Hoe kun je big data-analyse gebruiken om robots in productielijnen efficiënt in te zetten en op tijd te onderhouden? Het hoeft geen rocket science te zijn, betoogt Günter Heinendirk van robotfabrikant Stäubli. Vaak is simpele statistiek al genoeg om een verschil te maken, al is er zeker een rol voor AI. Maar het allerbelangrijkste is: ‘Begin gewoon nu.’
Stäubli werkt aan algoritme voor predictive maintenance
Moderne productierobots zoals Stäubli ze bouwt, leveren niet alleen producten maar ook een stortvloed aan data, van besturingssignalen tot simpele gegevens als de stroom die een afzonderlijke elektromotor trekt. Uit deze datastroom kan kennis worden geëxtraheerd om gerichter en efficiënter preventief onderhoud te plegen, en productieprocessen te optimaliseren, maar ook voor predictive maintenance.
‘Bij Stäubli hebben we informatie van extreem veel robotsystemen, dus als wij een AI-algoritme ontwikkelen, is het heel betrouwbaar’, stelt Günter Heinendirk.
‘Data mining in robotics’ heet de webcast waarin Günter Heinendirk, manager digitale transformatie bij Stäubli, inzicht biedt in de aanpak van zijn bedrijf. Als eerste benadrukt hij het belang van samenwerking; robotfabrikant Stäubli heeft het beste overzicht over zijn eigen robots en daarmee ook de meeste data over hun functioneren. Maar de machinebouwer die ze inbouwt in productielijnen, bezit de beste data over hoe ze kunnen worden ingezet, en de producent weet op zijn beurt juist weer het meeste van het dagelijks reilen en zeilen van de productielijn. Die drie partijen zullen moeten samenwerken op datagebied om optimaal bruikbare kennis uit de bergen data te kunnen halen.
Met de hoeveelheden gegevens die dat oplevert, kom je al snel op het terrein van big data: data in volumes die te groot, te veranderlijk, te complex of te weinig gestructureerd zijn om te evalueren met de hand en conventionele dataverwerkingstechnieken. Heinendirk gebruikt de term big data analytics. Daarbij hoef je niet meteen te grijpen naar zware middelen als AI en machine learning, verzekert hij. Vaak volstaan eenvoudige wiskundige methoden als het plotten van tijdreeksen of het vergelijken van gegevens. ‘Zeg niet te snel: “We hebben geen wiskundig experts, dus we kunnen dat niet.” Zelfs met een old style Excel-bestandje valt er vaak al winst te halen. Begin gewoon.’
Vooraf detecteren
De benodigde data kunnen van sensoren in de productielijn komen, maar ook afkomstig zijn van verbanden tussen data die de machines toch al leveren. Denk aan de stroom die een elektromotor trekt, of gegevens die reeds verzameld worden, zoals de uitkomsten van de kwaliteitscontrole.
Zo was er een klant bij wie af en toe verbogen onderdelen de productielijn verlieten. Onderzoek bracht aan het licht dat een van de workpiece carriers, de houder waarin het onderdeel werd bewerkt, verbogen was. Met terugwerkende kracht had de robot dat zelf ook al ‘gezien’, doordat er meer kracht nodig was om het onderdeel in de houder te plaatsen.
Hoe kun je zoiets nu detecteren, en dan liefst niet achteraf maar vooraf? Daarvoor moet je bijhouden hoeveel kracht die robot levert en wat de spreiding van deze kracht onder normale omstandigheden is. Maar ook de werkstukdragers nummeren, bijvoorbeeld met een barcode of QR-label. Gecombineerd met het serienummer van het onderdeel en de feedback van de kwaliteitscontrole heb je dan alle gegevens om de voorspelling te doen. De afwijking rolt automatisch uit een plot van kracht per houder, en de schuldige is meteen duidelijk. Bij predictive maintenance kunnen geavanceerdere methoden een rol spelen. AI kun je trainen op grote hoeveelheden bestaande data, en belonen als het algoritme het falen van een onderdeel correct voorspelt.
Op tijd voorspellen
Toch zijn er grenzen, waarschuwt Heinendirk. ‘Je hebt alleen iets aan voorspellingen als ze ruim op tijd zijn, zodat het onderdeel vervangen kan worden in een reguliere of tijdig ingeplande onderhoudscyclus. Als je het pas een uur van tevoren weet, heb je alsnog een ongeplande stilval van je productielijn.’ En waar een cpu te monitoren is, geven elektronische componenten vaak geen enkel voorteken voordat ze falen.
Ook moet je rekening houden met de schaal waarop data worden verzameld. ‘Een klant volgde tien robots vijf jaar lang’, vertelt Heinendirk. In die periode had één robotgewricht gefaald. Een AI-algoritme had dat achteraf zien aankomen: een grafiek toonde een AI-parameter die steeds sneller steeg totdat het gewricht het begaf. Heinendirk: ‘Maar ga je echt een robotgewricht vervangen op basis van één algoritme gebaseerd op één geval van falen. Nee, lijkt me.’
Juist daarom is het de bedoeling ook op grotere schaal data te verzamelen. ‘Bij Stäubli hebben we informatie van extreem veel robotsystemen, dus als wij zo’n algoritme ontwikkelen, is het veel betrouwbaarder’, stelt Heinendirk.
Met dat doel komt het bedrijf met Scope, software die data binnenhaalt, bewaart en analyseert, en waarvoor Stäubli ‘grote plannen’ heeft met betrekking tot predictive maintenance. De software biedt veilige manieren om data te delen met andere partijen, waaronder Stäubli zelf. Ook kun je met een data configuration editor zelf datastromen bewerken om ze veilig te exporteren of te verwerken in eigen algoritmen of andere interne systemen.
