Riconoscimento della rottura di cavi in robot paralleli azionati a cavi mediante deep neural network

L'obbiettivo di questo lavoro di tesi è la descrizione e il riconoscimento delle rotture dei cable driven parallel robot (CDPR) utilizzando deep neural network. I CDPR, composti da un end effector collegato a più motori tramite cavi in acciaio, affrontano rischi significativi dovuti a rotture improvvise dei cavi, che possono causare pericoli operativi. Questa ricerca propone un approccio al problema che non impiega sensori esterni, ma sfrutta le misure di corrente e di posizione all'interno dell'azionamento del robot, analizzando l'impiego di Convolutional Neural Networks (CNN) e Recurrent Neural Networks (RNN) per identificare le rotture dei cavi. Tali reti sono addestrate tramite un modello Digital Twin che assume le funzioni di sistema fisico e che simula le condizioni reali, riducendo la necessità di esperimenti fisici e mantenendo un'elevata fedeltà ai valori reali. Infatti è pensabile che in condizioni di normale funzionamento sia difficile generare rotture dei cavi per l'addestramento. Si analizzerà poi l'effetto della perdita di tensione nei cavi e le conseguenze che questa comporta nel funzionamento delle reti neurali. Lo studio pone particolare enfasi sulla riduzione del ritardo nel riconoscimento e sul miglioramento della robustezza del sistema rispetto alle variazioni dei parametri, rendendo questa soluzione altamente applicabile in ambito industriale.