Robotic cell reliability optimization based on the technology of digital twin
Robotic cell reliability optimization based on the technology of digital twin
| datacite.contributor.RelatedPerson | Νικολετσέας, Σωτήρης | |
| datacite.contributor.RelatedPerson | Σταυρόπουλος, Παναγιώτης | |
| datacite.contributor.Supervisor | Μούρτζης, Δημήτρης | |
| dc.contributor.author | Τσουμπού, Σοφία | |
| dc.contributor.other | Tsoubou, Sofia | |
| dc.date.accessioned | 2023-03-17T12:12:56Z | |
| dc.date.available | 2023-03-17T12:12:56Z | |
| dc.date.issued | 2023-03-14 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | In recent years, the traditional manufacturing industry has been affected by the development of digital technologies and Industry 4.0 wave. Due to the rising digitalization in every step of the manufacturing, manufacturing companies have now the chance to reach a completely new level of productivity. Robotic systems have become a standard tool in modern manufacturing, due to their unique characteristics, such as repeatability, precision, speed, high payload, and ability to operate in dangerous areas. However, robotics manipulators suffer from low reliability. Low reliability increases the probability of disruption in the manufacturing processes, delays are induced in the manufacturing/production systems’ short-term schedule, faults and failures are arising, minimizing in this way the productivity and by extension the profit. This research work presents a methodology for the improvement of reliability in a robotic cell based on the technologies and tools that offered by Industry 4.0 and particularly by the Digital Twin (DT) concept as well as the Machine Learning (ML) techniques under the framework of Predictive Maintenance (PdM). The reliability is highly associated with the maintenance processes. As a result, by implementing maintenance at the optimum time, the reliability of the robotic cell can be improved. Firstly, our aim is focused on the DT concept in order to monitor and control the health status of our system. Secondly the scope is to identify the critical components of a robotic cell, detect and classify the faulty behavior of the critical component and propose the framework of the prediction of its Remaining Useful Life (RUL) in order to improve the reliability of the whole robotic cell. Then, based on the diagnostic and prognostic results, engineers can apply the appropriate maintenance tasks to prevent their robotic cell from serious failures and ensure high performance of their system. | |
| dc.description.translatedabstract | Τα τελευταία χρόνια τα συστήματα παραγωγής έχουν επωφεληθεί σε μεγάλο βαθμό εξαιτίας της ραγδαίας ανάπτυξης και ενσωμάτωσης των ψηφιακών τεχνολογιών στις παραγωγικές διεργασίες στο πλαίσιο της 4η Βιομηχανικής Επανάστασης. Τα ρομποτικά συστήματα είναι αναπόσπαστα κομμάτια των σύγχρονων βιομηχανικών εξαιτίας των μοναδικών χαρακτηριστικών όπως είναι η επαναληψιμότητα, η ακρίβεια, η ταχύτητα, η ικανότητά τους να μεταφέρουν και να σηκώνουν βαριά φορτία καθώς επίσης και η ικανότητα τους να λειτουργούν σε επικίνδυνες περιοχές χωρίς επιπρόσθετα μέτρα ασφαλείας κάτι που δεν ισχύει για τους ανθρώπους. Ωστόσο οι ρομποτικοί βραχίονες παρουσιάζουν χαμηλή αξιοπιστία. Η χαμηλή αξιοπιστία σε ένα σύστημα παραγωγής αυξάνει τον χρόνο εκτός λειτουργίας καθώς εμφανίζονται αστοχίες, γεγονός που επιφέρει καθυστερήσεις στις παραγωγικές διεργασίες με αποτέλεσμα η παραγωγικότητα και κατ’ επέκταση το κέρδος να μειώνονται. H παρούσα εργασία παρουσιάζει ένα προγνωστικό μοντέλο συντήρησης στο κρίσιμο εξάρτημα ενός ρομποτικού κελιού, αυτό δηλαδή που έχει τις περισσότερες πιθανότητες να αστοχήσει, με σκοπό την βελτίωση της αξιοπιστίας ολόκληρου του ρομποτικού κελιού. Η προτεινόμενη μεθοδολογία βασίζεται στην τεχνολογία του ψηφιακού διδύμου (Digital Twin), που επιτρέπει την ανταλλαγή δεδομένων σε πραγματικό χρόνο και στις τεχνικές μηχανικής μάθησης με σκοπό τον εντοπισμό της λανθασμένης συμπεριφοράς του εξαρτήματος (διάγνωση) και την πρόβλεψη της εναπομένουσας διάρκεια ζωής (πρόγνωση) του κρίσιμου εξαρτήματος. Βασιζόμενοι σε αυτή την μεθοδολογία οι μηχανικοί μπορούν να προγραμματίσουν κατάλληλα εργασίες συντήρησης με σκοπό την πρόληψη αποτυχιών στο ρομποτικό κελί που θα διασφαλίσει την υψηλή απόδοση του συστήματος τους. | |
| dc.identifier.uri | https://hdl.handle.net/10889/24849 | |
| dc.language.iso | en | |
| dc.rights | CC0 1.0 Universal | * |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | * |
| dc.subject | Reliability optimization | |
| dc.subject | Robotic cell | |
| dc.subject | Industry 4.0 | |
| dc.subject | Predictive maintenance | |
| dc.subject | Digital twin | |
| dc.subject | Remaining useful life | |
| dc.subject | Machine learning | |
| dc.subject.alternative | Βελτίωση αξιοπιστίας | |
| dc.subject.alternative | Ρομποτικό κελί | |
| dc.subject.alternative | 4η Βιομηχανική Επανάσταση | |
| dc.subject.alternative | Προγνωστική συντήρηση | |
| dc.subject.alternative | Ψηφιακό δίδυμο | |
| dc.subject.alternative | Εναπομένουσα διάρκεια ζωής | |
| dc.subject.alternative | Μηχανική μάθηση | |
| dc.title | Robotic cell reliability optimization based on the technology of digital twin | |
| dc.title.alternative | Βελτίωση της αξιοπιστίας ρομποτικού κελιού βασισμένη στην τεχνολογία των ψηφιακών διδύμων |