Registrering af afvigelser på Changan Automobiles presseværk Hvis der anvendes registrering af afvigelser i et presseværk, kan problemer opdages på et tidligt tidspunkt, og der kan iværksættes proaktive vedligeholdelsesforanstaltninger. Det er med til at minimere udfaldstider og sikre produktkvaliteten.

Bilproducenter er under et betydeligt globalt konkurrencepres, og derfor er de altid på udkig efter måder at producere mere effektivt på. Samtidig ses bilindustrien som en drivkraft for innovation og en rollemodel for andre sektorer. Derfor konfronteres de med store sociale og politiske forventninger til etableringen af Net Zero-fabrikker i All Electric Society's ånd. Produktionsprocessen for en bil begynder med presning af karrosseridele. Til dette formål presses metalplader ind i særlige forme for at producere de forskellige dele af et køretøj. I de næste trin omdannes delene til en køreklar bil. Presseprocessen viser sig derfor at være et afgørende og energikrævende trin i en bilproducents værdikæde. På den ene side lægger processen grundlaget for slutproduktets kvalitet; på den anden side har fejl og forsinkelser vidtrækkende konsekvenser for hele produktionsflowet og dermed for køretøjets produktionsomkostninger.

På grund af presseprocessens betydning undersøgte Changan Automobile, en af de fire største bilproducenter i Kina, en løsning til registrering af afvigelser i de elektriske motorer i deres presseværk. Med Digital Factory now tilbyder Phoenix Contact et omfattende udvalg af produkter, løsninger, koncepter og tjenester til digitalisering af Brownfield- og Greenfield-fabrikker, som kan bruges til at opbygge ressourcebesparende og konkurrencedygtige digitaliserede produktionsanlæg. I centrum af produktprogrammet er MLnext, som består af softwareløsningerne MLnext Creation og MLnext Execution. MLnext muliggør enkel og effektiv brug af maskinel læring (ML) i den digitale fabrik. Ved at bruge registrering af afvigelser kan Changan nu identificere potentielle problemer med motorerne på et tidligt tidspunkt og handle proaktivt for at minimere udfaldstider og sikre produktkvaliteten.

Det første og vigtigste skridt i ethvert projekt med maskinel læring er at oprette en database. Hos Changan blev data fra to produktionslinjer, hver med fire presser og installerede elmotorer, registreret for hvert presseværk. Det er her, et andet produkt fra Digital Factory now-sortimentet kommer ind i billedet: IIoT-framework. Det indebærer en skalerbar, åben og fleksibel grænseflade mellem OT (Operational Technology, produktionsniveau) og IT (Information Technology). Data fra de forskellige sensorer, der er installeret i den heterogene OT-verden, kan indsamles via in-konnektorer til overførselsprotokoller som PROFINET, MQTT og Modbus. Disse kan derefter gemmes permanent i en database – f.eks. MySQL eller InfluxDB – eller i skyen – f.eks. Proficloud.io, AWS eller Azure – ved hjælp af out-konnektorer. På den måde er dataene tilgængelige i en sammenlignelig form på alle niveauer til enhver tid.

Changan bruger en energimåler fra Phoenix Contacts EMpro-produktfamilie til at registrere de elektriske parametre i en motor. En Modbus/TCP-grænseflade bruges blandt andet til at registrere og overføre motorens strømforbrug og ydeevne. Derudover måler en kombinationssensor temperatur og vibrationer og kommunikerer værdierne via PROFINET IO-Link. IIoT-framework, som kører på en Edge-pc fra EPC 1522-serien, er således i stand til at indsamle data fra alle motorer centralt og arkivere dem i en database. Det første datagrundlag var tilgængelig efter en måned.

Denne database blev brugt til at generere en indledende ML-model. MLnext Creation-softwareværktøjet har en intuitiv brugergrænseflade, som kan bruges til at træne en ML-model uden nogen form for programmering eller statistisk viden. Brugeren bliver guidet gennem processen trin for trin. I Changan-projektet blev de registrerede data importeret til MLnext Creation, og applikationen "registrering af afvigelser" blev valgt. Derefter blev der foretaget et valg af kompleksiteten for hyperparameter-søgningen. Det afgør, hvor mange forskellige modeller der trænes og sammenlignes med hinanden, indtil den optimale model er fundet. Den tilgængelige computertid og computerkraft viser sig at være afgørende her. Alle yderligere trin foregår i baggrunden, f.eks. forbehandling af data.

Den model, som MLnext Creation skaber, er et neuralt netværk i form af en autoenkoder. Formålet er at komprimere inputdataene og reducere dem til de vigtigste funktioner for at rekonstruere dem ud fra denne komprimerede repræsentation. I forbindelse med registrering af afvigelser trænes autoenkoderen med motorernes normale driftsdata. Hvis der findes en uregelmæssighed i inputdataene efter træning, kan den ikke rekonstrueres fuldt ud af autoenkoderen. Det betyder, at der er store afvigelser mellem inputdataene og de gendannede data, så man kan identificere uregelmæssigheder.

I det næste trin anvendes den trænede model i produktionsmiljøet. MLnext Execution tilbyder en fuldt konfigurerbar pipeline, der dækker hele processen fra dataindsamling, forbehandling og inferens med modellen til lagring af hændelser. Fordelen ved MLnext Execution er, at der heller ikke kræves kendskab til programmering, da alt kan indstilles i en konfigurationsfil. I Changan-projektet kører MLnext Execution på den samme EPC 1522 Edge-pc, som kører IIoT-framework. Det giver mulighed for problemfri integrering i den eksisterende infrastruktur. De data, der registreres af motorerne, indlæses fra databasen næsten i realtid og gennemgår den samme forbehandling som ved træning af modellen. Modellen analyserer derefter dataene for uregelmæssigheder og arkiverer resultatet, dvs. tidsperioden og udløseren, tilbage i databasen.

Det brugervenlige Grafana-værktøj bruges til at visualisere modellens data og resultater. Grafana kan bruges til at oprette målgruppeorienterede dashboards, der giver et overblik over motorernes driftsdata og de registrerede afvigelser. Grafana gør det også muligt for Changan at foretage ændringer i dashboards uafhængigt af hinanden på et senere tidspunkt. Der kan også oprettes alarmer for de identificerede uregelmæssigheder, så vedligeholdelsespersonalet advares om potentielle problemer.

Brugen af MLnext til registrering af afvigelser i Changan Automobiles presseværker viser, hvordan potentielle problemer kan opdages på et tidligt tidspunkt, hvilket minimerer udfaldstid og øger konkurrenceevnen. Den iterative proces med maskinel læring giver også mulighed for løbende at forbedre modellen ved at analysere de registrerede uregelmæssigheder og dermed øge præcisionen i registreringen af afvigelser.