예에서 기계 학습 모델(116)은 오류가 없는 경우 번호 0 또는 ‘오류 없음‘이라는 캐릭터를 제공한다. 일 실시예에서 기계 학습 모델(116)은 결정 트리(decision tree) 학습 모델이다. 일 실시예에서 기계 학습 모델(116)은 SVM(support vector machine) 학습 모델이다. 일 실시예에서 기계 학습 모델(116)은 kNN(k-Nearest Neighbor) 학습 모델이다.
도 2는 산업용 로봇에서의 오류 모터를 식별하기 위해 로봇 제어기에서 구현되는 기계 학습 모델을 학습시키는 방법의 일 실시예를 설명하기 위한 흐름도를 도시한 도면이다.
본 기계 학습 모델 학습 방법은 로봇(110)이 동작하는 패턴 및 동 패턴에 따른 동작 궤적 상의 중간 도달점을 설정하고 로봇(110)이 중간 도달점에 도달할 때 복수의 모터가 각각 가지게 되는 각도 값들을 제공하는 단계(S205)로부터 시작된다. 여기서 설정되는 패턴은 축들(모터들)의 오류를 잘 나타낼 수 있는 패턴일 수 있다. 설정되는 동작 패턴은 모든 축들의 움직임을 유발할 수 있는 거리가 긴 왕복 직선 패턴, 삼각형 패턴, 사각형 패턴 등일 수 있다. 중간 도달점은 도 1과 관련하여 전술한 중간 도달점들 중 어느 하나 또는 이들의 세부 중간 도달점들 중 어느 하나일 수 있다. 로봇(110)이 중간 도달점에 도달할 때 복수의 모터가 각각 가지게 되는 각도 값들은 역기구학에 근거하여 산출되거나 측정에 의해 제공될 수 있다. 단계(S210)에서는 로봇(110)이 정상 상태에서 동작 궤적을 따라 움직이도록 제어하면서 복수의 제1 궤적 데이터 세트를 획득한다. 여기서 정상 상태는 로봇(110)에 복수의 오류 없는 모터가 장착된 상태일 수 있다. 복수의 제1 궤적 데이터 세트는 로봇(110)이 동작 궤적을 따라 세부 경로 구간들을 이동할 때 획득된 데이터 세트들일 수 있다. 일 실시예에서 복수의 제1 궤적 데이터 세트의 개수는 1,000개 이상이다. 제1 궤적 데이터 세트의 일 실시예를 나타낸 아래의 표 1을 참조하면, 제1 궤적 데이터 세트는 제1 궤적 데이터 세트가 획득된 시점에서의 복수의 모터(조인트)의 각각의 각도 값 및 속도 또는 각속도 값에 관한 데이터를 포함할 수 있다.
[표 1]
표 1은 모터가 6개인 6축 로봇의 경우에 획득되는 제1 궤적 데이터 세트의 실시예를 예시한 것인데, 예시된 실시예에 따르면 제1 궤적 데이터 세트는 조인트 1번에서 조인트 6번까지의 모터들 각각의 현재 각도 값에 관한 데이터(Joint1 내지 Joint6) 및 현재 속도/각속도 값에 관한 데이터(Joint1Vel 내지 Joint6Vel)를 포함하고 있다. 표 1의 제1 궤적 데이터 세트는 로봇(110)이 정상 상태에 있을 때 획득된 데이터 세트임에 유의하여야 한다. 표 1에는 6축 로봇의 경우의 제1 궤적 데이터 세트를 나타내었지만, 본 기술 분야에 통상의 지식을 가진 자라면 4축 로봇이나 기타 다른 구조의 로봇에 대해서도 유사하게 제1 궤적 데이터 세트를 구성할 수 있음을 이해할 것이다. 또한 표 1은 단지 예시의 목적상 데이터를 서로 연관시켜 저장하는 방식을 개념적으로 나타낸 것일 뿐이고 표 1에 나타낸 사항이 저장된 데이터의 구조를 예시하거나 암시하는 것이 아님을 인식하여야 할 것이다.
단계(S215)에서는 로봇(110)이 복수의 모터 교체 상태에서 동작 궤적을 따라 움직이도록 제어하면서 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트를 획득한다. 여기서 복수의 모터 교체 상태의 각각은 로봇(110)에서 복수의 오류 없는 모터의 하나가 오류 있는 모터로 교체된 상태일 수 있다. 4축 로봇의 경우를 예로 들어 설명하면, 복수의 모터 교체 상태는 첫번째 모터가 오류 있는 모터로 교체되고 나머지 모터들이 오류 없는 정상적인 모터들인 제1 모터 교체 상태, 두번째 모터가 오류 있는 모터로 교체되고 나머지 모터들이 오류 없는 정상적인 모터들인 제2 모터 교체 상태, 세번째 모터가 오류 있는 모터로 교체되고 나머지 모터들이 오류 없는 정상적인 모터들인 제3 모터 교체 상태 및 네번째 모터가 오류 있는 모터로 교체되고 나머지 모터들이 오류 없는 정상적인 모터들인 제4 모터 교체 상태를 포함할 수 있다. 모터 교체 상태를 만들기 위해 실제로 오류가 있는 모터를 로봇(110)에 장착할 수도 있지만 시뮬레이션을 통하여 모터 또는 서보 드라이버 오류를 만들어서 모터 오류 상태로 만들 수 있다. 위 예의 경우를 빌어 제2 궤적 데이터 세트를 획득하는 과정을 상술하면, 먼저 로봇(100)이 제1 모터 교체 상태에서 동작 궤적을 따라 움직이도록 제어하면서 복수의 제2 궤적 데이터 세트를 획득한다. 본 개시에 있어서 이렇게 획득된 복수의 제2 궤적 데이터 세트를 제1 모터 교체 상태와 연관된 복수의 제2 궤적 데이터 세트라 한다. 로봇(100)이 제2 모터 교체 상태에서 동작 궤적을 따라 움직이도록 제어하면서 복수의 제2 궤적 데이터 세트를 획득한다. 본 개시에 있어서 이렇게 획득된 복수의 제2 궤적 데이터 세트를 제2 모터 교체 상태와 연관된 복수의 제2 궤적 데이터 세트라 한다. 로봇(100)이 제3 모터 교체 상태에서 동작 궤적을 따라 움직이도록 제어하면서 복수의 제2 궤적 데이터 세트를 획득한다. 본 개시에 있어서 이렇게 획득된 복수의 제2 궤적 데이터 세트를 제3 모터 교체 상태와 연관된 복수의 제2 궤적 데이터 세트라 한다. 마지막으로 로봇(100)이 제4 모터 교체 상태에서 동작 궤적을 따라 움직이도록 제어하면서 복수의 제2 궤적 데이터 세트를 획득한다. 본 개시에 있어서 이렇게 획득된 복수의 제2 궤적 데이터 세트를 제4 모터 교체 상태와 연관된 복수의 제2 궤적 데이터 세트라 한다. 일 실시예에서 각각의 모터 교체 상태에서 획득하는 복수의 제2 궤적 데이터 세트의 개수는 600개 이상일 수 있다. 제2 궤적 데이터 세트는 표 1에 나타낸 제1 궤적 데이터 세트와 유사하나 제2 궤적 데이터 세트는 복수의 모터들 중 어느 하나가 오류 모터인 모터 교체 상태에서 획득된 데이터 세트라는 점에 유념하여야 한다.
단계(S220)에서는 복수의 제1 궤적 데이터 세트 및 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트에 대해 전처리를 수행하여 학습 데이터를 구성한다. 이러한 전처리 단계를 수행함으로써 기계 학습 모델(116)에 대한 학습을 더욱 정확하게 할 수 있고 오류가 발생한 모터를 더욱 빨리 찾을 수 있게 된다. 먼저 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 과정을 아래의 표 2를 참조하여 설명하면 다음과 같다.
[표 2]
전처리 과정은 단계(S205)에서 설정된 중간 도달점을 지시하는 번호(Path) 및 로봇(110)이 중간 도달점에 도달할 때 복수의 모터가 각각 가지게 되는 각도 값들에 관한 데이터(targetJoint1 내지 targetJoint6)를 제1 궤적 데이터 세트에 추가하는 과정을 포함할 수 있다. 전처리 과정은 제1 궤적 데이터 세트가 획득된 순번을 나타내는 시퀀스번호(seqNum)를 해당 제1 궤적 데이터 세트에 추가하는 과정을 더 포함할 수 있다. 선택적으로 전처리 과정은 제1 궤적 데이터 세트에 포함된 복수의 모터의 각도 값들(Joint1 내지 Joint6)에서 로봇(100)이 중간 도달점에 도달할 때 복수의 모터가 가지게 되는 각도 값들(targetJoint1 내지 targetJoint6)을 각각 감산하여 얻은 차이 값들에 관한 데이터(diffJoint1 내지 diffJoint6)를 해당 제1 궤적 데이터 세트에 추가하는 과정을 더 포함할 수 있다. 전처리 과정은 해당 제1 궤적 데이터 세트가 정상 상태에서 획득된 것임을 지시하는 데이터(errorJoint)를 해당 제1 궤적 데이터 세트에 추가하는 과정을 더 포함할 수 있다. 일 실시예에서 제1 궤적 데이터 세트에 포함되는 errorJoint 값은 모두 0이다.
이제 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 과정을 위 표 2를 참조하여 설명하면 다음과 같다. 전처리 과정은 단계(S205)에서 설정된 중간 도달점을 지시하는 번호(Path) 및 로봇(110)이 중간 도달점에 도달할 때 복수의 모터가 각각 가지게 되는 각도 값들에 관한 데이터(targetJoint1 내지 targetJoint6)를 제2 궤적 데이터 세트에 추가하는 과정을 포함할 수 있다. 전처리 과정은 제2 궤적 데이터 세트가 획득된 순번을 나타내는 시퀀스번호(seqNum)를 해당 제2 궤적 데이터 세트에 추가하는 과정을 더 포함할 수 있다. 선택적으로 전처리 과정은 제2 궤적 데이터 세트에 포함된 복수의 모터의 각도 값들(Joint1 내지 Joint6)에서 로봇(100)이 중간 도달점에 도달할 때 복수의 모터가 가지게 되는 각도 값들(targetJoint1 내지 targetJoint6)을 각각 감산하여 얻은 차이 값들에 관한 데이터(diffJoint1 내지 diffJoint6)를 해당 제2 궤적 데이터 세트에 추가하는 과정을 더 포함할 수 있다. 전처리 과정은 해당 제2 궤적 데이터 세트가 복수의 모터 교체 상태 중 어느 모터 교체 상태에서 획득된 것인지를 지시하는 데이터(errorJoint)를 해당 제2 궤적 데이터 세트에 추가하는 과정을 더 포함할 수 있다. 일 실시예에서 제2 궤적 데이터 세트에 포함되는 errorJoint 값은 오류 모터를 지시하는 번호일 수 있다. 예컨대 세번째 모터에 오류가 있는 제3 모터 교체 상태에서 획득된 제2 궤적 데이터 세트에 포함된 errorJoint 값은 3일 수 있다.
단계(S225)에서는 단계(S220)에서 구성된 학습 데이터를 적어도 부분적으로 이용하여 기계 학습 모델(116)을 학습시킨다. 기계 학습 모델은 결정 트리(decision tree) 학습 모델, SVM(support vector machine) 학습 모델 또는 kNN(k-Nearest Neighbor) 학습 모델일 수 있다.
도 3은 본 개시에 따른 실시예들에 따라 학습된 기계 학습 모델을 이용하여 복수의 모터를 포함하는 로봇에서의 오류 모터를 식별하는 방법의 일 실시예를 설명하기 위한 흐름도를 도시한 도면이다.
본 오류 모터 식별 방법의 일 실시예는 로봇(100)이 동작하는 패턴을 설정하는 단계(S305)로부터 시작된다. 전술한 바와 같이 설정되는 패턴은 축들(모터들)의 오류를 잘 나타낼 수 있는 패턴일 수 있고, 모든 축들의 움직임을 유발할 수 있는 거리가 긴 왕복 직선 패턴, 삼각형 패턴, 사각형 패턴 등일 수 있다. 단계(S310)에서는 로봇(100)이 설정된 패턴에 따라 움직이도록 제어하면서 복수의 궤적 데이터 세트를 획득한다. 획득된 복수의 궤적 데이터 세트의 각각은, 표 1에 예시된 바와 같이 해당 궤적 데이터 세트가 획득된 시점에서의 복수의 모터의 각각의 각도 값 및 속도 또는 각속도 값에 관한 데이터를 포함할 수 있다. 단계(S315)에서는 복수의 궤적 데이터 세트의 각각에 대해 전처리를 수행하여 입력 데이터를 구성한다. 전처리를 수행하는 과정은, 표 2에 예시한 바와 같이 설정된 패턴에 따른 동작 궤적 상의 중간 도달점을 지시하는 번호 및 로봇(100)이 중간 도달점에 도달할 때 복수의 모터가 각각 가지게 되는 각도 값들에 관한 데이터를 궤적 데이터 세트에 추가하는 과정을 포함할 수 있다. 전처리를 수행하는 과정은, 표 2에 예시한 바와 같이 궤적 데이터 세트가 획득된 순번을 나타내는 시퀀스번호(seqNum)를 해당 궤적 데이터 세트에 추가하는 과정을 더 포함할 수 있다. 전처리를 수행하는 과정은, 표 2에 예시한 바와 같이 궤적 데이터 세트에 포함된 복수의 모터의 각도 값들에서 로봇(100)이 중간 도달점에 도달할 때 복수의 모터가 가지게 되는 각도 값들을 각각 감산하여 얻은 차이 값들에 관한 데이터를 해당 궤적 데이터 세트에 추가하는 과정을 더 포함할 수 있다. 단계(S320)에서는 입력 데이터를 기계 학습 모델(114)로 입력하여 기계 학습 모델(114)에서 출력 데이터가 제공되도록 제어한다. 여기서 출력 데이터는 복수의 모터 중 오류가 있는 모터의 번호를 포함할 수 있다. 사용자는 출력되는 번호를 참조하여 복수의 모터 중 어느 모터가 오류 모터인지를 식별할 수 있게 된다.
산업용 로봇이 거의 모든 공장에서 365일 24시간 체제로 끊임없이 운영되고 있는 상황에서 로봇의 고장 원인을 미리 발견하고 이에 대해 조치를 할 수 있다면 공장의 손실을 최소화할 수 있게 된다. 개시된 실시예들에 따라 기계 학습 모델을 학습시키고 학습된 기계 학습 모델을 이용하여 복수의 모터를 포함하는 로봇에서의 오류 모터를 식별하게 되면 로봇을 수리하는 시간을 줄일 수 있을 뿐만 아니라 수리에 드는 비용도 최소화할 수 있는 장점이 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
110: 로봇
112: 기계적 요소
114: 로봇 제어기
116: 기계 학습 모델

Claims (21)

  1. 복수의 모터를 포함하는 로봇(Robot)에서 오류 모터를 식별하기 위해 기계 학습 모델(machine learning model)을 학습시키는 방법으로서,
    상기 로봇이 동작하는 패턴 및 상기 패턴에 따른 동작 궤적 상의 중간 도달점을 설정하고 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 각각 가지게 되는 각도 값들을 제공하는 단계,
    상기 로봇이 정상 상태에서 상기 동작 궤적을 따라 움직이도록 제어하면서 복수의 제1 궤적 데이터 세트를 획득하는 단계,
    상기 로봇이 복수의 모터 교체 상태에서 상기 동작 궤적을 따라 움직이도록 제어하면서 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트를 획득하는 단계,
    상기 복수의 제1 궤적 데이터 세트 및 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트에 대해 전처리를 수행하여 학습 데이터를 구성하는 단계, 및
    상기 학습 데이터를 적어도 부분적으로 이용하여 상기 기계 학습 모델을 학습시키는 단계를 포함하는 기계 학습 모델 학습 방법.
  2. 제1항에 있어서,
    상기 정상 상태는 상기 로봇에 복수의 오류 없는 모터가 장착된 상태인, 기계 학습 모델 학습 방법.
  3. 제2항에 있어서,
    상기 복수의 제1 궤적 데이터 세트의 각각은 상기 해당 제1 궤적 데이터 세트가 획득된 시점에서의 상기 복수의 모터의 각각의 각도 값 및 속도 또는 각속도 값에 관한 데이터를 포함하는, 기계 학습 모델 학습 방법.
  4. 제3항에 있어서,
    상기 복수의 제1 궤적 데이터 세트 및 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트에 대해 전처리를 수행하여 학습 데이터를 구성하는 단계는, 상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계를 포함하고,
    상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 중간 도달점을 지시하는 번호 및 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들에 관한 데이터를 상기 해당 제1 궤적 데이터 세트에 추가하는 단계를 포함하는, 기계 학습 모델 학습 방법.
  5. 제4항에 있어서,
    상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제1 궤적 데이터 세트가 획득된 순번을 나타내는 시퀀스번호(seqNum)를 상기 해당 제1 궤적 데이터 세트에 추가하는 단계를 더 포함하는, 기계 학습 모델 학습 방법.
  6. 제5항에 있어서,
    상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제1 궤적 데이터 세트에 포함된 상기 복수의 모터의 각도 값들에서 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들을 각각 감산하여 얻은 차이 값들에 관한 데이터를 상기 해당 제1 궤적 데이터 세트에 추가하는 단계를 더 포함하는, 기계 학습 모델 학습 방법.
  7. 제6항에 있어서,
    상기 복수의 제1 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제1 궤적 데이터 세트가 상기 정상 상태에서 획득된 것임을 지시하는 데이터를 상기 해당 제1 궤적 데이터 세트에 추가하는 단계를 더 포함하는, 기계 학습 모델 학습 방법.
  8. 제1항에 있어서,
    상기 복수의 모터 교체 상태의 각각은 상기 로봇에서 상기 복수의 오류 없는 모터의 하나가 오류 있는 모터로 교체된 상태인, 기계 학습 모델 학습 방법.
  9. 제8항에 있어서,
    상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트의 각각은 상기 해당 제2 궤적 데이터 세트가 획득된 시점에서의 상기 교체된 오류 있는 모터를 포함하는 복수의 모터의 각각의 각도 값 및 속도 또는 각속도 값에 관한 데이터를 포함하는, 기계 학습 모델 학습 방법.
  10. 제9항에 있어서,
    상기 복수의 제1 궤적 데이터 세트 및 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트에 대해 전처리를 수행하여 학습 데이터를 구성하는 단계는, 상기 복수의 모터 교체 상태의 각각과 연관된 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계를 포함하고,
    상기 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 중간 도달점을 지시하는 번호 및 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들에 관한 데이터를 상기 해당 제2 궤적 데이터 세트에 추가하는 단계를 포함하는, 기계 학습 모델 학습 방법.
  11. 제10항에 있어서,
    상기 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제2 궤적 데이터 세트가 획득된 순번을 나타내는 시퀀스번호를 상기 해당 제2 궤적 데이터 세트에 추가하는 단계를 더 포함하는, 기계 학습 모델 학습 방법.
  12. 제11항에 있어서,
    상기 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제2 궤적 데이터 세트에 포함된 상기 복수의 모터의 각도 값들에서 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들을 각각 감산하여 얻은 차이 값들에 관한 데이터를 상기 해당 제2 궤적 데이터 세트에 추가하는 단계를 더 포함하는, 기계 학습 모델 학습 방법.
  13. 제12항에 있어서,
    상기 복수의 제2 궤적 데이터 세트의 각각에 대해 전처리를 수행하는 단계는, 상기 해당 제2 궤적 데이터 세트가 상기 복수의 모터 교체 상태 중 어느 모터 교체 상태에서 획득된 것인지를 지시하는 데이터를 상기 해당 제2 궤적 데이터 세트에 추가하는 단계를 더 포함하는, 기계 학습 모델 학습 방법.
  14. 제1항에 있어서,
    상기 기계 학습 모델은 결정 트리(decision tree) 학습 모델, SVM(support vector machine) 학습 모델 또는 kNN(k-Nearest Neighbor) 학습 모델인, 기계 학습 모델 학습 방법.
  15. 제1항 내지 제14항 중 어느 한 항의 기계 학습 모델 학습 방법에 의해 학습된 기계 학습 모델을 이용하여 복수의 모터를 포함하는 로봇에서의 오류 모터를 식별하는 방법으로서,
    상기 로봇이 동작하는 패턴을 설정하는 단계,
    상기 로봇이 상기 설정된 패턴에 따라 움직이도록 제어하면서 복수의 궤적 데이터 세트를 획득하는 단계,
    상기 복수의 궤적 데이터 세트의 각각에 대해 전처리를 수행하여 입력 데이터를 구성하는 단계, 및
    상기 입력 데이터를 상기 기계 학습 모델로 입력하여 상기 기계 학습 모델에서 출력 데이터가 제공되도록 제어하는 단계를 포함하는, 오류 모터 식별 방법.
  16. 제15항에 있어서,
    상기 복수의 궤적 데이터 세트의 각각은 상기 해당 궤적 데이터 세트가 획득된 시점에서의 상기 복수의 모터의 각각의 각도 값 및 속도 또는 각속도 값에 관한 데이터를 포함하는, 오류 모터 식별 방법.
  17. 제16항에 있어서,
    상기 복수의 궤적 데이터 세트의 각각에 대해 전처리를 수행하여 입력 데이터를 구성하는 단계는, 상기 설정된 패턴에 따른 동작 궤적 상의 중간 도달점을 지시하는 번호 및 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 각각 가지게 되는 각도 값들에 관한 데이터를 상기 해당 궤적 데이터 세트에 추가하는 단계를 포함하는, 오류 모터 식별 방법.
  18. 제17항에 있어서,
    상기 복수의 궤적 데이터 세트의 각각에 대해 전처리를 수행하여 입력 데이터를 구성하는 단계는, 상기 해당 궤적 데이터 세트가 획득된 순번을 나타내는 시퀀스번호(seqNum)를 상기 해당 궤적 데이터 세트에 추가하는 단계를 더 포함하는, 오류 모터 식별 방법.
  19. 제18항에 있어서,
    상기 복수의 궤적 데이터 세트의 각각에 대해 전처리를 수행하여 입력 데이터를 구성하는 단계는, 상기 해당 궤적 데이터 세트에 포함된 상기 복수의 모터의 각도 값들에서 상기 로봇이 상기 중간 도달점에 도달할 때 상기 복수의 모터가 가지게 되는 각도 값들을 각각 감산하여 얻은 차이 값들에 관한 데이터를 상기 해당 궤적 데이터 세트에 추가하는 단계를 더 포함하는, 오류 모터 식별 방법.
  20. 제15항에 있어서,
    상기 출력 데이터는 상기 복수의 모터 중 오류가 있는 모터의 번호를 포함하는, 오류 모터 식별 방법.
  21. 제1항 내지 제14항의 방법 중 어느 하나의 방법을 실행하기 위한, 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020220013471A 2021-12-20 2022-01-28 산업용 로봇에서의 오류 모터를 식별하기 위해 기계 학습 모델을 학습시키는 방법 KR102633114B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210182785 2021-12-20
KR1020210182785 2021-12-20

Publications (2)

Publication Number Publication Date
KR20230094088A KR20230094088A (ko) 2023-06-27
KR102633114B1 true KR102633114B1 (ko) 2024-02-05

Family

ID=86946969

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220013471A KR102633114B1 (ko) 2021-12-20 2022-01-28 산업용 로봇에서의 오류 모터를 식별하기 위해 기계 학습 모델을 학습시키는 방법

Country Status (1)

Country Link
KR (1) KR102633114B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738344B (zh) * 2023-08-14 2023-10-31 北京奔驰汽车有限公司 一种基于物联网大数据的工业机器人故障预测方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008097363A (ja) * 2006-10-12 2008-04-24 Okuma Corp 異常診断方法及びその装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10315173A (ja) * 1997-05-13 1998-12-02 Sankyo Seiki Mfg Co Ltd ロボットの異常検出装置
KR102331463B1 (ko) * 2019-12-19 2021-11-29 울랄라랩 주식회사 이송장치를 구동하는 모터에 관한 머신러닝 기반 예지보전방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008097363A (ja) * 2006-10-12 2008-04-24 Okuma Corp 異常診断方法及びその装置

Also Published As

Publication number Publication date
KR20230094088A (ko) 2023-06-27

Similar Documents

Publication Publication Date Title
US10317854B2 (en) Machine learning device that performs learning using simulation result, machine system, manufacturing system, and machine learning method
CN110355751B (zh) 控制装置和机器学习装置
US10207406B2 (en) Robot trajectory generation method, robot trajectory generation apparatus, product fabrication method, recording medium, program, and robot system
US9671777B1 (en) Training robots to execute actions in physics-based virtual environment
JP6950347B2 (ja) 情報処理装置、情報処理方法およびプログラム
US20180036882A1 (en) Layout setting method and layout setting apparatus
CN102245356B (zh) 用于生产中优化用于组装的机器人的参数的方法和系统
JP7387920B2 (ja) ロボットを制御するための方法及びロボットコントローラ
JP2019159697A (ja) 制御システムおよび制御方法
Swartling et al. Collective circumnavigation
JP2006302282A (ja) ロボットプログラムの最適化方法及びロボット制御システム
KR102633114B1 (ko) 산업용 로봇에서의 오류 모터를 식별하기 위해 기계 학습 모델을 학습시키는 방법
US11754990B2 (en) Edge computing device with artificial intelligence model for emulating control logic of a programmable logic controller
US20220339787A1 (en) Carrying out an application using at least one robot
CN111123943A (zh) 一种基于伪逆约束的超冗余机器人轨迹规划方法及系统
US11803178B2 (en) Event estimation system and event estimation method
US11900244B1 (en) Attention-based deep reinforcement learning for autonomous agents
KR20220101650A (ko) 기계 배열체의 제어 및 모니터링
Beik Mohammadi et al. Mixed-reality deep reinforcement learning for a reach-to-grasp task
US20210129331A1 (en) Control method, control apparatus, robot apparatus, method of manufacturing an article, motion program creation method, motion program creation apparatus, display apparatus, and control program recording medium
EP3900887A1 (en) Robot collision detection using cascading variational autoencoder
WO2019021045A1 (en) METHOD AND SYSTEM FOR ACTION OF AN INDUSTRIAL ROBOT BASED ON A PARAMETER
CN117348577B (zh) 一种生产工艺仿真检测方法、装置、设备以及介质
KR102537633B1 (ko) 조립 설명서로부터 로봇 작업 계획 생성 방법 및 장치
US20210382467A1 (en) Inspection system, terminal device, inspection method, and non-transitory computer readable storage medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant