بهبود تشخیص خطا در اجرای ربات با استفاده از جنگل تصادفی

خطای‌های اجرای رباتیک چالش‌های مهمی در اتوماسیون صنعتی ایجاد می‌کند که بر کارایی، قابلیت اطمینان و هزینه‌های عملیاتی تاثیر می‌گذارد. این مطالعه از الگوریتم طبقه‌بندی جنگل تصادفی برای پیش‌بینی و تحلیل خطای‌های اجرای ربات بر اساس داده‌های حسگر و پارامترهای عملیاتی استفاده کرده است. هدف توسعه یک مدل پیش‌بینی 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 روش‌های سنتی بهتر عمل کرد. یافته‌ها نشان دادند که یکپارچه‌سازی پیش‌بینی شکست مبتنی بر یادگیری ماشین می‌تواند قابلیت تعمیر و نگهداری پیش‌بینی‌کننده را افزایش و زمان خطا را در سیستم‌های رباتیک کاهش دهد. تحقیقات آینده می‌توانند عملکرد بلادرنگ و مکانیسم‌های کنترل تطبیقی را برای بهبود تحمل خطا بررسی کنند.