Veel productiebedrijven kampen met een acuut tekort aan werknemers met de juiste vaardigheden. Processen voor oppervlaktebehandeling zoals schuren, polijsten, coaten, stralen en spuiten vormen een groot deel van de productieactiviteiten. Deze taken, die vaak handmatig worden uitgevoerd, kunnen verwondingen, ademhalingsziekten en andere gezondheidsrisico's veroorzaken. In de huidige economie kunnen mensen gemakkelijk werk vinden dat hen niet aan deze risico's blootstelt, wat resulteert in een hoge personeelsverloop in ergonomisch uitdagende taken in de productiesector. Dit vormt een groot probleem voor bedrijven die moeite hebben om mensen te vinden voor oppervlaktebehandelingsprocessen. GrayMatter Robotics, een startup op het gebied van industriële robots geeft enkele tips hoe dit probleem kan worden opgelost.
Het bedrijf wordt door analisten als een veelbelovende startup gezien. Niet voor niets haalde het onlangs 45 miljoen dollar aan investeringsgeld op om zowel groei van de activiteiten als de ontwikkeling van nieuwe technologie te kunnen financieren.
Veel bedrijven, zo schrijft Satyandra K. Gupta, mede-oprichter en Chief Scientist bij GrayMatter Robotics in een blog op Automate.org. wenden zich tot robotautomatisering om de productie te versnellen en een consistente kwaliteit te bereiken bij oppervlaktebehandelingen. Productietoepassingen kunnen grofweg worden ingedeeld in twee categorieën, schrijft hij: massaproductie en high-mix (hoogvolume of laagvolume). Robots zijn succesvol ingezet bij massaproductie, maar high-mix toepassingen vormen aanzienlijke uitdagingen voor traditionele robotica-automatisering.
Uitdagingen van high-mix productie
High-mix toepassingen hebben twee kenmerken: frequente wisseling van onderdelen tijdens de productie, vaak binnen enkele minuten, en aanzienlijke variabiliteit in onderdeelafmetingen, geometrie, materiaaleigenschappen en presentatie aan de robotcel. Traditionele robotoplossingen, zoals handmatige programmering van robots, zijn economisch niet haalbaar in high-mix toepassingen vanwege de hoge kosten en tijdsinvestering. Dit zou neerkomen op het vervangen van werknemers door veel duurdere robotprogrammeurs.
GrayMatter Robotics pakt dit probleem aan door AI-gestuurde robotcellen te implementeren die werken in high-mix toepassingen. Deze oplossingen verbeteren de werkomstandigheden door de noodzaak van handmatige, risicovolle taken te verminderen en werknemers in staat te stellen hoogwaardig werk te verrichten, zoals het optimaliseren van processen en het verbeteren van de kwaliteit.
Robotautomatisering voor high-mix oppervlaktebehandelingsprocessen vereist een fundamenteel andere aanpak dan massaproductie. De aanpak die deze startyup voorstaat, omvat op sensoren gebaseerde systemen voor het bouwen van onderdeelmodellen, geautomatiseerde robottrajectgeneratie op basis van deze modellen en besturingssystemen om onzekerheden in de onderdelenmodellen aan te pakken.
Om een robotsysteem interessant te maken voor toepassingen in high-mix productieomgevingen, moet het systeem de volgende kenmerken hebben, schrijft Gupta in zijn blog:
- Kwaliteitsprestaties die concurreren met menselijke arbeid.
- Cyclustijden die concurreren met menselijke arbeid.
- Kosteneffectief.
- Zeer hoge beschikbaarheid van het gehele systeem (bijvoorbeeld lage storingsfrequentie; snelle herstel tijd bij storingen).
- Een garantie op veiligheid.
Veelvoorkomende valkuilen
Veel bedrijven hebben in het verleden geprobeerd robots in te zetten voor high-mix productietoepassingen, schrijft Gupta, maar zagen teleurstellende resultaten. Problemen ontstaan vaak door:
- Onvermogen van de technologie om effectief om te gaan met variabiliteit in onderdelen.
- Lange uitvaltijden door ongeplande onderhouds- en reparatiewerkzaamheden.
- Oplopende kosten door voortdurende ondersteuningsvereisten voor maatwerk of gebruiksspecifieke situaties.
Robotcellen die worden ingezet in high-mix oppervlaktebehandelingsprocessen zijn complexe systemen met meerdere interacties en opereren in dynamische omgevingen. Daarom is er een serieuze kans dat nadelige omstandigheden ontstaan, die, indien niet tijdig aangepakt, kunnen leiden tot falen. Voorbeelden hiervan zijn fluctuaties in luchtdruk, suboptimale verwijdering van afvalstoffen, verhoogde wrijving in het railsysteem en menselijke fouten zoals het laden van onjuiste gereedschappen.
Om te voorkomen dat productiebedrijven gefrustreerd raken door lange uitvaltijden, heeft GrayMatter zogeheten Prognostics and Health Management (PHM) technologie ontwikkeld. Hiermee kan men autonome operaties monitoren en de aanzet van nadelige omstandigheden detecteren en waarschuwingen afgeven. Waar mogelijk kunnen deze waarschuwingen automatische corrigerende acties triggeren om stil leggen van de productie te voorkomen. Indien dit niet mogelijk is, wordt de cel in een veilige staat gebracht en wordt een waarschuwing verzonden naar een ondersteuningsteam, dat het probleem kan diagnosticeren en oplossen.
Tips voor succesvolle toepassing
Gupta geeft in zijn blog zeven tips om robots succesvol in te zetten in high-mix productieomgevingen:
- Tip 1: Verwacht niet dat je zelf scansoftware en planningssoftware kunt kopen en implementeren op een robot om het verwachte prestatieniveau te halen. Het realiseren van een betrouwbaar sensor-gebaseerd adaptief robotsysteem is uitdagend en vereist veel testen.
- Tip 2: Vertrouw niet op een traditionele systeemintegrator om hoge beschikbaarheid (bijvoorbeeld 95% of hoger) te leveren in high-mix toepassingen. Een systeem dat om kan gaan met variabiliteit in onderdelen vereist een AI-gebaseerd PHM-systeem.
- Tip 3: Zoek naar aanbieders van turnkey-oplossingen die adequate ondersteuning bieden. Het systeem moet een ingebouwd PHM-systeem hebben dat autonome operaties kan monitoren en waarschuwingen kan geven bij afwijkingen van de verwachte normale operatie.
- Tip 4: Zoek naar aanbieders die schaalvergroting (op basis van robotcellen geleverd aan meerdere bedrijven) kunnen benutten om hoge beschikbaarheid en geoptimaliseerde prestaties te leveren tegen betaalbare kosten. Het verzamelen van voldoende data van één klantlocatie duurt te lang om processen te optimaliseren en PHM-systemen te trainen.
- Tip 5: Gebruik het Robot as a Service (RaaS) model. Onder dit model betalen klanten een maandelijkse of jaarlijkse abonnementsprijs voor het gebruik van de technologie, wat ondersteuning en continue updates omvat.
- Tip 6: Het is niet nodig om een systeem in te zetten dat 100% van de taak automatiseert. Vaak kan al significant voordeel behaald worden door 80% van de taak te automatiseren.
- Tip 7: Zoek naar oplossingen die door je bestaande personeel gebruikt kunnen worden. Een gebruiksvriendelijke interface en training zijn cruciaal voor het verkrijgen van steun van je personeel.
Met deze tips kunnen productiebedrijven de uitdagingen van high-mix productieomgevingen aanpakken en profiteren van de voordelen van robotica-automatisering, aldus Gupta.
Foto via website GrayMatter Robotics