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“, erläutert Viacheslav Gromov, Gründer des Embedded-KI-Anbieters Aitad. „Wir wissen jedoch zuverlässig von Ausfallkosten in der Automobilindustrie, die sich jährlich auf hohe Millionenbeträge pro Betrieb summieren. Typische Ausfallkomponenten sind Gelenke, Antriebe und Hydraulik. Schon aufgrund des natürlichen Abnutzungsprozesses werden Roboterarme mit der Zeit immer unpräziser.“
Starre Wartungsmodelle
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 Roboterarme oft nur dann gewartet werden, wenn sie reparaturbedürftig sind oder die Betriebsstundenzahl es verlangt. Alternativ erfolgt die Wartung präventiv ohne Berücksichtigung des Maschinenzustands.
„Roboterhersteller wollen auf dieses Problem mit der Etablierung von Condition-Monitoring-Systemen,“ so Gromov weiter. 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. Dabei ist der Weg zur vorausschauenden Wartung, auf englisch Predictive Maintenance, die Unternehmen deutlich mehr Vorteile bringt,“ versichert Gromov.
Datensammeln hilft
In der Praxis zeigt sich, dass es gar nicht so einfach ist, die richtigen Daten zu sammeln und für einen effektiven Nutzen der Maschine auszuwerten. Viele Roboter werden noch immer mit wenigen, teils nicht sehr leistungsstarken Sensoren überwacht, die nur ein Teilspektrum der Daten erfassen. Doch anders als in vielen anderen Arbeitsbereichen gilt für die Datenerhebung und datengetriebene Entwicklung das Prinzip „Viel hilft viel“ – je mehr Daten durch die Überwachung gesammelt und ausgewertet werden können, desto zuverlässiger lassen sich Aussagen über den künftigen Maschinenzustand treffen. Ein weiteres Hindernis ist die Netzwerkkapazität. Eine tiefe Beobachtung, z.B. von Vibrationsdaten, erzeugt oft sehr große Datenmengen, die kaum noch über die Netzwerkinfrastruktur übertragbar sind.
Dieser Situation wird heute meist mit Hilfe sogenannter Edge-Lösungen begegnet. Dabei versucht ein Algorithmus oder auch eine 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 Rechenleistung oder Auslastung,“ gibt Gromov zu bedenken.
Mehr Präzision, weniger Kosten
Will man die Ausfallwahrscheinlichkeit von Robotern gegen Null treiben und gleichzeitig die Kosten 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 eingebettete künstliche Intelligenz läuft. Solche Embedded-KI-Sensoren übertragen nur noch das Auswertungsergebnis und reduzieren so das Übertragungsvolumen stark. Gleichzeitig steigt die Fähigkeit zur Verarbeitung auch sehr großer Datenmengen, was eine tiefere und präzisere Auswertung ermöglicht.
