工业机器人每小时的运营成本为2500美元，其故障带来的经济影响可能迅速升级。因此，无论是涉及单个机械臂还是数百个工业机器人，有效避免此类技术故障至关重要。故障不仅会停止生产，还会因需要储存大量关键替换部件而大大增加库存成本。

嵌入式人工智能制造商AITAD的创始人Viacheslav Gromov表示，“获取生产机器人停机时间的精确数字具有挑战性，因为估值差异很大，因此很难准确衡量停机的实际成本。但是，从汽车行业来看，这些成本每年每家工厂可能累积到数百万美元。最常见的易发生故障的部件包括关节、驱动器和液压系统。随着时间的推移，机器人手臂会因自然磨损而精度越来越低”。

传统维护模式

机器人生产商传统上依赖严格的维护模型，而标准则是纠正模型。然而，这种方法甚至会加速磨损过程，维护通常是在故障后根据运行时间被动进行，或者不管机器的实际状况如何都采取先发制人的措施。

Gromov称，“制造商正在通过实施状态监测系统来缓解这一问题，该系统根据机器的当前实际状态预测未来的维护需求。然而，这些预测通常仍然不准确，使得状态监测仅仅是故障检测的一种高级变体。真正的游戏规则改变者是预测性维护，它通过实现更具战略性的维护规划提供了显著好处。”

数据收集：挑战和解决方案

收集和分析可用于机器使用的数据非常复杂。许多机器人通常由有限且功能较弱的传感器监控，这些传感器只能捕获必要数据的一小部分。而“越多越好”在数据收集和数据驱动开发中尤其适用，因为广泛的数据收集和分析可以更准确地预测机器的未来状况。然而，生成的海量数据，尤其是深度监控产生的数据，对当代网络基础设施提出了挑战。

Gromov称，“传统上，边缘计算解决方案可用于解决此问题。算法或人工智能会过滤最相关的数据部分，并仅将此选择传输到控制系统，实际转换在此进行。尽管如此，此过程仍然需要大量计算能力，成本可能会很高。”

机器人中的嵌入式人工智能：更高精度，更低成本

在传感器数据的来源地对其进行评估是降低机器人故障率，并同时降低成本的最可行解决方案。半导体性能的最新进步使得“嵌入式人工智能”能够通过高度复杂的工艺集成到芯片上。此类嵌入式人工智能传感器仅传输给定输入的相关评估结果，从而最大限度地减少数据传输量。这可以分析更大的数据集，从而实现更准确、更精确的评估。

在机器人中使用嵌入式人工智能可以揭示其当前的磨损状态，人工智能可以据此预测部件或整个机器的使用寿命（预测性维护）。嵌入式人工智能通过识别不可预测的事件（例如异常）以及启动先发制人的对策，超越了传统的边缘计算。

Gromov补充道：“嵌入式人工智能凭借其低资源需求，提供更深入的数据洞察和成本效益。从本质上讲，它以更少的钱实现了性能提升。从而实现主动、灵活且具有成本效益的维护策略。这种转变可以用更有效的服务方法取代固定的维护计划，为制造商和客户创造双赢局面。”

针对特定用例的定制开发

配备AI的传感器是作为定制的“嵌入式AI系统组件”开发的，以满足特定客户需求。这些组件在投入批量生产之前针对特定和具体的用例进行了设计。它们旨在与系统各自的总线架构（LIN、CAN等）无缝集成，并高效地放置在设备结构中。这种量身定制的方法比标准的AI模块化系统具有灵活性优势，可以精确定制机器人的不同特性。

此类传感器组件可以监测机器人的关键部件，例如驱动器、关节、变速箱、轴承或液压驱动器，从而通过振动、超声波或激光监测来保护它们。更复杂的用例可能还需要多个传感器进行全面监控（传感器融合）。

增强机器人功能

嵌入式人工智能不仅提高了机器人的可靠性，还为机器人技术提供了更多应用可能性。人机协作和通信可以通过语音或手势命令等直观控制来增强。人脸识别解决方案还可以在尊重隐私和数据保护的同时提高安全性，因为不会传输敏感数据。此外，嵌入式人工智能可以通过实时反馈来改进执行器和工具的功能，以确保操作准确性。

Gromov称，“作为定制嵌入式人工智能解决方案的专家，我们是跨行业提供该技术的唯一全球供应商。跨学科团队致力于开发可提高可靠性和安全性的人工智能模型和电子元件。我们的核心竞争力是预测性维护、用户交互和功能创新。”