Anomalieerkennung im Presswerk von Changan Automobile Kommt in Presswerken eine Anomalieerkennung zum Einsatz, lassen sich Probleme frühzeitig feststellen und proaktive Wartungsmaßnahmen einleiten. Dies trägt dazu bei, Ausfallzeiten zu minimieren und die Produktqualität zu sichern.

Automobilkonzerne stehen unter einem erheblichen globalen Wettbewerbsdruck, weshalb sie stets nach Möglichkeiten suchen, effizienter zu produzieren. Gleichzeitig gelten die Automobilisten als Innovationstreiber mit einer Vorbildfunktion für andere Branchen. Aus diesem Grund sehen sie sich mit großen gesellschaftlichen und politischen Erwartungen zum Aufbau von Net-Zero-Fabriken im Sinne der All Electric Society konfrontiert. Der Fertigungsprozess eines Autos beginnt mit dem Pressen der Karosserieteile. Zu diesem Zweck werden Metallplatten in spezielle Formen gepresst und so die verschiedenen Teile eines Fahrzeugs hergestellt. In weiteren Schritten entsteht aus den Teilen das fahrbereite Auto. Der Pressprozess erweist sich somit als entscheidender wie auch energieintensiver Schritt in der Wertschöpfungskette eines Automobilproduzenten. Zum einen legt der Prozess die Grundlage für die Qualität des Endprodukts, andererseits haben Ausfälle und Verzögerungen weitreichende Folgen für den gesamten Fertigungsfluss und damit die Herstellkosten des Fahrzeugs.

Angesichts der hohen Bedeutung des Pressprozesses recherchierte Changan Automobile, einer der vier größten Automobilproduzenten Chinas, eine Lösung zur Anomalieerkennung an den Elektromotoren seiner Presswerke. Mit Digital Factory now bietet Phoenix Contact hier ein umfassendes Angebot an Produkten, Lösungen, Konzepten und Services zur Digitalisierung von Brownfield- und Greenfield-Fabriken, mit dem sich ressourcenschonende und wettbewerbsfähige digitalisierte Fertigungsstätten aufbauen lassen. Im Mittelpunkt des Portfolios befindet sich MLnext, das sich aus den Software-Lösungen MLnext Creation und MLnext Execution zusammensetzt. MLnext ermöglicht eine einfache und effektive Nutzung von maschinellem Lernen (ML) in der digitalen Fabrik. Durch Verwendung einer Anomalieerkennung kann Changan jetzt potenzielle Probleme an den Motoren frühzeitig identifizieren und proaktiv handeln, sodass sich Ausfallzeiten minimieren und die Produktqualität sichergestellt ist.

Im ersten und wichtigsten Schritt jedes Machine-Learning-Projekts muss eine Datenbasis geschaffen werden. Bei Changan Automobile wurden pro Presswerk die Daten von jeweils zwei Produktionslinien mit je vier Pressen und installierten Elektromotoren erfasst. An dieser Stelle kommt ein anderes Produkt aus dem Portfolio von Digital Factory now zum Einsatz: das IIoT-Framework. Dabei geht es um eine skalierbare, offene und flexible Schnittstelle zwischen OT (Operational Technology, Fertigungsebene) und IT (Information Technology). Über In-Konnektoren für Übertragungsprotokolle wie PROFINET, MQTT und Modbus lassen sich Daten der unterschiedlichen in der heterogenen OT-Welt verbauten Sensoren einsammeln. Diese können anschließend mittels Out-Konnektoren persistent in einer Datenbank, z. B. MySQL oder InfluxDB, oder in der Cloud, etwa Proficloud.io, AWS oder Azure, gespeichert werden. Auf diese Weise stehen die Daten in vergleichbarer Form zu jeder Zeit auf allen Ebenen zur Verfügung.

Zur Aufnahme der elektrischen Parameter eines Motors nutzt Changan jeweils ein Energiemessgerät der Produktfamilie EMpro von Phoenix Contact. Über eine Modbus/TCP-Schnittstelle werden u. a. der Stromverbrauch und die Leistung des Motors erfasst und weitergeleitet. Darüber hinaus misst ein Kombisensor die Temperatur und Vibration und kommuniziert die Werte via PROFINET IO-Link. Das IIoT-Framework, das auf einem Edge-PC der Baureihe EPC 1522 läuft, ist so in der Lage, die Daten sämtlicher Motoren zentral einzusammeln und in einer Datenbank zu archivieren. Nach einem Monat lag die erste Datenbasis vor.

Mit dieser Datenbasis wurde ein erstes ML-Modell generiert. Das Software-Tool MLnext Creation stellt dafür eine intuitive Benutzeroberfläche bereit, mit der sich ein ML-Modell ohne Programmierkenntnisse oder statistisches Wissen trainieren lässt. Dabei wird der Benutzer Schritt für Schritt durch den Prozess geführt. Im Changan-Projekt sind die aufgenommenen Daten in MLnext Creation importiert und die Applikation „Anomalieerkennung“ gewählt worden. Abschließend erfolgte eine Auswahl der Komplexität für die Hyperparametersuche. Diese bestimmt, wie viele verschiedene Modelle trainiert und miteinander verglichen werden, bis das optimale Modell gefunden ist. Als ausschlaggebend erweisen sich hier die verfügbare Rechenzeit und Rechenleistung. Im Hintergrund finden alle weiteren Schritte statt, z. B. die Vorverarbeitung der Daten.

Bei dem von MLnext Creation erstellten Modell handelt es sich um ein neuronales Netzwerk in Form eines Autoencoders. Dieser zielt darauf ab, die Eingabedaten zu komprimieren und auf die wichtigsten Merkmale zu reduzieren, um sie anschließend aus dieser komprimierten Darstellung wieder zu rekonstruieren. Im Kontext der Anomalieerkennung wird der Autoencoder mit den normalen Betriebsdaten der Motoren trainiert. Wenn sich nun nach dem Training eine Auffälligkeit in den Eingangsdaten zeigt, lässt sich diese vom Autoencoder nicht vollständig rekonstruieren. Im Ergebnis kommt es zu erheblichen Abweichungen zwischen den Eingangsdaten und den wiederhergestellten Daten, sodass Anomalien identifiziert werden können.

Im nächsten Schritt findet das trainierte Modell in der Produktionsumgebung Anwendung. Hierfür bietet MLnext Execution eine komplett konfigurierbare Pipeline, die den gesamten Prozess von der Datenbeschaffung über die Vorverarbeitung und Inferenz mit dem Modell bis zur Speicherung der Ereignisse abdeckt. Der Vorteil von MLnext Execution liegt darin, dass ebenfalls keine Programmierkenntnisse notwendig sind, sondern alles in einer Konfigurationsdatei einstellbar ist. Im Changan-Projekt wird MLnext Execution auf dem gleichen Edge-PC EPC 1522 ausgeführt, auf dem auch das IIoT-Framework läuft. Dies erlaubt eine nahtlose Integration in die bestehende Infrastruktur. Die von den Motoren aufgenommenen Daten werden nahezu in Echtzeit aus der Datenbank geladen und durchlaufen die gleiche Vorverarbeitung wie beim Training des Modells. Danach analysiert das Modell die Daten auf Anomalien und archiviert das Ergebnis, also die Zeitspanne und den Auslöser, wieder in der Datenbank.

Zur Visualisierung der Daten und Ergebnisse des Modells wird das benutzerfreundliche Tool Grafana verwendet. Mit Grafana lassen sich zielgruppengerechte Dashboards erstellen, die einen Überblick über die Betriebsdaten der Motoren und der detektierten Anomalien geben. Zudem eröffnet Grafana die Möglichkeit, dass Changan später eigenständig Veränderungen an den Dashboards vornehmen kann. Ferner können Alarme für die identifizierten Anomalien eingerichtet werden, die das Wartungspersonal auf potenzielle Probleme hinweisen.

Dann sprechen Sie uns gern an. Wir beraten Sie und finden gemeinsam die optimale Lösung.

Der Einsatz von MLnext zur Anomalieerkennung in den Presswerken von Changan Automobile zeigt, wie sich mögliche Probleme frühzeitig feststellen lassen, sodass sich Ausfallzeiten minimieren und die Wettbewerbsfähigkeit erhöht. Der iterative Prozess des maschinellen Lernens bietet außerdem die Option, das Modell durch die Auswertung der detektierten Anomalien kontinuierlich zu verbessern und so die Präzision der Anomalieerkennung zu steigern.