top of page
検索

Publisher: IEEE 英語論文読解(メモ書き)

DeepLに助けてもらいながら英論読解.

モデルベースの技術は、ロボットの特定の故障を予測するのに優れた性能を持っているため、開発されてきました。しかし、ロボットのための正確な数学的なモデルを構築する必要があり、そのためには領域の知識が必要となり、パラメータの調整に多くの時間が必要となります。

一方，データ駆動型アプローチは，ロボットに関する事前知識を必要とせず，収集したデータから完全に故障を検出することができるため，より魅力的なアプローチとなります．データ駆動型アプローチの中でも、監視付き手法と非スーパービステッド手法の両方が異常検出のために検討されてきました。

しかし、データ駆動型アプローチの主な課題は、十分な断層データの取得と正確なラベリングデータの取得が困難であることです。 また，ロボットの異常検知には，収集した時系列データの時間依存性だけでなく，異なるメトリクス間の相関関係を捉える機能も必要となります．

異常検知の課題

  • 非常にアンバランスなデータセット。産業用ロボットはほとんどの場合正常な状態にあるため，異常サンプルの数は非常に限られている．また、産業用ロボットの故障事例を記録することは、コストがかかり危険です。

  • ロボットデータの一過性の非定常性 [14]。ロボットの各関節は異なる の角度を変えたり、ロボットの動きによって異なる電流を必要としたりします。また、ロボットの機械部品や電気部品から発せられる信号は、大きな変動を伴う過渡的なものである可能性が高いです。

  • リアルタイム応答の必要性。上述したように、ロボットの故障は大惨事につながる可能性があります。そのため，オンラインで異常を検出して，できるだけ早く対応できるようにする必要があります．

モデルベースのアプローチは、産業用ロボットの異常検知に一般的に使用されています。これらの技術は、いくつかの推定値を予測するために、ロボットの正確なモデルを確立するために必要とされます。推定値と測定値の間の偏差、いわゆる残差は、産業用ロボットの故障検出のために処理されます。これらの方法はロボットシステムの事前知識に基づいているため、前述の問題はこれらの方法にはほとんど影響を与えません。しかしながら，正確なモデルを得るためには，明示的な領域知識が必要であり，時間のかかる作業である．また，モデルベースの手法の場合，モデルの精度に影響を受けやすい． そこで、データ駆動型の手法を用いることにした。データ駆動型アプローチはモデルベースの手法に比べて制約が少なく、関心が高まっている。データ駆動型アプローチは、大きく分けて3つの手法に分けられる。統計的手法、信号分析に基づく手法、機械学習に基づく手法である。

統計的手法は、その計算効率の高さから頻繁に使用されています。統計的手法は，過去のデータの分布から乖離したデータポイントを検出します．ロボットに用いられるこれらの手法には，統計的制御図（SCC）[9]，主成分分析（PCA）ベースの手法[10]，偏最小二乗（PLS）ベースの手法[11]などがあります．しかし，これらの手法の多くは，故障を検出する前にすべてのデータを蓄積する必要があり，リアルタイムの異常検出には不向きである．さらに、これらの手法は、正規データが既知の分布から生成されることを前提としている。

もう一つの一般的な産業用ロボットの異常検出方法は信号解析法である。電流センサ[12]，音響センサ[13]，加速度センサ[14]のような付加的なセンサを用いることで，フーリエ変換やウェーブレット変換のような積分変換形式に基づくこれらの手法は，変換された領域の信号の特徴を容易に抽出することができる．しかし、信号解析法の最大の限界は、一次元の信号しか扱えないことである。多変量信号の場合は、信号を個別に処理する必要があります。た、追加センサを使用して異常検出を実行することは、コストと複雑さを増し、余分なスペースを必要とするため、多くの産業環境では実現不可能である。さらに、追加センサの中には、センサの位置や環境ノイズの影響を受けやすいものもある。 異常検出のための機械学習ベースの手法が広く注目されていますが、その理由は、データ自体から基本的なルールを自動的に導き出すことができるからです。機械学習ベースの手法には、超主観的な手法と教師なしの手法があります。分類ベースの手法 [18] のような教師付き手法は、十分な量の正常データと異常データを含むラベル付けされたデータが大量にある場合にのみ実行可能である。 そのため、教師なし手法が望まれている。

本研究では，産業用ロボットの時系列効果を考慮した異常検出を実現するために，スライディングウィンドウ畳み込み変分自動エンコーダー(SWCVAE)を用いた教師なしオンライン異常検出手法を紹介する．本研究では、ロボットコントローラから入力データを収集することで、余分なセンサを設置することなく、ロボットコントローラから入力データを収集することが可能であることを示した。また，モデルベースの手法と比較して，ロボットシステムに関する知識を必要としない．さらに，空間的な異常のみに着目した教師なし手法とは異なり，時系列データを扱うことで，データの空間的・時間的な異常を検出することができるため，反復作業時のワークフローの逸脱を認識するのに役立つ可能性がある．


コメント

bottom of page