Detección de anomalías en el taller de prensado de Changan Automobile Si se utiliza la detección de anomalías en el taller de prensado, se pueden detectar los problemas en una fase temprana e iniciar medidas de mantenimiento proactivas. Esto contribuye a minimizar los tiempos de inactividad y a garantizar la calidad del producto.

Los grupos automovilísticos se enfrentan a una considerable presión competitiva a nivel mundial, por lo que buscan constantemente formas de producir de manera más eficiente. Al mismo tiempo, la industria del automóvil se considera un motor de innovación y un modelo para otras industrias. Por este motivo, se enfrentan a grandes expectativas sociales y políticas para construir fábricas con cero emisiones netas, en consonancia con la All Electric Society. El proceso de producción de un vehículo comienza con el prensado de las piezas de la carrocería. En él, se prensan planchas de metal en moldes especiales para fabricar las distintas piezas de un vehículo. En las fases posteriores, las piezas se convierten en un coche listo para su uso. Por tanto, el proceso de prensado es un paso decisivo y de alto consumo energético en la cadena de valor de cualquier fabricante de automóviles. Por un lado, el proceso es decisivo para la calidad del producto final, por otro, los fallos y retrasos tienen consecuencias de largo alcance en todo el flujo de producción y, por tanto, en los costes de fabricación del vehículo.

Dada la gran importancia del proceso de prensado, Changan Automobile, uno de los cuatro mayores fabricantes de automóviles de China, buscó una solución para detectar anomalías en los motores eléctricos de sus talleres de prensado. Con Digital Factory now, Phoenix Contact ofrece una amplia gama de productos, soluciones, conceptos y servicios para la digitalización de fábricas brownfield y greenfield, con los que se pueden construir plantas de producción digitalizadas competitivas y que ahorran recursos. En el centro de la cartera se encuentra MLnext, que consta de las soluciones de software MLnext Creation y MLnext Execution. MLnext permite el uso sencillo y eficaz del Machine Learning (ML) en la fábrica digital. Gracias a la detección de anomalías, Changan puede detectar posibles problemas en los motores en una fase temprana y tomar medidas proactivas para minimizar los tiempos de inactividad y garantizar así la calidad del producto.

El primer paso y el más importante en cualquier proyecto de Machine Learning es crear una base de datos. En Changan Automobile se registraron los datos de dos líneas de producción por cada taller de prensado, cada una con cuatro prensas y motores eléctricos instalados. Aquí es donde entra en juego otro producto de la cartera Digital Factory now: el IIoT Framework. Se trata de una interfaz escalable, abierta y flexible entre la OT (Operational Technology, nivel de producción) y la IT (Information Technology). Los datos de los distintos sensores instalados en el heterogéneo mundo de la OT pueden recopilarse mediante conectores de entrada para protocolos de transmisión como PROFINET, MQTT y Modbus. A continuación, estos pueden almacenarse de forma permanente mediante conectores de salida en una base de datos, p. ej., MySQL o InfluxDB, o en la nube, p. ej., Proficloud.io, AWS o Azure. De este modo, los datos están disponibles en todos los niveles y en todo momento para su comparación.

Changan utiliza un medidor de energía de la familia de productos EMpro de Phoenix Contact para registrar los parámetros eléctricos de un motor. Se utiliza una interfaz Modbus/TCP para, entre otras cosas, registrar y transmitir el consumo de energía y la potencia del motor. Además, un sensor combinado mide la temperatura y las vibraciones y transmite los valores a través de PROFINET IO-Link. El IIoT Framework, que se ejecuta en un Edge PC de la serie EPC 1522, puede así recopilar los datos de todos los motores de forma centralizada y archivarlos en una base de datos. La primera base de datos estuvo disponible al cabo de un mes.

Esta base de datos se utilizó para generar un modelo ML inicial. La herramienta de software MLnext Creation proporciona una interfaz de usuario intuitiva que puede utilizarse para entrenar un modelo ML sin necesidad de conocimientos de programación ni estadística. Se guía al usuario paso a paso durante el proceso. En el proyecto de Changan, los datos registrados se importan a MLnext Creation y se selecciona la aplicación "Detección de anomalías". Después, se clasifican las complejidades para la búsqueda de hiperparámetros. Así se determinan cuántos modelos diferentes se deben entrenar y se comparan entre sí hasta encontrar el modelo óptimo. El tiempo y la potencia de cálculo disponibles son decisivos en este caso. Todos los demás pasos se realizan en segundo plano, por ejemplo, el tratamiento previo de los datos.

El modelo creado por MLnext Creation es una red neuronal en forma de autocodificador. Su objetivo es comprimir los datos de entrada y reducirlos a las características más importantes para reconstruirlos a partir de esta representación comprimida. En el contexto de la detección de anomalías, el autocodificador se entrena con los datos de funcionamiento normales de los motores. Si tras el entrenamiento se detecta una anomalía en los datos de entrada, el autocodificador no podrá realizar una reconstrucción completa. Esto genera desviaciones considerables entre los datos de entrada y los datos restaurados que permiten identificar anomalías.

En el siguiente paso, el modelo entrenado se aplica al entorno de producción. Para ello, MLnext Execution ofrece un procedimiento totalmente configurable que abarca todo el proceso, desde la adquisición de datos, el preprocesamiento y la inferencia con el modelo hasta el almacenamiento de eventos. La ventaja de MLnext Execution es que tampoco se necesitan conocimientos de programación, ya que todo se puede configurar en un archivo de configuración. En el proyecto de Changan, MLnext Execution se ejecuta en el mismo Edge PC EPC 1522, en el que también se ejecuta el IIoT Framework. Esto permite una integración perfecta en la infraestructura existente. Los datos registrados por los motores se cargan desde la base de datos casi en tiempo real y se someten al mismo tratamiento previo que cuando se entrena el modelo. A continuación, el modelo analiza los datos para detectar anomalías y archiva el resultado, es decir, el periodo de tiempo y el desencadenante, en la base de datos.

La herramienta Grafana, de fácil manejo, se utiliza para visualizar los datos y los resultados del modelo. Grafana puede utilizarse para crear paneles específicos para grupos objetivo que ofrezcan una visión general de los datos de funcionamiento de los motores y las anomalías detectadas. Grafana también permite a Changan realizar posteriormente cambios en los paneles de forma autónoma. También se pueden configurar alarmas para las anomalías detectadas, que alertan al personal de mantenimiento de posibles problemas.

Consúltenos. Le asesoraremos y encontraremos juntos la solución óptima.

El uso de MLnext para la detección de anomalías en los talleres de prensado de Changan Automobile demuestra cómo se pueden detectar posibles problemas de forma temprana, lo que permite minimizar los tiempos de inactividad y aumentar la competitividad. El proceso iterativo del Machine Learning también ofrece la posibilidad de mejorar continuamente el modelo mediante el análisis de las anomalías detectadas y aumentar así la precisión de la detección de anomalías.