Detecção de anomalias de posicionamento em robôs industriais utilizando aprendizado de máquina

Abstract

Em razão da grande ascensão dos robôs no âmbito industrial mundial, tais equipamentos se tornaram fundamentais para o atingimento das metas diárias de produtividade e qualidade de uma planta fabril. Uma falha ou anomalia que por ventura venha ocorrendo com a máquina, mesmo que sútil, pode levar a uma grande parada de uma máquina ou até mesmo uma linha produtiva. Nesse âmbito, o estudo de detecção prévia de anomalias em robôs se torna apropriado para a manutenção preventiva planejada, a continuidade da produção e a longevidade do equipamento, sendo esse o principal objetivo deste trabalho. A metodologia utilizada compreendeu a construção de um dataset inicial com anomalias de posicionamento artificialmente geradas em um robô de uma linha de produção real. Através de uma análise inicial dos dados, algumas informações puderam ser filtradas logo no início do estudo, resultando na escolha das características de amplitude e desvio padrão de algumas das variáveis escolhidas para analise. A partir desses dados, o modelo Isolation Forest foi selecionado para operar como detector de anomalias. Foram feitas duas tratativas do dataset, devido ao desbalanceamento de classes e quantidades de amostras por produto, sendo gerados modelos por produtos e um modelo genérico tendo como característica o tipo de produto. Realizando um comparativo qualitativos das métricas entre os modelos individuais e o modelo genérico, percebeu-se que este último apresentou um desempenho superior a todos os modelos individuais em todas as métricas avaliadas, atingindo os resultados de Precision igual a 1, Recall igual a 0,952 e F1-Score igual a 0,975. Considerando o dataset com um total de 6516 amostras, dessas 274 com a presença de algum tipo de anomalia, teve-se como resultado apenas 13 casos de anomalias classificadas de forma errada. Este modelo também foi implementado no CLP da máquina, permitindo avaliação contínua das falhas do robô. Dessa forma, este trabalho demonstrou a viabilidade de detecção de anomalias em um cenário real de produção.