The ability to handle and process data for information extraction is getting more and more important. Using extracted data from the business to improve productivity is seen as an important part in developing the business processes. In this thesis, industrial robots and their survival times are analyzed. The work is about predicting the probability that a specific robot will fail during a specified time period. Also, survival analysis is conducted where the median lifetime and conditional median lifetime for industrial robots are estimated. Two approaches are used, logistic regression and survival analysis. A logistic regression model is made to predict the probability for different industrial robots to break during a specified time period. The logistic model achieves an accuracy of 0.694 with even higher accuracy regarding high – and low risk robots. The survival analysis uses a Cox PH model to check validity for proportional hazards and then a parametric model with Weibull distribution is fitted. The parametrical survival model is used to estimate the median lifetime and the remaining median lifetime for the robots. The estimated probabilities and lifetimes can be used as an indication of which robots are in risk of failure.

Interoperability development between Autonomous Mobile Mobots, Auto- mated Guided Vehicles and their fleet managers provided by different brands became a highly important topic in the factory and warehouse management industry. The compatibility between the providers would provide endless opportunities for the customers to build scalable, flexible, and dynamic systems. The thesis develops a program synthesis method that is capable of making conversions between data structures. The results provide the programmers with a tool that can be used to create function compositions by providing input-output pairs and can save a significant amount of time. The study solves the search problem using Context-free grammar and a beam search guided by a neural network. The work compares the performance of three different artificial intelligence structures recurrent neural networks, long short-term memory networks, and gated recurrent unit networks, and validates the solution on a test set that consists of lines from data structures that are used in the Autonomous Mobile Robot industry combined with some generated data to measure performance in regards of the generalization power. / Interoperabilitetsutveckling mellan Autonoma Mobila Robotar, Automatiserade Guidade Fordon och deras flottförvaltare från olika varumärken har blivit ett mycket viktigt ämne inom fabriks- och lagerhanteringsbranschen. Kompatibiliteten mellan leverantörerna skulle ge oändliga möjligheter för kunderna att bygga skalbara, flexibla och dynamiska system. Avhandlingen utvecklar en programssyntesmetod som kan göra omvandlingar mellan datastrukturer. Resultaten ger programmerare ett verktyg som kan användas för att skapa funktionskompositioner genom att tillhandahålla in- och utdata- par och kan spara betydande tid. Studien löser sökproblemet med hjälp av kontextfri grammatik och en strålsökning som styrs av ett neuralt nätverk. Arbetet jämför prestandan hos tre olika konstgjorda intelligensstrukturer: ”recurrent neural networks", ”long short-term memory networks", och ”gated recurrent unit networks", och validerar lösningen på en testuppsättning som består av rader från datastrukturer som används inom den autonoma mobila robotindustrin kombinerat med några genererade data för att mäta prestanda med avseende på generaliseringskraften.

Industrial robots are a key component for several industrial applications. Like all mechanical tools, they do not last forever. The solution to extend the life of the machine is to perform maintenance on the degraded components. The optimal approach is called predictive maintenance, which aims to forecast the best moment for performing maintenance on the robot. This minimizes maintenance costs as well as prevents mechanical failure that can lead to unplanned production stops. There already exist methods to perform predictive maintenance on industrial robots, but these methods require additional sensors. This research aims to predict the anomalies by only using data from the sensors that already are used to control the robot. A machine learning approach is proposed for implementing predictive maintenance of industrial robots, using the torque profiles as input data. The algorithms selected are tested on simulated data created using wear and temperature models. The torque profiles from the simulator are used to extract a health index for each joint, which in turn are used to detect anomalous states of the robot. The health index has a fast exponential growth trend which is difficult to predict in advance. A Gaussian process regressor, an Exponentron, and hybrid algorithms are applied for the prediction of the time series of the health state to implement the predictive maintenance. The predictions are evaluated considering the accuracy of the time series prediction and the precision of anomaly forecasting. The investigated methods are shown to be able to predict the development of the wear and to detect the anomalies in advance. The results reveal that the hybrid approach obtained by combining predictions from different algorithms outperforms the other solutions. Eventually, the analysis of the results shows that the algorithms are sensitive to the quality of the data and do not perform well when the data present a low sampling rate or missing samples. / Industrirobotar är en nyckelkomponent för flera industriella applikationer. Likt alla mekaniska verktyg håller de inte för alltid. Lösningen för att förlänga maskinens livslängd är att utföra underhåll på de slitna komponenterna. Det optimala tillvägagångssättet kallas prediktivt underhåll, vilket innebär att förutsäga den bästa tidpunkten för att utföra underhåll på roboten. Detta minimerar både kostnaderna för underhåll samt förebygger mekaniska fel som kan leda till oplanerade produktionsstopp. Det finns redan metoder för att utföra prediktivt underhåll på industriella robotar, men dessa metoder kräver ytterligare sensorer. Denna forskning syftar till att förutsäga avvikelserna genom att endast använda data från de sensorer som redan används för att reglera roboten. En maskininlärningsmetod föreslås för implementering av prediktivt underhåll av industriella robotar, med hjälp av vridmomentprofiler som indata. Metoderna testas på simulerad data som skapats med hjälp av slitage- och temperaturmodeller. Vridmomenten används för att extrahera ett hälsoindex för varje axel, vilket i sin tur används för att upptäcka anomalier hos roboten. Hälsoindexet har en snabb exponentiell tillväxttrend som är svår att förutsäga i förväg. En Gaussisk processregressor, en Exponentron och hybridalgoritmer används för prediktion av tidsserien för hälsoindexet för att implementera det prediktiva underhållet. Förutsägelserna utvärderas baserat på träffsäkerheten av förutsägelsen för tidsserien samt precisionen för förutsagda avvikelser. De undersökta metoderna visar sig kunna förutsäga utvecklingen av slitage och upptäcka avvikelser i förväg. Resultaten uppvisar att hybridmetoden som erhålls genom att kombinera prediktioner från olika algoritmer överträffar de andra lösningarna. I analysen av prestandan visas att algoritmerna är känsliga för kvaliteten av datat och att de inte fungerar bra när datat har låg samplingsfrekvens eller då datapunkter saknas.