Predicitve Maintenance : Wie sich die Instandhaltung von Robotern vorhersagen lässt

Im Projekt Suspicion* arbeiten Fraunhofer Austria, Joanneum Research und Craftworks gemeinsam mit dem Challenge Provider Magna Steyr an der verbesserten Analyse von Produktionsdaten. Von den 80 Millionen Datenpunkten, die bei Magna Steyr aufgezeichnet werden, werten Forscherinnen und Forschern einen Teil davon aus, um Einblick in den Zustand einer Punktschweiß-Anlage zu erhalten. Aus den Daten der Robotersysteme des Automobilzulieferers werden mittels maschinellen Lernens und insbesondere mit künstlichen neuronalen Netzen Zusammenhänge zwischen Maschinenparametern und Ausfällen erhoben.

Mathias Brandstötter von Joanneum Research ist Teil des Projektteams und wird gemeinsam mit Titanilla Komenda von Fraunhofer Austria am 10. November 2020 bei der Instandhaltungskonferenz Einblick in das Projekt geben. Brandstötter sprach im Vorfeld zur virtuellen Konferenz mit FACTORY über die smarte Analyse von Robotersystemen.

FACTORY: Worum geht es im Projekt Suspicion?

Mathias Brandstötter: Im Projekt Suspicion (dt: Verdacht, Anm. d. Redaktion) sollen Störungen und Ausfälle mit Hilfe von Anlagendaten vorhersagbar werden. In einigen automatisierten Produktionsbereichen von Magna Steyr folgt ein Roboter auf den anderen. Fällt einer von ihnen aus, dann ist die ganze Kette davon betroffen und das kann zu teuren Stillständen führen. Aus diesem Grund wollen wir Schäden feststellen, bevor sie das Gesamtsystem beeinträchtigen.

FACTORY: Wie gehen Sie dabei vor?

Brandstötter: Im Werk von Magna Steyr übermitteln die Sensoren zehn Mal pro Sekunde alle wesentlichen Informationen über den Zustand der Roboter. Ziel ist es, aus den Daten nicht bloß Auswirkungen auf die Funktionsfähigkeit abzuleiten, sondern schadensbedingte Fehler über künstliche neuronale Netze zu klassifizieren. Die KI soll künftig Hinweise für Schäden erkennen und die Mitarbeiterinnen und Mitarbeiter in der Produktion vorwarnen, wenn eine Störung bevorsteht. Die physikalischen Vorgänge in solchen Maschinen sind aufwendig zu modellieren, weshalb wir auf Methoden, wie mehrschichtiges Lernen, zurückgreifen, um die zahlreichen Einflussfaktoren innerhalb der Roboteranlage zu berücksichtigen.

FACTORY: Wie erfolgt die Fehlersuche?

Brandstötter: Bei Robotersystemen gibt es Handbücher, die 5000 Fehlerarten beschreiben, zusätzlich gibt es ein Peripheriegerät mit mannigfaltigen Fehlerlandschaften. Manche der Fehlerfälle treten über die Lebensdauer eines Roboters häufig auf, andere nie. Es gibt auch jene Störungen, die kritisch sind oder solche, die häufiger auftreten. Wir beschränken uns auf die wesentlichsten und wichtigsten Fehlerfälle, die zu einer Reduzierung der Anlagenverfügbarkeit führen. Mit entsprechenden Algorithmen lernt das System diese zu erkennen. Wenn sich entsprechende Daten der Roboteranlage über die Zeit verändern, erkennt das System, dass ein Anlagenausfall bevorsteht. Es grenzt dann die Ursache ein, prädiziert den Zeitpunkt des Schadenseintritts und informiert den verantwortlichen Produktionsmitarbeiter.

FACTORY: Wenn sich die Fehler in Handbüchern finden, wieso ist es dann notwendig, dass das System Fehlerklassen selbst erlernt?

Brandstötter: Anlagen, wie bei Magna Steyr, sind ein Konglomerat vieler Einzelsysteme, die nicht nur ein Ingenieur gebaut hat und daher alles darüber weiß. Das Gesamtsystem ist oft so komplex, dass es für einen Menschen nicht einfach überschaubar ist. Hier hilft uns die KI, unsere eigens kreierte Komplexität wieder zu entwirren. Wenn eine bestimmte Fehlerklasse häufiger auftritt, kann die mathematische Betrachtung zeigen, ob die Ursache womöglich wo anders liegt, als der Mensch vermutet.

FACTORY: Was ist für die verlässliche Fehlererkennung bei der Datensammlung wichtig?

Brandstötter: Es ist wichtig, dass die Daten in einer hohen zeitlichen Auflösung zur Verfügung gestellt werden. Hochqualitative Daten müssen zum gleichen Zeitpunkt, z.B. alle fünf Millisekunden - vom Roboterarm bis zum Peripheriegerät - vorliegen und den Zustand des Systems abbilden.

Doch nicht nur Sensordaten der Robotersysteme liefern aufschlussreiche Informationen, sondern auch die Qualität des Endproduktes. Ändert sich die Qualität des gefertigten Bauteils, lassen sich Rückschlüsse auf das System und die zugeführten Teile ziehen. Gemeinsam mit Craftworks und Fraunhofer Austria analysieren wir im Projekt Suspicion vorrangig Robotersystemdaten, doch wollen wir zukünftig auch Qualitätsdaten miteinbeziehen und herauslesen, welchen Ursprung ein Fehler hat.

Die diesjährige Instandhaltungskonferenz fand zum ersten Mal virtuell statt und kann noch bis Mitte Dezember 2020 besucht werden. Einfach hier registrieren. Es erwartet Sie ein großartiges Vortragsprogramm und interessante Aussteller!

Mathias Brandstötter ist Stellvertretender Institutsdirektor des Instituts für Robotik und Mechatronik der Joanneum Research Forschungsgesellschaft. Seine wissenschaftlichen Arbeiten konzentrieren sich auf die Gebiete Roboterkinematik, mobile sensitive Manipulation, Mensch-Roboter-Arbeitssysteme und Sicherheitsfragen bei kollaborativen Robotersystemen.

*Das Projekt Suspicion wird durch ESMERA – European SMEs Robotic Applications – gefördert. ESMERA wurde im Jänner 2018 gestartet und wird vom Laboratory for Manufacturing Systems and Automation an der University of Patras koordiniert. Mehr zum Projekt: http://www.esmera-project.eu/suspicion/