Riassunto analitico
Questa tesi si concentra sull’applicazione di varie tecniche di machine learning (ML) per
migliorare l’affidabilità complessiva del controllo di un wheeled mobile robot (WMR) durante un esperimento. L’intero sistema è costituito da un WMR che rappresenta il dispositivo hardware, fornito dall’azienda "Quanser", e da un relativo modello software che rappresenta il Digital Twin del dispositivo. Tale Digital Twin. che era già stato sviluppato in Simulink dall’azienda stessa, ha lo scopo di controllare la simulazione in
tempo reale del robot.
Avendo come obiettivo principale una soddisfacente riproduzione dei segnali provenienti dal sensore del paraurti, si sono analizzati i dati provenienti da varie simulazioni e sono stati sviluppati in Python diversi modelli di ML in grado di identificare sia le collisioni, sia la loro durata. Alla fine di questa fase è stato selezionato il modello di ML con la maggiore performance, dove in seguito è stato identificato un modello di rete neurale come il più accurato a riprodurre il comportamento del sensore. Modellando in modo appropriato il problema, la rete neurale così ottenuta è stata quindi esportata sul Digital
Twin del robot in Simulink, consentendo a tal proposito di verificare le prestazioni del modello in tempo reale durante la simulazione.
Poiché è logico supporre che i sensori possano perdere la loro capacità di funzionare correttamente dopo un certo periodo di tempo, i modelli di ML sviluppati mirano a riprodurre correttamente il loro funzionamento durante una simulazione in tempo reale.
Il fine è stato quindi aver ottenuto dei segnali dal modello di rete neurale, che durante la simulazione funzionassero in parallelo con gli output dei sensori del paraurti stesso.
In questo modo si sono ottenuti due segnali che rappresentano lo stesso tipo di evento, con lo scopo di percepire i sensori del robot come se non fossero interessati da potenziali guasti al materiale, rendendo il sistema più flessibile e duraturo nel tempo.
L’obiettivo principale di questo lavoro è stato quindi quello di evitare il malfunzionamento del sensore del paraurti del robot e di consentire al dispositivo stesso di reagire in modo appropriato anche in conseguenza di tali circostanze. Infine, questo modello di
ML creato e integrato nel Digital Twin del robot, potrebbe risultare importante nelle applicazioni industriali dei WMR, in quanto i sensori di quest’ultimo potrebbero presentare il rischio di smettere di funzionare come dovrebbero, causando tempi di inattività
(downtime) e potenziali pericoli per le persone che si trovino a lavorare nelle loro vicinanze. I risultati finali dimostrano chiaramente come l’applicazione di algoritmi di ML nel campo del controllo meccatronico possano portare a miglioramenti significativi in termini di sicurezza e affidabilità
|
Abstract
This thesis focuses on the application of various machine learning (ML) techniques to improve the overall dependability of a wheeled mobile robot (WMR) control during a real-time simulation. The whole system consists on a WMR, provided by the company ’Quanser’, and a related ground station that represents a Digital virtual twin of the device, which aims to control the real-time simulation of the robot. The control model of the WMR had already been developed in Simulink, where it was possible to immediately carry out various experiments in order to gain some insights into possible improvements to make the whole system safer and more reliable, which is the aim of this work. This was done by first extracting a large dataset containing all the signals that occurred during the simulation. After analyzing the data, different ML models were developed in Python that were able to identify collisions and their duration. At the end of this step, the ML model with the highest score was selected and, as a result, a neural network model was identified as the best one. The neural network was then exported to the robot’s Simulink Digital twin, allowing the model’s performance to be verified in real-time during the simulation. The main objective of this work was to prevent the robot from malfunctioning and to enable the bumper to react appropriately even in such situations. Since it makes sense that the sensors would lose their ability to work properly after a certain period of time, the ML models developed aim to work in a real-time simulation in parallel with the standard model, which includes the output of the sensors, in order to make the device more resistant to sudden failures and able to act as if these failures were not occurring. In industrial applications, the robot’s sensors may stop working as they should, causing downtime and potential hazards to nearby workers. In this way, it was possible to make the robot’s bumper sensors more reliable and safer, behaving as if they were not affected by these faults, making the system more flexible and durable. The final results clearly show how the application of ML algorithms in the field of robot control can lead to significant improvements in safety and reliability.
|
