Mobil manipülatörler için derin öğrenme tabanlı arıza teşhis sistemi

Mobil manipülatörler, birçok endüstriyel alanda kritik görevler üstlenerek, üretimden lojistiğe, sağlık hizmetlerinden afet müdahalelerine kadar geniş bir yelpazede etkinlik göstermektedirler. Dünya çapında endüstrilerin genişlemesiyle birlikte, bu manipülatörlerin büyümesi ve güvenilir bir şekilde çalışmalarının sağlanması giderek daha fazla önem kazanmaktadır. Bu çalışmada, mobil manipülatörler için arıza teşhisi yapmak üzere derin öğrenme teknikleri temelinde geliştirilen yeni bir metodolojiyi ele almaktadır. Geleneksel yöntemlerin karmaşık kurallar ve uzmanlık bilgisi gerektirmesine karşın, bu çalışma, manipülatörün her bir eklemi üzerinde modellemeler yaparak ve bu eklemlere hareketler uygulayarak veri toplamıştır. Toplanan verilere eklem arızaları eklenmiş ve bu arızaların tanımlanmasında derin öğrenme yöntemleri, özellikle de evrişimli sinir ağları kullanılmıştır. Dokuz farklı eklem üzerinde çeşitli bozulma oranları detaylı bir şekilde incelenmiştir. Mobil robot manipülatörün bir bölgeden diğerine hareketini sağlamak için farklı eklem hareketleri kullanılarak beş ayrı test gerçekleştirilmiştir. Her bir eklem için beş farklı senaryo oluşturularak, bu senaryoların her birinde değişen oranlarda bozulmalar uygulanmıştır, toplamda 255 farklı senaryo değerlendirilmiştir. Elde edilen bu veri setleri, Matlab'ın Toolbox'ı olan Neural Network (NN) ve Uzun-Kısa Süreli Bellek (LSTM) algoritmaları kullanılarak işlenmiş ve bu yöntemlerin arıza tespitindeki etkinliği değerlendirilmiştir. Normal çalışma durumları ile arızalı durumları karşılaştırıldığında, karşılaştırılmıştır Kuka Youbot'un dinamikleri, bu arıza teşhis çalışmasında kullanılmış olup, eklemlerden elde edilen veriler Yapay Sinir Ağı (YSA) aracılığıyla işlenerek karar verme sürecinde kullanılmıştı, simülasyon aşamasında ise CoppeliaSim kullanılmıştır. Bu yaklaşım, sürdürülebilirlik ve gelişim açısından geleneksel yöntemlere göre daha etkin bir alternatif sunmaktadır.