Predictive Maintenance bei Industrierobotern mit Embedded KI

Bei einem angenommenen Maschinenstundensatz von 2.500 Euro wird der Ausfall eines Roboters schnell kostspielig. Deshalb müssen technisch bedingte Betriebsunterbrechungen zuverlässig vermieden werden, ganz egal, ob nur ein Roboter oder viele hundert in einem Betrieb zum Einsatz kommen. Denn ein Ausfall führt nicht nur zum Produktionsstillstand, sondern hat auch massive Auswirkungen auf die Lagerhaltungskosten, da viele kritische Ersatzteilkomponenten ständig vorgehalten werden müssen.

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.

Starre Wartungsmodelle sind an der Tagesordnung

Diesem Problem begegnen die Roboterhersteller mit mehr oder minder starren Wartungsmodellen. Aktuell üblich sind korrektive bzw. präventive Modelle (wobei punktuelle korrektive Wartungen zu einer schnelleren Abnutzung führen). In der Praxis zeigt sich, dass Roboter oft nur dann gewartet werden, wenn sie reparaturbedürftig sind, die Betriebsstundenzahl dies verlangt oder die Wartung erfolgt präventiv ohne Berücksichtigung des Maschinenzustands.

Roboterhersteller haben auf diese Problematik bereits reagiert und vielerorts bereits Condition Monitoring Systeme etabliert. Dabei 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 präventive Wartung. Dabei ist der Weg zur vorausschauenden Wartung nicht weit.

Datensammeln: „Viel hilft viel“ – aber wie übertragen?

Das zentrale Problem bei der Beurteilung des künftigen Maschinenzustands dürfte die Verfügbarkeit von Daten sein. Denn eine tiefe Beobachtung z.B. von Vibrationsdaten erzeugt oft eine große Menge von Daten, die kaum noch über die Netzwerkinfrastruktur übertragbar sind. Andererseits werden viele Maschinen noch immer mit wenigen, teilweise nicht sehr leistungsstarken Sensoren überwacht, die nur ein Teilspektrum der Daten erfassen. Doch anders als in vielen anderen Lebensbereichen gilt für die Datenerhebung das Prinzip des „Viel hilft viel“ – je mehr Daten also für die Überwachung genutzt werden können, desto zuverlässiger können Aussagen über den künftigen Maschinenzustand getroffen werden.

Dieser Schwierigkeit wird heute meist mit Hilfe sog. Edge-Lösungen begegnet. Dabei versucht ein Algorithmus oder auch eine KI, den relevanten Datenanteil herauszufiltern und nur diesen an die Steuerung zu übertragen, wo dann die eigentliche Auswertung erfolgt – und immer noch ein hohes Maß an (kostspieliger) Rechenleistung erfordert.

Höhere Präzision bei geringeren Kosten

Will man die Ausfallsicherheit von Robotern also nahe gegen Null treiben und gleichzeitig die Kosten dafür senken, bietet sich die Auswertung der Sensordaten am Ort des Entstehens an. Möglich wird dies seit wenigen Jahren durch die steigende Leistungsfähigkeit von Halbleitern, auf denen mittels hochentwickelter spezieller Verfahren eine KI „embedded“ läuft. Solche Embedded AI Sensoren übertragen nur noch das Auswertungsergebnis und reduzieren so das Übertragungsvolumen auf ein Minimum. Gleichzeitig steigt aber die Fähigkeit zur Verarbeitung auch sehr großer Datenmengen, die eine deutlich tieferer und präzisere Auswertung ermöglichen. Damit kann nicht nur der aktuelle Abnutzungsgrad erkannt werden (Condition Monitoring), sondern es werden auch präzise Vorhersagen zur Lebensdauer eines Bauteils oder auch der gesamten Maschine ermöglicht (Predictive Maintenance). KI bietet gegenüber der Algorithmik den Vorteil, dass auch komplexe und sonst unvorhersehbare Ereignisse als Anomalie erkannt und entsprechende Aktionen ausgelöst werden können.

Embedded KI hat jedoch nicht nur den Vorteil der tieferen Datenauswertung, sondern auf Grund des geringen Ressourcenbedarfs auch deutliche Kostenvorteile. Es gibt also deutlich mehr Leistung für weniger Geld. Und präzise Vorhersagen zu einem bevorstehenden Ausfall machen den Service flexibler, schneller und kostengünstiger. An die Stelle von Wartungsintervallen tritt eine effiziente Servicestrategie. Damit entsteht ein Win-Win-Situation für Hersteller und Kunden.

Statt Baukasten: Kunde- und use case spezifische Entwicklung

Mit KI ausgestattete Sensoren werden als „Embedded AI Systemkomponenten“ kundenspezifisch entwickelt. Dabei geht es immer um den konkreten Use Case, für den die KI und die Sensorplatine entwickelt und später in Serie gefertigt werden kann. Solche Systemkomponenten werden so gestaltet, dass sie die Konnektivität mit dem jeweils verwendeten Bus (Can, Lin, etc.) herstellen. Neben der KI- und Elektronikentwicklung wird auch der jeweils passende Bauraum gesucht, wo sich die Sensoren optimal platzieren lassen. Gegenüber marktüblichen KI-Baukasten-Systemen sind derartige Systeme deutlich im Vorsprung.

Mit Hilfe solcher Komponenten können beispielsweise Antriebe, Gelenke, Getriebe, Lager oder auch Hydraulikantreibe mittels Vibration, Ultraschall oder Laser überwacht werden. Laser eignen sich auch dann, wenn die Anbringung des Sensors nur außerhalb des Roboters möglich ist. Komplexe Use Cases können den Einsatz mehrerer Sensoren erforderlich machen (Sensor Fusion).

Besser greifen

Doch Embedded KI bietet noch weitere Einsatzmöglichkeiten in der Robotik: Mit Hilfe von Gesten- oder Sprachsteuerung kann die Kollaboration verbessert werden; Personenerkennungslösungen sorgen für mehr Sicherheit ohne Datenschutzthemen zu tangieren. Und auch Aktuatoren und Werkzeuge lassen sich mittels Embedded KI verbessern. So können Greifer mit Drucksensoren ausgestattet werden, die in Echtzeit Rückmeldung geben können, ob dein Gegenstand richtig gefasst wurde.

Die AITAD GmbH in Offenburg fokussiert sich auf das noch junge Gebiet der Embedded AI und ist weltweit der einzige branchenübergreifende Anbieter dieser Technologie. Hier werden in einem interdisziplinärem Team KI Modelle und Elektronik-Bauteile entwickelt, die für mehr (Ausfall-)sicherheit sorgen. Die zentralen Kompetenzen sind Predictive Maintenance, User Interaction und Funktionale Innovationen.