Fraunhofer AustriaZielsetzung und Projektbeschreibung
Das Hauptziel dieses Projektes besteht darin, Roboterausfälle bei Punktschweißanwendungen vorherzusagen und entsprechende Handlungsanweisungen vorzuschlagen, um die betrieblichen Ausfallzeiten um etwa 3 % zu verringern. Durch die Kombination verschiedener mathematischer und numerischer Modelle aus der Zuverlässigkeitstheorie und Qualitätskontrolle, Methoden der industriellen künstlichen Intelligenz zur Klassifizierung und Regressionsanalyse sowie des Domänenwissens über das Systemverhalten von Schweißanwendungen, wird ein selbstlernender charakteristischer Raum mit einer dynamischen Anzahl von Dimensionen und Zuständen geschaffen. Dieser Raum kann genutzt werden, um i) Roboterdaten zu interpretieren und ii) über Aktionen an bzw. des Roboters zu entscheiden.
Grundlage für die Dateninterpretation ist ein synchroner Verlauf von Sensor- und Zustandsinformationen sowie Fehlerprotokollen, der zur Identifikation charakteristischer Verhaltensmuster der Roboter führt. Zusätzlich werden relevante Roboterfehlerzustände in einer Fehlermöglichkeits- und Einflussanalyse (FMEA) durch Roboterexperten ermittelt, um zusätzliche Kovariablen in den Datensätzen der bereitgestellten Punktschweißzyklen bereitzustellen. Die Identifikation weiterer möglicher Fehlerquellen durch Anwendung von Klassifikationsalgorithmen ist ebenfalls angedacht. Durch die Kombination der Zuverlässigkeitstheorie mit unüberwachtem, überwachtem oder verstärktem Lernen ist das Modell dann in der Lage, i) Systemfehler vorherzusagen, d. h. eine diskrete Fehlerklassifizierung und Fehlerratenschätzung (mit Kovariaten) durchzuführen, ii) noch detailliertere Klassifizierungen zu identifizieren, um die Zuverlässigkeit der Vorhersage zu erhöhen, und iii) Handlungsempfehlungen abzuleiten.
Auf industrieller künstlicher Intelligenz basierende Methoden machen nicht nur die Wartung für das Instandhaltungspersonal effizienter, indem sie Echtzeit-Empfehlungen liefern, sondern liefern auch ein tieferes Wissen über das Systemverhalten und die Ausfallzeiten, indem neue Korrelationen und Muster innerhalb relevanter Datensätze dynamisch identifiziert werden.