Gépi hallás alkalmazása SCARA robotos csomagológép cellában: akusztikai anomáliadetektálás és OEE optimalizálás gépi tanulással
integration of machine hearing technology in SCARA robot-based industrial packaging machine cells
Kulcsszavak:
machine hearing, SCARA robot, anomaly detection, machine learning, artificial intelligence, OEE, /, gépi hallás, anomáliadetektálás, gépi tanulás, mesterséges intelligencia, Ipar 4.0Absztrakt
The study investigates the integration of machine hearing technology in SCARA robot-based industrial packaging machine cells. The proposed deep SVDD-based anomaly detection system is expected to achieve an accuracy above 95%, while an 8-12% improvement in the OEE metric is forecasted. Implementation costs are 60-70% lower compared to machine vision-based solutions. The concept outlines the system architecture, expected performance metrics, and implementation considerations.
Kivonat
A tanulmány a gépi hallás technológia integrációját vizsgálja SCARA robotos ipari csomagológép cellákban. A javasolt deep SVDD alapú anomáliadetektálási rendszer várhatóan 95% feletti pontosságot érhet el, miközben az OEE mutató 8-12%-os javulása prognosztizálható. Az implementációs költségek 60-70%-kal alacsonyabbak a gépi látás alapú megoldásoknál. A koncepció bemutatja a rendszerarchitektúrát, várható teljesítménymutatókat és implementációs szempontokat.
Hivatkozások
Chettibi, T., et al. (2004). Minimum cost trajectory planning for industrial robots. Eur. J. Mech. A/Solids, 23(4), 703-715.
Gosselin, F., et al. (2014). Design of an economical SCARA robot for industrial applications. IEEE ICRoM, 932-937.
Nisar, S., et al. (2022). Detection of Mechanical Failures in Industrial Machines. Sensors, 22(10), 3888.
Togami, M., et al. (2021). Acoustic Anomaly Detection in Noisy Factory Environments. Electronics, 10(19), 2329.
Koizumi, Y., et al. (2020). DCASE2020 challenge task2: Unsupervised anomalous sound detection. Proc. DCASE2020, 81-85.
Purohit, H., et al. (2019). MIMII Dataset: Sound dataset for malfunctioning industrial machines. Proc. DCASE2019, 209-213.
Kilickaya, S., et al. (2024). Audio-based Anomaly Detection in Industrial Machines Using Deep One-Class Support Vector Data Description. arXiv preprint arXiv:2412.10792.
Das, M. T., & Dülger, L. C. (2005). Mathematical modelling of a SCARA robot. Simul. Model. Pract. Theory, 13(3), 257-271.
Tao, W. M., et al. (2006). Residual vibration analysis for SCARA robots. Int. J. Intell. Control Syst., 11(2), 97-105.
Ota, Y., & Unoki, M. (2023). Anomalous sound detection using timbral metrics. IEEE Access, 11, 72297-72307.
Li, Y., et al. (2023). lMS Spectrogram and ES-MobileNetV3 Network. Appl. Sci., 13(23), 12912.
Davis, S., & Mermelstein, P. (1980). Comparison of parametric representations. IEEE Trans. ASSP, 28(4), 357-366.
Subhashini, P., et al. (2016). Parametric Optimization of SCARA Robot. In CAD/CAM, Robot for Deburring Of Rectangular Paths
