Collaborative robots maintenance and AI algorithms for trajectory identification in cobots

The new development of the industrial world is undergoing a transformation in paradigm from the automation industrial revolution Industry 4.0 to the Industry 5.0 paradigm, which is more human-friendly and sustainable. In this changing environment, collaborative robots also called cobots have become one of the key solutions in flexible, safe, and intelligent manufacturing. This thesis explores the integration of artificial intelligence (AI) into the condition-based maintenance of collaborative robots (cobots). The thesis is structured in two main parts. First, a systematic literature review (SLR) was conducted in order to evaluate recent progress in the condition-based maintenance for cobots. Following PRISMA guidelines, the final selected articles were 14 articles that published since 2019 and they were categorized into three main Areas: fault and anomaly detection, human-robot collaborative maintenance, and prognostics and health management (PHM) and predictive maintenance (PM). The second part of the thesis presents the analysis and evaluation of three AI algorithms model; Bayesian Neural Networks (BNN), Monte Carlo Dropout, and Deep Ensembles, for trajectory identification in cobots under both healthy and faulty conditions. integrating epistemic uncertainty that measures through predictive entropy using an IQR threshold (tau1) to distinguish know trajectories (classes 0 1 and 2) and unknown trajectories (class3), thereby improving model reliability and safety in dynamic industrial environments. The results proved that all three algorithms can effectively identify known trajectories while flagging unknown trajectories using an entropy threshold. Deep Ensembles and BNN achieved the highest average accuracy of 90.8% and 90.7% respectively, while Monte Carlo Dropout achieved the least average accuracy of 89.7%.

Il nuovo sviluppo del mondo industriale sta vivendo una trasformazione di paradigma, passando dalla rivoluzione industriale dell’automazione dell’Industria 4.0 al paradigma dell’Industria 5.0, più orientato all’uomo e alla sostenibilità. In questo contesto in evoluzione, i robot collaborativi, noti anche come cobot, stanno emergendo come una delle soluzioni chiave per una produzione flessibile, sicura e intelligente. Questa tesi esplora l’integrazione dell’intelligenza artificiale (AI) nella manutenzione basata sulle condizioni (condition-based maintenance) dei robot collaborativi. La tesi è strutturata in due parti principali. Nella prima parte è stata condotta una revisione sistematica della letteratura (Systematic Literature Review, SLR) al fine di valutare i recenti progressi nella manutenzione basata sulle condizioni per i cobot. Seguendo le linee guida PRISMA, sono stati selezionati 14 articoli pubblicati a partire dal 2019, classificati in tre aree principali: rilevamento di guasti e anomalie, manutenzione collaborativa uomo-robot, e gestione della salute e prognostica (PHM) e manutenzione predittiva (PM). La seconda parte della tesi presenta l’analisi e la valutazione di tre modelli di algoritmi di intelligenza artificiale: Reti Neurali Bayesiane (BNN), Monte Carlo Dropout e Deep Ensemble, per l’identificazione delle traiettorie nei cobot in condizioni sia normali che di guasto. È stata integrata l’incertezza epistemica, misurata attraverso l’entropia predittiva utilizzando una soglia basata sull’intervallo interquartile (tau1), al fine di distinguere tra traiettorie note (classi 0, 1 e 2) e traiettorie sconosciute (classe 3), migliorando così l’affidabilità e la sicurezza del modello in ambienti industriali dinamici. I risultati hanno dimostrato che tutti e tre gli algoritmi sono in grado di identificare efficacemente le traiettorie note e di segnalare quelle sconosciute tramite una soglia di entropia. I modelli Deep Ensemble e BNN hanno raggiunto la massima accuratezza media, rispettivamente del 90,8% e 90,7%, mentre il Monte Carlo Dropout ha ottenuto un’accuratezza media inferiore, pari all’89,7%.