Identificazione del peso tramite algoritmi di Machine Learning
L'individuazione del peso in maniera dinamica è un'applicazione attuabile in qualsiasi linea produttiva. Esso consente non solo di aumentare i ritmi produttivi evitando tempi morti, ma anche avere un costante controllo sulla massa dei pezzi prodotti. Scopo di questo progetto è lo sviluppo di un sistema predittivo per il calcolo del peso mediante tecniche di Machine Learning. A partire dai dati della cella di carico tramite un regressore lineare è possibile stimare il peso sul nastro trasportatore.
La strumentazione utilizzata è la seguente:
- Nastro trasportatore del Laboratorio MMTLab;
- Sick GL6
- Cella di carico HBM PW22C3 con fondo scala di 10 kg
- Termoresistenze PT100
- Schede di acquisizione Rack CompactDAQ
Per caratterizzare il comportamento del sistema di misura sono state svolte tre fasi:
- Taratura della Cella effettuata con 50 valori istantanei di tensione su 20 campioni di peso differente stimati utilizzando una bilancia di risoluzione di 0.01g tali da coprire il range 10-1500g. Il codice è reperibile al seguente link all'interno della repository.
- Taratura statica sistema di acqusizione sono stati attuati 5 cicli di carico e scarico, utilizzando 20 campioni non riferiti stimati utilizzando una bilancia di risoluzione di 0.01g tali da coprire il range 10-1500g.Il codice è reperibile al seguente link all'interno della repository.
- Acqusizioni dinamiche sono state considerate 4 velocità, per ciascuna si sono utilizzati 20 campioni per 35 misurazioni consecutive. Per tenere conto dei differenti fenomeni transitori generati dai vari oggetti misurati si è scelto di utilizzare tre corpi con forme diverse e variando la distribuzione di peso al loro interno. Il codice è reperibile al seguente link all'interno della repository.
I dati acquisiti mediante LabView vengono pre-processati tramite un filtro a 100 Hz; successivamente vengo analizzati, suddivisi in blocchi uniformi e caricati su un archivio Github reperibile al seguente link. Il dataset è costituito da:
- label: il valore assunto vero ricavato dalle prove di statica iniziale e finale del carico mediante una media a indici ponderati
- features: consistono in N medie calcolate su N intervalli nel tratto utile del segnale Il dataset utilizzati per lo svolgimento del progetto sono reperibili alla seguente cartella
Lo sviluppo dell’algoritmo di identificazione del peso`e statoeffettuato tramite regressore lineare implementato con l’utilizzodel pacchetto scikit-learn. La regressione è stata effettuata partendo dal segnale pre-processato e calcolando poi il valore del peso in V/V.
Questa scelta è stata effettuata per generare una regressione che sia il più possibile robusta nei confronti dei disturbi esterni. Il regressore lineare sar`a quindi del tipo:
dove rappresenta il peso predetto (in V/V),
rappresenta l'intercetta,
sono i coefficienti identificati dall'algoritmo e
rappresentano le feature del dataset.
Il notebook, implementato tramite Google Collab è presente nella seguente cartella all'interno della repository.
N.B. Nel codice sono presenti anche algoritmi di PCA, risultati poi poco efficaci nel nostro caso studio. Il dataset è presente al seguente link
| Gioavnni Alghisi | Francesco Campregher | Marco Milanesi | Edoardo Mirandola | Abdelghani Msaad |
|---|---|---|---|---|
| [email protected] | [email protected] | [email protected] | [email protected] | [email protected] |