Unsupervised condition-based maintenance and health assessment framework of an articulated collaborative robot

Nowadays, the new paradigm of Industry 4.0 is spreading at an increasing pace in the industrial world, enabling the growing adoption of technologies and techniques to boost competitiveness. Preventive maintenance is one of the key applications of such technologies in the Industry 4.0 transformation. Moreover, thanks to the predictive capabilities offered by the emerging smart data analytics, data-driven approaches for condition monitoring are becoming widely adopted for the early detection of anomalies in assembly systems and equipment. Robots are the most explored assembly assets thanks to their great flexibility, while collaborative robots (cobots) have never been addressed by specific researches in the analysed literature. In this perspective, the purpose of the thesis is to investigate unsupervised learning techniques for developing a data-driven condition-based maintenance model of a cobot which relies just on its actual sensorization system. Differently from other publications in literature, the focus of the proposed framework is on the cobot as a whole and not just on a component, and it has been developed to be as scalable as possible to other industrial applications since scientific research lacks real applications. The proposed framework has a hierarchical structure including three main models. It has been assessed in the Industry 4.0 Laboratory of Politecnico di Milano in order to evaluate its feasibility and performances. The framework is fully automatic, and it relies on two clustering models and a neural network autoencoder. The first model is intended to recognize the trajectories of each cobot’s working cycle and then, to discard those trajectories which are unknown for maintenance purposes. Subsequently, just known trajectories are fed to the autoencoder, which is exploited to identify the health state of each cycle. Finally, the last clustering algorithm, classifies unhealthy cycles according to the specific failure mode. The relative performances of all the 3 models, measured exploiting the confusion matrix, are all above 90%. Data about working cycles have been collected directly by the authors and failure modes have been induced without compromising cobot’s functionality in order to simulate a realistic degradation step.

Il concetto di Industria 4.0 si sta diffondendo rapidamente all’interno del mondo industriale, incentivando l’adozione e lo sviluppo di nuove tecnologie e tecniche per aumentare la competitività. La manutenzione preventiva si basa sull’applicazione di tali tecnologie durante la trasformazione 4.0. In particolare, grazie all’analisi dei dati in tempo reale, gli approcci data-driven per il monitoraggio delle condizioni operative degli asset, stanno diventando largamente utilizzati per l’identificazione precoce delle anomalie nei sistemi di assemblaggio. Attualmente i robot sono gli asset più analizzati nel campo dell’assemblaggio in quanto offrono un elevato grado di flessibilità, mentre i robot collaborativi (cobot) non sono mai stati l’obiettivo di ricerche specifiche nella letteratura analizzata. L’ambizione della tesi è quindi quella di investigare le tecniche di unsupervised learning per sviluppare un modello di manutenzione secondo condizione di un cobot basandosi sul suo sistema di controllo e sui sensori già presenti. Diversamente dalla maggior parte delle pubblicazioni nello stato dell’arte, il framework proposto analizza le condizioni dell’intero cobot e non soltanto quelle di un componente ed è stato ideato per essere facilmente scalabile ad altre applicazioni industriali, dato che l’attuale ricerca scientifica manca di applicabilità in contesti reali. Il framework proposto ha una struttura gerarchica su tre livelli, ad ognuno dei quali corrisponde uno specifico modello. La valutazione della sua applicabilità e delle sue prestazioni è stata effettua presso il Laboratorio di Industria 4.0 del Politecnico di Milano. I modelli di intelligenza artificiale utilizzati sono due algoritmi di clustering ed un autoencoder interconnessi e funzionanti in modo automatico. Il primo modello è utilizzato per riconoscere le traiettorie eseguite dal cobot, così che i cicli relativi a traiettorie non note per scopi manutentivi possano essere scartate. Poi i cicli appartenenti alle sole traiettorie note sono analizzati tramite l’autoencoder, che riconosce lo stato di salute durante ogni ciclo di lavoro e di conseguenza permette di separare i cicli in buona salute da quelli in stato di guasto. Infine, l’ultimo algoritmo di clustering viene utilizzato per classificare i cicli in stato di guasto in base alla loro specifica modalità di guasto. Le prestazioni relative di tutti i modelli sono risultate al di sopra del 90%, misurandole attraverso lo strumento della confusion matrix. Per valutare il framework, i dati relativi ai cicli di lavoro sono stati raccolti durante un’apposita campagna sperimentale e i modi di guasto sono stati indotti senza compromettere le funzionalità del robot ma in modo da simulare un degradamento realistico delle condizioni di salute.