Metod för händelsedetektering i mekatroniska system genom djupinlärning

Artificial Intelligence and Deep Learning are new drivers for technological change, and finds their way into more and more applications. These technologies have the ability to learn com-plex tasks previously hard to automate. In this thesis, the usage of deep learning is applied and evaluated in the context of product assembly where components are joined together. The specific problem studied is the process of clamping by using threaded fasteners. The thesis evaluates several deep learning models, such as Recurrent Neural Networks (RNN), Long Short-Term Memory Neural Networks (LSTM) and Convolutional Neural Networks (CNN), and presents a new method for estimating the rotational angle at which the fastener mates with the material, also called snug-angle, using a combined detection-by-classification and regression approach with stacked LSTM neural networks. The method can be imple-mented to make precision clamping using angle tightening instead of torque tightening. Thistightening method offers an increase in clamp force accuracy, from ±43% to ±17%. Various estimation methods and inference frequencies are evaluated to offer insight in the lim-itations of the model. The top method achieves a precision of 0.05 2.35¶ when estimating the snug-angle and can classify where the snug-angle occurs wi≠th 99.±26% accuracy. The thesis also takes into account the demanding requirements of an implementation on mechatronic systems and presents advantages and disadvantages of the state-of-the-art model compression methods used to achieve a lightweight and efficient algorithm. Usage of these methods can give compression rates, energy efficiency and speed that are in the order of 10◊ to 100◊ compared to the original model, without loss of performance.Artificiell Intelligens och djupinlärning är nya drivkrafter för teknologisk förändring och förekommer i allt fler applikationer. Dessa teknologier har förmågan att lära sig komplexa uppgifter som tidigare var svåra att automatisera. I detta examensarbete undersöks möjligheten att använda djupinlärning inom åtdragning av gängade fästelement. Examensarbetet utvärderar flera djupinlärningsmodeller, såsom Recurrent Neural Networks(RNN), Long Short-Term Memory Neural Networks (LSTM) och Convolutional Neural Networks (CNN) och presenterar en ny metod för att estimera rotationsvinkeln vid vilken fästelement tar i materialet, även kallat snugangle. Detta uppnås med en kombinerad detektering via-klassificering- och regressionsmetod baserat på staplade LSTM-nätverk. Metoden möjliggör precisionsåtdragningar genom vinkelåtdragning istället för moment åtdragning. Denna typ av åtdragning ger en precisionsförbättring frän ±43% to ±17% på uppnådd klämkraft. Flera estimeringsmetoder och utsignalsfrekvenser utvärderas för att belysa algoritmens begränsningar. Metoden uppnår en noggrannhet på ≠0.05±2.35¶ och klarar att klassificera en händelse med 99.26 % precision. Examensarbetet tar även hänsyn till de höga krav en implementation av maskininlärning ställer på mekatroniska system och presenterar fördelar och nackdelar med de senaste kompression metoderna som används för att få en lättviktig och effektiv algoritm. Användandet av dessa metoder kan ge ökad energieffektivitet, snabbhet och storleksminskning i storleksordningen 10x till 100x jämfört med originalmodellen, utan att förlora prestanda