APLICAÇÃO DO CLASSIFICADOR NAIVE BAYES PARA IDENTIFICAÇÃO DE FALHAS DE UM MANIPULADOR ROBÓTICO

Transcrição

1 ABCM Symposium Series in Mehatronis - Vol. 6 Setion I Apliações de Inteligênia Artifiial APLICAÇÃO DO CLASSIFICADOR NAIVE BAYES PARA IDENTIFICAÇÃO DE FALHAS DE UM MANIPULADOR ROBÓTICO Bruna dos Santos Lazéra Wanke, brunawanke@poli.ufrj.br 1 Vivian Oliveira Costa, vivian.oliveira993@poli.ufrj.br 1 Aloísio Carlos de Pina, aloisiopina@d.ufrj.br 2 Armando Carlos de Pina Filho, armando@poli.ufrj.br 3 1 Universidade Federal do Rio de Janeiro, Esola Politénia. 2 Universidade Federal do Rio de Janeiro, Departamento de Ciênia da Computação. 3 Universidade Federal do Rio de Janeiro, Esola Politénia, Programa de Engenharia Urbana. Resumo: Ao exeutar tarefas de manipulação, um robô pode apresentar falhas, prinipalmente em sua movimentação. Se o sistema de ontrole deteta uma falha no funionamento, uma função de diagnóstio é utilizada para onfirmar e araterizar a falha. Baseado na desrição da falha, um plano de reuperação pode ser implementado. Esse diagnóstio orresponde a um proesso de deisão que requer um modelo sofistiado da tarefa, do sistema e do ambiente. Construir tal modelo sofistiado não é um problema simples. Até mesmo espeialistas no domínio têm difiuldade em espeifiar o mapeamento neessário entre os sensores disponíveis e as lassifiações de falhas. Sendo assim, a apliação de métodos de inteligênia omputaional pode representar uma solução para identifiação dessas falhas, visto que tais métodos têm sido utilizados om suesso em diversos problemas onde as relações entre suas variáveis não podem ser failmente definidas pelo ser humano. Logo, o objetivo deste trabalho é programar um método de inteligênia omputaional e apliá-lo no diagnóstio de falhas na movimentação de um manipulador robótio, dadas as forças e torques medidos após a deteção das falhas. Para isso, foi usado um onjunto de dados forneido por Luis S. Lopes e Luis M. Camarinha-Matos, da Universidade Nova de Lisboa, em Portugal. Esse onjunto de dados foi pré-proessado para identifiar e eliminar as variáveis menos relevantes para o proesso de aprendizado, o que reduziu o número de variáveis em mais de 50%. O lassifiador Naive Bayes, algoritmo esolhido, foi implementado usando a linguagem de programação Python, e em seguida, foram realizados os experimentos usando o método da validação ruzada, a fim de dar suporte estatístio para avaliação orreta dos resultados, permitindo assim a determinação do modelo mais adequado para apliação proposta. Palavras-have: inteligênia omputaional, robótia, identifiação de falhas. 1. INTRODUÇÃO - MANIPULADORES ROBÓTICOS Manipuladores robótios são meanismos multifunionais e programáveis projetados para mover materiais, partes ou ferramentas através de movimentos variáveis, possibilitando assim uma variedade de tarefas. Um sistema robótio industrial inlui não somente robôs, mas também quaisquer meanismos e/ou sensores para que o robô possa realizar suas tarefas, bem omo para monitoração e ontrole das mesmas (OSHA Tehnial Manual, Um manipulador robótio é onstituído de dois elementos básios: juntas e elos (links). Em geral, as juntas podem ser: rotaionais, quando exeutam rotações em torno de um eixo; prismátias, quando exeutam deslizamentos num eixo; e esférias, quando exeutam rotações em torno de todos os eixos. Cada junta representa um grau de liberdade (om exeção das juntas esférias). As juntas podem envolver movimento linear ou movimento rotaional entre os elos adjaentes. Os elos são onsiderados omo estruturas rígidas ligadas por juntas. Manipuladores robótios estão disponíveis omerialmente em uma diversidade de tamanhos, formas e onfigurações. A maioria dos robôs possui uma das quatro onfigurações básias (Fig. 1): a) onfiguração de oordenadas artesianas; b) onfiguração ilíndria; ) onfiguração polar ou esféria; d) onfiguração artiulada. 888

2 ABCM Symposium Series in Mehatronis - Vol. 6 Setion I Apliações de Inteligênia Artifiial Figura 1. Configurações básias dos manipuladores robótios (Groover, 1989; Pina et al., 2004). O manipulador robótio do tipo artiulado é o mais utilizado, prinipalmente para realização de tarefas industriais, reebendo muitas vezes a denominação de robôs ou manipuladores industriais. A Figura 2 apresenta um exemplo de manipulador robótio artiulado, para o qual os métodos apliados nesse trabalho foram implementados. Figura 2. Robô manipulador HP50-80 da Motoman ( Cada tipo de robô possui um volume de trabalho araterístio, que é o onjunto de todos os pontos que o efetuador onsegue alançar. Logiamente, esse volume varia de aordo om o tamanho dos elos e do alane das juntas, as quais são aionadas por atuadores que podem ser hidráulios, pneumátios ou elétrios. Os primeiros são pistões ou motores hidráulios que utilizam omo fluido um óleo bastante visoso e forneem grande preisão aos robôs, assim omo grande apaidade de arga. Os atuadores pneumátios são similares aos hidráulios, porém utilizam omo fluido o ar que por ser bastante ompressível a altas pressões dão aos robôs uma baixa preisão. Os atuadores elétrios utilizam motores elétrios, forneendo aos robôs uma boa preisão e om uma 889

3 ABCM Symposium Series in Mehatronis - Vol. 6 Setion I Apliações de Inteligênia Artifiial vantagem em relação aos hidráulios: eles não orrem o riso de ontaminar a área de trabalho. Porém têm a desvantagem de ter menor apaidade de arga e não poderem ser usados em ambientes om riso de inêndio. Há três tipos básios de ontrole utilizados nos robôs manipuladores. O primeiro é hamado bang-bang, que tem omo objetivo levar o efetuador de um ponto a outro, sendo que esses pontos são dados pelas araterístias meânias dos atuadores. Esse tipo de ontrole opera em malha aberta e não dá ao robô muita preisão. O segundo tipo é o de trajetória ponto a ponto, que também tem omo objetivo levar o efetuador de um ponto iniial até um final, podendo ou não passar por pontos intermediários, não importando a trajetória que ele fará. Esse tipo de ontrole opera em malha fehada om um sensor de posição. O tereiro e último tipo de ontrole é o de trajetória ontínua e faz om que o robô vá de um ponto a outro seguindo uma trajetória pré-programada. Para isso, ele opera em malha fehada om sensores de posição e veloidade. Mais detalhes sobre robôs manipuladores e robótia em geral podem ser vistos em Rivin (1988), Groover et al. (1989), Pina Filho e Dutra (2004), e Campos et al. (2010). A partir da esolha dos atuadores e do ontrole, para que o manipulador possa realizar seus movimentos serão forneidos torques e forças às juntas e elos, e as medidas de torques e forças após a deteção de uma falha é que serão utilizadas para diagnóstio da mesma. Dentre as falhas a serem analisadas e que poderão ser detetadas pelo método proposto nesse trabalho têm-se: Lp1 - falhas na aproximação da posição de manipulação, para pegar uma peça/objeto; Lp2 - falhas na transferênia de uma peça/objeto; Lp3 - falhas na posição da peça/objeto após a transferênia; Lp4 - falhas na aproximação da posição de manipulação, para soltar a peça/objeto; Lp5 - falhas na movimentação do manipulador om a peça/objeto. O diagnóstio e identifiação de ada uma dessas falhas orresponde a um proesso de deisão bastante omplexo, e a apliação de métodos de inteligênia omputaional pode representar uma solução adequada para o problema, visto que tais métodos têm sido utilizados om suesso em diversos problemas onde as relações entre suas variáveis não podem ser failmente definidas pelo ser humano. Alguns trabalhos interessantes para embasamento teório inluem: Mithel (1997), Mayers (2004) e Charette (2007). Logo, o objetivo deste trabalho é programar um método de inteligênia omputaional, mais espeifiamente o Classifiador Naive Bayes, e apliá-lo no diagnóstio de falhas na movimentação de um manipulador robótio, dadas as forças e torques medidos após a deteção das falhas, omo será visto nas próximas seções. 2. CLASSIFICADOR NAIVE BAYES Um programa de aprendizado de máquinas (Mithell, 1997) é um programa apaz de aprender om a experiênia, a partir de exemplos. Um exemplo é uma ombinação de valores das variáveis do problema. Em um problema de lassifiação, a lasse representa a informação que se deseja aprender. As demais variáveis do problema, hamadas atributos, são variáveis auxiliares ujos valores podem ser determinados e podem ajudar a prever a lasse. Portanto, ada exemplo é uma ombinação de valores dos atributos para os quais se sabe a lasse assoiada. Um lassifiador reebe omo entrada um onjunto de exemplos que é usado no aprendizado e então torna-se apaz de responder a lasse para qualquer ombinação de valores de atributos. Redes Bayesianas são algoritmos de Aprendizado de Máquinas apazes de forneer predições assoiadas à valores de probabilidades. Dentre outras vantagens, elas permitem o tratamento de fenômenos assoiados ao tempo, onsiderando a dependênia temporal dos dados. O estudo de Redes Bayesianas é omplexo e exige um onheimento razoável sobre probabilidade (mais informações em Pearl, 2000). Entretanto, o lassifiador Naive Bayes é uma simplifiação oneitualmente fáil de ser entendida e de ser apliada. O Classifiador Naive Bayes (Fig. 3) aprende a partir dos dados de treinamento a probabilidade ondiional de ada atributo dado o valor da lasse. a 1 a 2 a n Figura 3. Classifiador Naive Bayes (riada pelos Autores). 890

4 ABCM Symposium Series in Mehatronis - Vol. 6 Setion I Apliações de Inteligênia Artifiial Para entender o método, são neessárias algumas noções básias sobre probabilidades. Probabilidade ondiional, é a probabilidade que um evento aonteça, dado que outro aonteeu. A probabilidade que o evento A aonteça, dado que o evento B aonteeu é representada por uma barra (veja Eq. (1)). P ( A (1) Quando dois eventos são independentes dado um tereiro, a probabilidade de aonteerem ao mesmo tempo é igual à multipliação de suas probabilidades, dado o tereiro evento, omo mostra a Eq. (2). A, B C) A C) B C) (2) A Regra de Bayes (Bayes e Prie, 1763) diz que: A, P ( A (3) Da mesma forma: A, P ( B A) A) (4) Considerando as Eq. (3) e (4), tem-se que: A B A) A) (5) A B A) A) (6) A lassifiação é feita apliando-se a regra de Bayes para alular a probabilidade de ada lasse, dados os valores dos atributos no aso-teste, e esolhendo a que resulta em maior probabilidade: asoteste arg max a1, a2,..., an) (7) Usando a Regra de Bayes: asoteste a1, a2,..., an ) ) arg max a, a,..., a ) 1 2 n (8) Como o denominador é independente de : asoteste arg max a, a2,..., a ) 1 n ) (9) Esse álulo só é possível devido à forte suposição de que todos os atributos são independentes dada a lasse, ou seja, dada uma lasse, a probabilidade de um atributo não depende da probabilidade de nenhum outro. Embora essa suposição raramente seja verdade, o lassifiador Naive Bayes alança desempenho surpreendente. Portanto, assumindo a independênia dos atributos dada a lasse: asoteste asoteste arg max a, a2,..., a ) 1 n arg max ) a ) a2 )... a ) 1 n ) (10) (11) arg max ) a ) (12) asoteste i i 891

5 ABCM Symposium Series in Mehatronis - Vol. 6 Setion I Apliações de Inteligênia Artifiial O álulo das probabilidades é feito pela simples ontagem de exemplos no onjunto de treinamento: ai ) ai, ) ) (13) S ) S Sa i, ai, ) S a i a i, ) Sa, S ) ) S S i S ai, S (14) (15) (16) 3. APLICAÇÃO DO ALGORITMO E RESULTADOS Os dados usados nos experimentos foram forneidos por Luis S. Lopes e Luis M. Camarinha-Matos, da Universidade Nova de Lisboa, em Portugal (Camarinha-Matos et al., 1996). Os onjuntos de dados (Tab. 1) ontêm medidas de força e torque em um manipulador robótio após a deteção de falha. Cada falha é araterizada por 15 amostras de 3 forças e 3 torques oletadas em intervalos de tempo regulares, omeçando imediatamente após a deteção da falha. A janela de observação para ada instânia de falha foi de 315ms. Tabela 1. Conjuntos de dados. Conjunto de Dados Número de Exemplos Lp1 88 Lp2 47 Lp3 47 Lp4 117 Lp5 164 Classes de Falhas Exemplos/Classe ollision 17 fr_ollision 16 normal 21 obstrution 34 bak_ol 7 front_ol 6 left_ol 9 normal 20 right_ol 5 lost 3 moved 15 ok 20 slightly_moved 9 ollision 72 normal 24 obstrution 21 bottom_ollision 26 bottom_obstrution 21 ollision_in_part 47 ollision_in_tool 26 normal

6 ABCM Symposium Series in Mehatronis - Vol. 6 Setion I Apliações de Inteligênia Artifiial Antes da avaliação da preisão do lassifiador Naive Bayes apliado ao problema, foi feito o pré-proessamento dos dados a fim de adequá-los ao algoritmo e para determinar a quantidade de amostras neessárias. Os intervalos de valores de forças e torques foram disretizados para que os atributos pudessem ser tratados omo simbólios, em vez de numérios, permitindo assim a apliação direta do algoritmo, que alula probabilidades através da ontagem de valores. Através da apliação do algoritmo de seleção de atributos Forward Searh (Guetlein et al., 2009) verifiou-se que é possível reduzir o número de amostras de forças e torques usadas para apenas 7 sem degradação signifiativa dos resultados. Basiamente, o algoritmo Forward Searh funiona inluindo iterativamente no onjunto de atributos neessários aquele que proporiona o maior aumento na preisão dos resultados, parando assim que nenhum dos atributos restantes satisfaça essa ondição. Dessa forma, ada exemplo do onjunto de dados é formado por 42 atributos (7 amostras de 6 forças/torques) e a orrespondente lasse de falha. Cada onjunto de dados é dividido em onjunto de treinamento, om o qual são alulados todos os valores de probabilidades neessários, e onjunto de teste, usado para avaliar a preisão do algoritmo (porentagem de exemplos do onjunto de teste lassifiados orretamente pelo algoritmo). Usar apenas um par de onjuntos de treinamento e de teste não fornee uma estimativa da preisão estatistiamente signifiativa. Usando validação ruzada (Dietterih, 1997), para onstruir ada par de onjuntos de treinamento e de teste, o onjunto de dados D é dividido aleatoriamente em n onjuntos disjuntos de igual tamanho (hamados partições), T 1,..., T n. Então são onduzidas n rodadas. Em ada rodada, o onjunto de teste é T i e o onjunto de treinamento é a união de todos os outros T j, j i. A preisão do algoritmo então é dada pela média das preisões das n rodadas. Nesta pesquisa foi usada validação ruzada om 10 partições. Todos os ódigos fonte foram esritos na linguagem de programação Python. Os experimentos foram realizados em um omputador om CPU Intel Core i7, 8GB RAM, sob Mirosoft Windows 7 Professional 64Bit. Conjunto de Dados Lp1 0,907 Lp2 0,806 Lp3 0,843 Lp4 0,945 Lp5 0,725 Tabela 2. Resultados experimentais. Preisão Classes de Falhas Preisão/Classe ollision 0,708 fr_ollision 0,882 normal 1 obstrution 0,962 bak_ol 1 front_ol 0,6 left_ol 0,625 normal 0,833 right_ol 1 lost 1 moved 0,778 ok 0,909 slightly_moved 0,75 ollision 0,985 normal 0,923 obstrution 0,833 bottom_ollision 0,808 bottom_obstrution 0,81 ollision_in_part 0,634 ollision_in_tool 0,379 normal 0,

7 ABCM Symposium Series in Mehatronis - Vol. 6 Setion I Apliações de Inteligênia Artifiial A Tabela 2 apresenta a preisão alançada pelo algoritmo apliado a ada um dos 5 onjuntos de dados. A última oluna da tabela mostra a preisão obtida na identifiação de ada uma das lasses de falhas. Pode-se notar que para algumas delas houve 100% de aerto. Para apenas uma lasse de falha a porentagem de aerto foi inferior a 60%: ollision_in_tool, om preisão de era de 38%. Considerando todos os dados, foi possível alançar uma preisão média de era de 83% de aerto na identifiação das falhas, dadas as medidas de força e de torque. O método da validação ruzada omprovou que os resultados apresentados pela implementação do algoritmo são signifiativos do ponto de vista estatístio. 4. CONCLUSÃO O objetivo deste trabalho foi programar um método de inteligênia omputaional e apliá-lo no diagnóstio de falhas na movimentação de um manipulador robótio, dadas as forças e torques medidos após a deteção das falhas. Para isso, foi usado um onjunto de dados forneido por Luis S. Lopes e Luis M. Camarinha-Matos, da Universidade Nova de Lisboa, em Portugal. Esse onjunto de dados foi pré-proessado para identifiar e eliminar as variáveis menos relevantes para o proesso de aprendizado, o que reduziu o número de variáveis em mais de 50%. Devido a sua simpliidade e bom desempenho, o algoritmo Naive Bayes foi esolhido omo algoritmo a ser implementado, usando a linguagem de programação Python, e em seguida, foram realizados os experimentos usando o método da validação ruzada, alançando-se uma preisão de era de 83% de aerto na identifiação das falhas, resultado que ainda pode ser melhorado modifiando-se o programa para que os valores de forças e torques possam ser tratados omo atributos numérios, substituindo a disretização e ontagem de valores pelo álulo de densidades de probabilidades. 5. AGRADECIMENTOS Esta pesquisa foi parialmente finaniada pela CAPES e pela FAPERJ. 6. REFERÊNCIAS Bayes, T. e Prie, R., 1763, "An Essay towards solving a Problem in the Dotrine of Chane. By the late Rev. Mr. Bayes, ommuniated by Mr. Prie, in a letter to John Canton, A. M. F. R. S.", Philosophial Transations of the Royal Soiety of London 53 (0): doi: /rstl Camarinha-Matos, L.M., Seabra Lopes, L. e Barata, J., 1996, Integration and Learning in Supervision of Flexible Assembly Systems, IEEE Transations on Robotis and Automation, 12 (2), pp Campos, F.O., Pina Filho, A.C.de e Pina, A.C.de, 2010, Estudo e Modelagem Computaional de um Robô Apliado em Proessos de Usinagem, Anais do IX Simpósio de Meânia Computaional (SIMMEC), São João Del-Rei - MG, Brasil. Charette, R.N., 2007, "Learning from software failure", Dietterih, T.G., 1997, "Approximate Statistial Tests for Comparing Supervised Classifiation Learning Algorithms", Neural Computation, 10, pp Groover, M.P., Weiss, M., Nagel, R.N. e Odrey, N.G., 1989, Robótia: Tenologia e Programação, Trad.: D.M. Savatovsky, Rev.: R. Camaho, MGraw-Hill, São Paulo, Brasil. Guetlein, M., Frank, E., Hall, M. e Karwath, A., 2009, "Large Sale Attribute Seletion Using Wrappers", In: Proeedings of the IEEE Symposium on Computational Intelligene and Data Mining, pp Mayers, G.J., 2004, "The art of software testing", New Hersey: John Wiley & Sons. Mithel, T.M., 1997, "Mahine Learning", Pittsburgh: MGraw Hill. Motoman, disponível em: aessado em fevereiro de OSHA Tehnial Manual, disponível em: Industrial Robots and Robot System Safety, Seção IV, Capítulo 4, U.S. Government Printing Offie, Washington, Estados Unidos. Pearl, J., 2000, "Causality: Models, Reasoning, and Inferene", Cambridge University Press. Pina Filho, A.C.de e Dutra, M.S., 2004, Performane Data for Evaluation of Industrial Robots, Anais do III Congresso Naional em Engenharia Meânia (CONEM), Belém - PA, Brasil. Pina, A.A.de, Pina Filho, A.C.de e Pina, A.C.de, 2004, Análise Cinemátia e Simulação Computaional de um Manipulador Robótio, Anais do III Congresso Naional em Engenharia Meânia (CONEM), Belém - PA, Brasil. Rivin, E.I., 1988, Mehanial Design of Robots, MGraw-Hill Book Company. 7. RESPONSABILIDADE AUTORAL Os autores são os únios responsáveis pelo onteúdo deste trabalho. 894

8 ABCM Symposium Series in Mehatronis - Vol. 6 Setion I Apliações de Inteligênia Artifiial APPLICATION OF NAIVE BAYES CLASSIFIER FOR FAILURE IDENTIFICATION OF A MANIPULATOR ROBOT Bruna dos Santos Lazéra Wanke, brunawanke@poli.ufrj.br 1 Vivian Oliveira Costa, vivian.oliveira993@poli.ufrj.br 1 Aloísio Carlos de Pina, aloisiopina@d.ufrj.br 2 Armando Carlos de Pina Filho, armando@poli.ufrj.br 3 1 Universidade Federal do Rio de Janeiro, Esola Politénia. 2 Universidade Federal do Rio de Janeiro, Departamento de Ciênia da Computação. 3 Universidade Federal do Rio de Janeiro, Esola Politénia, Programa de Engenharia Urbana. Abstrat. When performing manipulation tasks, a robot may fail, espeially in its handling. If the ontrol system detets a malfuntion, a diagnosti funtion is used to onfirm and haraterize the failure. Based on the desription of the failure, a reovery plan an be implemented. This diagnosti orresponds to a deision proess that requires a sophistiated model of the task, the system and the environment. Build suh a sophistiated model is not a simple problem. Even experts in the field have diffiulty speifying the neessary mapping between the available sensors and ratings failures. Thus, the appliation of artifiial intelligene methods may represent a solution for the identifiation of these flaws, sine suh methods have been used suessfully in many problems where the relationship between its variables an not be easily defined by humans. Therefore, the aim of this work is to program a omputational intelligene method and applying it in the diagnosis of faults in handling a roboti manipulator, given the fores and torques measured after detetion of faults. For this, we used a dataset provided by Luis S. Lopes and Luis M. Camarinha-Matos, from New University of Lisbon in Portugal. This dataset was preproessed to identify and eliminate less relevant variables for the learning proess, whih redued the number of variables in more than 50%. The Naive Bayes lassifier, seleted algorithm, was implemented using the Python programming language, and next, experiments were performed using ross-validation method in order to provide statistial support for orret evaluation of the results, thereby allowing determination of the most appropriate model for the proposed appliation. Keywords: omputational intelligene, robotis, fault identifiation. 895