Detekce anomálií v lisovně společnosti Changan Automobile S nasazením detekce anomálií lze problémy v lisovnách odhalit již v rané fázi a zavádět opatření proaktivní údržby. Přispívá to k minimalizaci doby prostojů a zajišťování kvality produktů.

Automobilové koncerny jsou pod značným globálním konkurenčním tlakem, a proto neustále hledají způsoby, jak vyrábět ještě efektivněji. Automobilový průmysl je současně považován za hnací sílu inovací a vzor ostatním odvětvím. Z tohoto důvodu jsou konfrontovány s velkými společenskými a politickými očekáváními, pokud jde o výstavbu uhlíkově neutrálních továren v duchu All Electric Society. Výrobní proces automobilu začíná lisováním dílů karoserie. Za tímto účelem se kovové plechy lisují ve speciálních formách, čímž vznikají různé díly vozidla. V dalších krocích z těchto dílů vzniká automobil připravený k jízdě. V řetězci tvorby přidané hodnoty výrobce automobilů se tudíž proces lisování ukazuje jako stěžejní, ale současně energeticky náročný krok. Na jedné straně je tento proces základem kvality koncového produktu, na straně druhé mají případné výpadky a průtahy dalekosáhlé dopady na celý výrobní tok, a tedy i na výrobní náklady na vozidlo.

Vzhledem ke značnému významu procesu lisování zkoumala společnost Changan Automobile, jeden ze čtyř největších výrobců automobilů v Číně, možnosti řešení detekce anomálií u elektromotorů ve svých lisovnách. Společnost Phoenix Contact přináší v rámci projektu Digital Factory now komplexní nabídku produktů, řešení, koncepcí a služeb pro digitalizaci továren na zelené louce i na brownfieldech, s jejichž pomocí lze zřídit konkurenceschopné digitalizované výrobny, které šetří zdroje. Středobodem portfolia je technologie MLnext, která sestává ze softwarových řešení MLnext Creation a MLnext Execution. MLnext umožňuje jednoduše a efektivně využívat strojové učení (ML) v digitální továrně. S nasazením detekce anomálií dokáže nyní společnost Changan včas identifikovat potenciální problémy s motory a jednat proaktivně, aby minimalizovala dobu prostojů a zajistila kvalitu produktů.

Prvním a nejdůležitějším krokem každého projektu strojového učení je vytvoření databáze. U každé lisovny společnost Changan Automobile zaznamenávala údaje vždy ze dvou výrobních linek, z nichž každá je osazena čtyřmi lisy s příslušnými elektromotory. Zde přichází ke slovu další produkt z portfolia Digital Factory: IIoT Framework. Jde o škálovatelné, otevřené a flexibilní rozhraní mezi OT (provozní technologií na úrovni výroby) a IT (informační technologií). Data z různých snímačů osazených v heterogenním světě provozní technologie lze sbírat prostřednictvím vstupních propojovacích prvků pracujících s protokoly přenosu jako PROFINET, MQTT a Modbus. Pomocí výstupních propojovacích prvků je lze následně trvale uložit do databáze, např. MySQL nebo InfluxDB, případně cloudu, např. Proficloud.io, AWS nebo Azure. Tímto způsobem zůstávají data ve srovnatelném formátu k dispozici kdykoli a na všech úrovních.

K záznamu elektrických parametrů motoru používá společnost Changan měřič spotřeby el. energie z produktové řady EMpro společnosti Phoenix Contact. Prostřednictvím rozhraní Modbus/TCP se mimo jiné zaznamenávají a přenášejí údaje o spotřebě energie a výkonu motoru. Kombinovaný snímač navíc měří teplotu a vibrace a komunikuje jejich hodnoty prostřednictvím zařízení PROFINET IO-Link. IIoT Framework, který běží na Edge PC konstrukční řady EPC 1522, tak dokáže centrálně sbírat data ze všech motorů a archivovat je v databázi. První databáze byla k dispozici po měsíci.

Pomocí této databáze byl vygenerován první model pro strojové učení. Softwarový nástroj MLnext Creation poskytuje intuitivní uživatelské rozhraní, pomocí něhož je možné model strojového učení trénovat bez jakýchkoli znalostí programování nebo statistiky. Uživatel je veden krok za krokem celým procesem. V projektu Changan byla získaná data importována do nástroje MLnext Creation, kde byla zvolena „Detekce anomálií“. Nakonec byla zvolena složitost pro hledání hyperparametrů. Ta určuje, kolik různých modelů se má trénovat a vzájemně porovnávat, dokud nebude nalezen optimální model. Zde přitom rozhoduje dostupný výpočetní čas a výpočetní výkon. Všechny další kroky, např. předběžné zpracování dat, už probíhají na pozadí.

Model vytvořený nástrojem MLnext Creation je vlastně neuronová síť typu autoenkodéru. Cílem je zkomprimovat vstupní data a zredukovat je na nejdůležitější prvky tak, aby bylo možné je z tohoto komprimovaného formátu znovu rekonstruovat. V kontextu detekce anomálií je autoenkodér trénován pomocí běžných provozních údajů motorů. Pokud se po natrénování objeví ve vstupních údajích nějaká nápadná odchylka, nelze ji pomocí autoenkodéru plně rekonstruovat. Výsledkem jsou značné odchylky mezi vstupními údaji a rekonstruovanými údaji, na základě čehož je možné detekovat anomálie.

V dalším kroku natrénovaný model nachází uplatnění ve výrobním prostředí. K tomuto účelu nabízí MLnext Execution plně konfigurovatelnou pipeline, která pokrývá celý proces od sběru dat, přes předběžné zpracování a inferenci pomocí modelu, až po ukládání událostí. Výhoda MLnext Execution spočívá v tom, že nejsou potřeba žádné znalosti programování, protože vše je možné nastavit v konfiguračním souboru. V projektu Changan se MLnext Execution provádí na stejném počítači Edge PC EPC 1522, na němž běží i IIoT Framework. To umožňuje bezproblémovou integraci do stávající infrastruktury. Data přijatá od motorů se načítají z databáze téměř v reálném čase a podstupují totéž předběžné zpracování jako při trénování modelu. Model pak analyzuje data na výskyt anomálií, přičemž zase archivuje do databáze výsledek spolu s časovým intervalem a spouštěčem.

K vizualizaci dat a výsledků modelu se používá uživatelsky přívětivý nástroj Grafana. Pomocí nástroje Grafana lze vytvářet informační panely zaměřené na danou cílovou skupinu, jíž poskytnou přehled o provozních údajích motorů a detekovaných anomáliích. Grafana navíc nabízí společnosti Changan možnost provádět později změny informačních panelů samostatně. Pro detekované anomálie lze mimoto nastavit alarmy, které upozorní pracovníky údržby na možné problémy.

V takovém případě se na nás kdykoli obraťte. Poradíme a společně najdeme optimální řešení.

Použití systému MLnext pro detekci anomálií v lisovnách společnosti Changan Automobile ukazuje, jak lze včas diagnostikovat potenciální problémy, minimalizovat dobu prostojů a zvýšit konkurenceschopnost. Iterativní proces strojového učení také nabízí možnost neustálého zlepšování modelu analýzou zjištěných anomálií, a tím zvýšení přesnosti detekce anomálií.