Eine Embedded-KI-Systemkomponente wird getestet, unter anderem als Vortest für eine Zertifizierung. (Bild: AITAD)
Bei einem angenommenen Maschinenstundensatz von 2.500 Euro wird der Ausfall eines Roboterarms oder Industrieroboters schnell kostspielig. Deshalb gilt es, technisch bedingte Betriebsunterbrechungen zu vermeiden, ganz egal, ob ein Betrieb nur einen Roboterarm oder viele hundert Industrieroboter einsetzt. Ein Weg dorthin ist Predictive Maintenance mit Embedded-KI.
„Offizielle Zahlen zu den Ausfallzeiten von Produktionsrobotern sind nur schwer zu erhalten – gleichzeitig variieren diese Zahlen sehr stark, so dass es schwerfällt, sich ein realistisches Bild der entstehenden Ausfallkosten zu machen. Wir wissen jedoch zuverlässig von Ausfallkosten in der Automobilindustrie, die sich jährlich auf hohe Millionenbeträge pro Betrieb summieren", erklärt Viacheslav Gromov, Gründer des Embedded-KI-Anbieters AITAD. "Typische Ausfallkomponenten sind Gelenke, Antriebe und Hydraulik. Schon aufgrund des natürlichen Abnutzungsprozesses werden Roboterarme mit der Zeit immer unpräziser."
Die Roboterhersteller nutzen mehr oder minder starre Wartungsmodelle. Oft werden Roboterarme einfach gewartet, wenn sie reparaturbedürftig sind oder wenn die Betriebsstundenzahl dies verlangt. Teilweise warten Unternehmen ihre Roboter präventiv ohne Berücksichtigung des Maschinenzustands.
„Roboterhersteller reagieren auf diese Problematik mit der Etablierung von Condition Monitoring Systemen. Hier wird auf Grund des Ist-Zustands einer Maschine eine Vorhersage für den künftigen Wartungsbedarf getroffen. Allerdings bleiben die Prognosen vergleichsweise vage. Unter dem Strich ist Condition Monitoring nur eine verfeinerte Ausfallerkennung", kritisiert Gromov. Die vorausschauende Wartung (Predictive Maintenance) bringe Unternehmen deutlich mehr Vorteile.
Datenbasis für Predictive Maintenance schaffen
Die Grundlage für Predictive Maintenance sind Daten. Oft es allerdings gar nicht so einfach, die richtigen Daten zu sammeln und für einen effektiven Nutzen der Maschine auszuwerten. Viele Roboter werden mit wenigen, teilweise nicht sehr leistungsstarken Sensoren überwacht. Doch anders als in vielen anderen Arbeitsbereichen gilt für die Datenerhebung und datengetriebene Entwicklung das Prinzip „Viel hilft viel“ – je mehr Daten also durch die Überwachung gesammelt und ausgewertet werden, desto zuverlässiger lassen sich Aussagen über den künftigen Maschinenzustand treffen.
Ein weiteres Hindernis ist die Netzwerkkapazität. Eine genaue Beobachtung, zum Beispiel von Vibrationsdaten, erzeugt oft sehr große Datenmengen, die kaum noch über die Netzwerkinfrastruktur übertragbar sind. „Dieser Schwierigkeit wird heute meist mit Hilfe sogenannter Edge-Lösungen begegnet. Dabei versucht ein Algorithmus oder auch eine KI (künstliche Intelligenz), den relevanten Datenanteil herauszufiltern und nur diesen an die Steuerung zu übertragen, wo dann die eigentliche Auswertung erfolgt. Dieser Vorgang erfordert aber immer noch ein hohes Maß an (kostspieliger) Rechenleistung oder Auslastung“, gibt Gromov zu bedenken.
Diese Vorteile haben Embedded-KI-Sensoren in Robotern
Will man die Ausfallwahrscheinlichkeit von Robotern nahe gegen Null treiben und gleichzeitig die Kosten dafür senken, bietet sich die Auswertung der Sensordaten am Ort des Entstehens an. Möglich ist dies seit wenigen Jahren durch die steigende Leistungsfähigkeit von Halbleitern, auf denen mittels spezieller Verfahren eine KI „embedded“ läuft.
Solche Embedded-KI-Sensoren übertragen nur das Auswertungsergebnis und reduzieren so das Übertragungsvolumen. Gleichzeitig können sehr große Datenmengen verarbeitet werden, was eine tiefere und präzisere Auswertung ermöglicht.
Setzen Hersteller und Unternehmen in Robotern Embedded-KI ein, ist nicht nur der aktuelle Abnutzungsgrad erkennbar, es werden auch präzise Vorhersagen zur Lebensdauer eines Bauteils oder auch der gesamten Maschine möglich (Predictive Maintenance).
Embedded-KI bietet gegenüber der bei Edge-Lösungen eingesetzten Algorithmik den Vorteil, dass auch komplexe und sonst unvorhersehbare Ereignisse als Anomalie erkannt und entsprechende Aktionen ausgelöst werden. So können beispielsweise untypische Vibrationsmuster einen Getriebeschaden ankündigen. Embedded-KI habe aufgrund des geringen Ressourcenbedarfs auch Kostenvorteile, argumentiert Gromov. "An die Stelle von Wartungsintervallen tritt eine effiziente Servicestrategie“, fügt er hinzu.
Baukasten oder Use-Case-spezifische Entwicklung
Mit KI ausgestattete Sensoren werden auf dem Markt entweder als Baukastensysteme angeboten oder als „Embedded-KI-Systemkomponenten“ anwendungsspezifisch entwickelt (sowohl KI als auch Sensorplatine). Die Systemkomponenten sind so gestaltet, dass sie die Konnektivität mit dem jeweils verwendeten Bus (zum Beispiel Can, LIN, et cetera) herstellen. Neben der KI- und Elektronikentwicklung suchen Anbieter auch einen jeweils passenden Bauraum, in dem sich die Sensoren platzieren lassen.
Mithilfe solcher Komponenten werden beispielsweise Antriebe, Gelenke, Getriebe, Lager oder auch Hydraulikantriebe der Robotorarme mittels Vibration, Ultraschall oder Laser überwacht. Laser eignen sich auch dann, wenn ein Sensor nur außerhalb des Geräts angebracht werden kann. In manchen komplizierteren Fällen werden mehrere Sensoren eingesetzt (Sensor Fusion).
Roboter-Funktionalität mit Embedded-KI verbessern
Embedded-KI bietet noch weitere Einsatzmöglichkeiten in der Robotik: Mithilfe von Gesten- oder Sprachsteuerung ist die Kollaboration verbesserbar; Personenerkennungslösungen sorgen für mehr Sicherheit, ohne Datenschutzthemen zu tangieren, da ja keine Sensordaten übertragen werden. Und auch Aktuatoren und Werkzeuge lassen sich mittels Embedded-KI verbessern. So können Greifer mit Drucksensoren in Echtzeit Rückmeldung geben, ob ein Gegenstand richtig gefasst wurde.
Quelle: AITAD
