Condition Based Maintenance framework for Collaborative Robots incorporating Human In The Loop

In the context of Industry 4.0, optimizing manufacturing operations requires innovative maintenance strategies. This master's thesis builds upon an existing condition-based-maintenance framework for a collaborative robot, enhancing its accuracy, and adaptability within industrial settings by focusing on incorporating supervised machine learning and Human in the Loop(HITL). The framework's innovation starts from the transformation of its core algorithms from unsupervised to supervised machine learning. Utilizing a Multilayer Perceptron neural network, Support Vector Machine, and Random Forest Classifier, improving classification scores for trajectory identification, health state assessment, and failure mode identification. The integration of advanced hyperparameter tuning techniques further refines the framework's predictive precision. A central advancement is the introduction of real-time component, in which the human-in-the-loop (HILT) validation using entropy as a criterion. By fusing expert insights into the process when the algorithm deems it necessary, the framework becomes a dynamic, adaptable tool that accommodates shifting manufacturing dynamics. HILT enriches trajectory identification and health state assessment, enabling real-time root cause analysis and predictive maintenance interventions. Utilizing the dataset gathered at the Industry 4.0 laboratory located in the School Of Management that pertains to a Franka Emika’s Panda collaborative robot, simulating it’s several trajectories of operation, health states and failures modes enables the study, development, and assessment of the framework. Summarizing, this thesis work proposes improvements on the preceding framework in its underlying components and introduces a whole new component for its evaluation on a simulated real-time operating environment for a collaborative robot.

Nel contesto dell'Industria 4.0, l'ottimizzazione delle operazioni di produzione richiede strategie di manutenzione innovative. Questa tesi di master si basa su un framework di manutenzione basato sulle condizioni esistente per un robot collaborativo, migliorandone l'accuratezza e l'adattabilità all'interno di contesti industriali, concentrandosi sull'incorporazione del machine learning supervisionato e dello Human in the Loop (HITL). L'innovazione del framework parte dalla trasformazione dei suoi algoritmi principali da machine learning non supervisionato a supervisionato. Utilizzando una rete neurale Multilayer Perceptron, una Support Vector Machine e un classificatore Random Forest, si migliorano i punteggi di classificazione per l'identificazione della traiettoria, la valutazione dello stato di salute e l'identificazione della modalità di guasto. L'integrazione di tecniche avanzate di regolazione degli iperparametri perfeziona ulteriormente la precisione predittiva del framework. Un progresso centrale è l'introduzione della componente in tempo reale, in cui lo Human in the Loop (HILT) convalida utilizzando l'entropia come criterio. Fondendo le intuizioni degli esperti nel processo quando l'algoritmo lo ritiene necessario, il framework diventa uno strumento dinamico e adattabile che si adatta alle mutevoli dinamiche di produzione. HILT arricchisce l'identificazione delle traiettorie e la valutazione dello stato di salute, consentendo l'analisi delle cause principali in tempo reale e gli interventi di manutenzione predittiva. Utilizzando il dataset raccolto presso il laboratorio Industry 4.0 della School Of Management e relativo a un robot collaborativo Panda di Franka Emika, la simulazione di diverse traiettorie di operazione, stati di salute e modalità di guasto consente di studiare, sviluppare e valutare il framework. Riassumendo, questo lavoro di tesi propone miglioramenti al precedente framework nelle sue componenti di base e introduce una componente nuova per la sua valutazione su un ambiente operativo simulato in tempo reale per un cobot. Parole chiave: Condition-Based Maintenance, Robot Collaborativo, Supervised Machine Learning, Human-In-The-Loop, Industria 4.0.