بهبود تشخیص خطا در اجرای ربات با استفاده از جنگل تصادفی

خطاهای اجرای رباتیک چالش های مهمی در اتوماسیون صنعتی ایجاد می کند که بر کارایی، قابلیت اطمینان و هزینه های عملیاتی تاثیر می گذارد. این مطالعه از الگوریتم طبقه بندی جنگل تصادفی برای پیش بینی و تحلیل خطاهای اجرای ربات بر اساس داده های حسگر و پارامترهای عملیاتی استفاده کرده است. هدف توسعه یک مدل پیش بینی شکست قوی است که بتواند عوامل کلیدی موثر در شکست اجرا را شناسایی کند. از یک مجموعه داده حاوی وظایف رباتیک و نمونه های شکست برای آموزش و ارزیابی مدل استفاده شد و مدل به دقت بالایی دست یافت و از روش های سنتی بهتر عمل کرد. یافته ها نشان دادند که یکپارچه سازی پیش بینی شکست مبتنی بر یادگیری ماشین می تواند قابلیت تعمیر و نگهداری پیش بینی کننده را افزایش و زمان خطا را در سیستم های رباتیک کاهش دهد. تحقیقات آینده می توانند عملکرد بلادرنگ و مکانیسم های کنترل تطبیقی را برای بهبود تحمل خطا بررسی کنند.

کلیدواژه ها:

خطا در اجرای ، ربات ، جنگل تصادفی ، رباتیک ، صنعتی ، یادگیری ماشین