Seq2Seq 모델 기반의 로봇팔 고장예지 기술

Seq2Seq model-based Prognostics and Health Management of Robot Arm

Abstract

본 논문에서는 인공신경망(Artificial Neural Network) 모델 중, 시계열 데이터의 변환을 위한 모델인 Seq2Seq(Sequence to Sequence) 모델을 이용한 산업용 로봇 고장 예지 기술에 대하여 제안한다. 제안 방법은 고장 예지를 위한 추가적인 센서의 부착 없이 로봇 자체적으로 측정 가능한 관절 별 전류와 각도 값을 데이터로 사용하였고, 측정된 데이터를 모델이 학습할 수 있도록 전처리한 후, Seq2Seq 모델을 통해 전류를 각도로 변환하도록 지도 학습 하였다. 고장 진단을 위한 이상 정도(Abnormal degree)는 예측 각도와 실제 각도 간의 단위시간 동안의 RMSE(Root Mean Squared Error)를 사용하였다. 제안 방법의 성능평가는 로봇의 정상 및 결함 조건을 달리한 상태에서 측정한 테스트 데이터를 이용하여 수행되었고 이상 정도가 임계값 넘어가면 고장으로 분류하게 하여, 실험으로부터 96.67% 고장 진단 정확도를 보였다. 제안 방법은 별도의 추가적인 센서 없이 고장 예지 수행이 가능하다는 장점이 있으며, 로봇에 대한 깊은 전문지식을 요구하지 않으면서 수행할 수 있는 방법으로 높은 진단 성능과 효용성을 실험으로부터 확인하였다.

In this paper, we propose a method to predict the failure of industrial robot using Seq2Seq (Sequence to Sequence) model, which is a model for transforming time series data among Artificial Neural Network models. The proposed method uses the data of the joint current and angular value, which can be measured by the robot itself, without additional sensor for fault diagnosis. After preprocessing the measured data for the model to learn, the Seq2Seq model was trained to convert the current to angle. Abnormal degree for fault diagnosis uses RMSE (Root Mean Squared Error) during unit time between predicted angle and actual angle. The performance evaluation of the proposed method was performed using the test data measured under different conditions of normal and defective condition of the robot. When the Abnormal degree exceed the threshold, it was classified as a fault, and the accuracy of the fault diagnosis was 96.67% from the experiment. The proposed method has the merit that it can perform fault prediction without additional sensor, and it has been confirmed from the experiment that high diagnostic performance and efficiency are available without requiring deep expert knowledge of the robot.

그림 1. 산업용 6축 로봇팔 Fig. 1. Industrial six-axis robot arm

그림 2. 큰 잡음 데이터(Outlier) 제거 Fig. 2. Remove outlier

그림 3. Median 필터 적용 및 리샘플링 Fig. 3. Applying median filters and resampling

그림 4. 공분산 행렬 Fig. 4. Covariance matrix

그림 5. 산업용 로봇팔의 작동원리 Fig. 5. Operation principle of industrial robot arm

그림 6. (5)번 축 전류-각도 그래프 Fig. 6. Axis 5 current-angle graph

그림 7. LSTM 모델 구조 Fig. 7. Structure of LSTM

그림 9. Seq2Seq 모델의 전류-각도 변환 학습 Fig. 9. Seq2Seq model learning current-to-angle conversion

그림 10. 로봇 상태별 이상 정도 비교 Fig. 10. Comparison of abnormal degree ​for each state of robot

그림 11. 성능 평가 방법론 Fig. 11. Performance evaluation methodology

그림 12. 혼동 행렬 및 정확도 Fig. 12. Confusion matrix and accuracy

그림 8. Seq2Seq 모델 구조 Fig. 8. Structure of Seq2Seq

표 1. 데이터 구성 Table. 1. Data organization

표 2. (5)번 축 결함 조건 Table. 2. Axis 5 defect condition

표 3. 데이터 샘플 수 Table. 3. Number of data samples

표 4. 데이터셋 구성 Table. 4. Dataset configuration

표 5. 그레인저 인과관계 검정 결과 Table. 5. Result of granger causality test

표 6. 실험 결과 Table. 6. Experiment result