Anomalioiden havaitseminen Changan Automobilen prässäämössä Kun prässäämöissä käytetään anomalioiden havaitsemista, ongelmat voidaan havaita varhaisessa vaiheessa ja käynnistää ennakoivia huoltotoimenpiteitä. Tämä auttaa minimoimaan häiriöajat ja varmistamaan tuotteiden laadun.

Autoteollisuusyritykset ovat huomattavan globaalin kilpailupaineen alla, minkä vuoksi ne etsivät jatkuvasti keinoja tuotannon tehostamiseksi. Samaan aikaan autoteollisuutta pidetään innovaation veturina ja esikuvana muille aloille. Tästä syystä niihin kohdistuu suuria yhteiskunnallisia ja poliittisia odotuksia, jotka koskevat hiilidioksidipäästöttömien tehtaiden perustamista All Electric Society -konseptin hengessä. Auton valmistusprosessi alkaa korin osien puristamisella. Tätä tarkoitusta varten metallilevyt puristetaan erityisiin muotteihin, ja näin valmistetaan ajoneuvon eri osia. Seuraavissa vaiheissa osista tehdään ajovalmis auto. Puristusprosessi osoittautuu näin ollen ratkaisevaksi ja energiaintensiiviseksi vaiheeksi autonvalmistajan arvoketjussa. Toisaalta prosessi luo pohjan lopputuotteen laadulle, mutta toisaalta epäonnistumisilla ja viivästyksillä on kauaskantoiset seuraukset koko tuotantovirtaan ja siten ajoneuvon valmistuskustannuksiin.

Koska puristusprosessi on tärkeä, Changan Automobile, yksi Kiinan neljästä suurimmasta autonvalmistajasta, selvitti ratkaisua prässäämöidensä sähkömoottoreiden anomalioiden havaitsemiseksi. Phoenix Contactin Digital Factory now tarjoaa nyt brownfield- ja greenfield-tehtaiden digitalisointiin kattavan valikoiman tuotteita, ratkaisuja, konsepteja ja palveluja, joiden avulla voidaan perustaa resursseja säästäviä ja kilpailukykyisiä digitalisoituja tuotantolaitoksia. Valikoiman keskiössä on MLnext, joka koostuu MLnext Creation- ja MLnext Execution -ohjelmistoratkaisuista. MLnext mahdollistaa koneoppimisen (ML) helpon ja tehokkaan käytön digitaalisessa tehtaassa. Anomalioiden havaitsemisen avulla Changan pystyy nyt tunnistamaan moottoreiden mahdolliset ongelmat jo varhaisessa vaiheessa ja ryhtymään ennakoiviin toimiin, jotta voidaan minimoida häiriöajat ja varmistaa tuotteiden laatu.

Ensimmäinen ja tärkein vaihe missä tahansa koneoppimisprojektissa on tietokannan luominen. Changan Automobilessa kirjattiin prässäämökohtaisesti tiedot kahdesta tuotantolinjasta, joissa kummassakin oli neljä puristinta ja asennetut sähkömoottorit. Tässä kohdassa käytetään toista tuotetta Digital Factory now -valikoimasta: IIoT-Frameworkia. Siinä on kyseessä skaalattava, avoin ja joustava rajapinta OT:n (operatiivinen teknologia, tuotantotaso) ja IT:n (tietotekniikka) välillä. PROFINETin, MQTT:n ja Modbusin kaltaisten siirtoprotokollien in-liitäntöjen avulla voidaan kerätä tietoja heterogeeniseen OT-maailmaan asennetuista erilaisista antureista. Nämä voidaan sitten tallentaa out-liitäntöjen avulla pysyvästi tietokantaan, esim. MySQL tai InfluxDB, tai pilveen, esim. Proficloud.io, AWS tai Azure. Näin tiedot ovat saatavilla vertailukelpoisessa muodossa kaikilla tasoilla ja kaikkina aikoina.

Changan käyttää Phoenix Contactin EMpro-tuoteperheeseen kuuluvaa energiamittaria moottorin sähköisten parametrien tallentamiseen. Modbus/TCP-liitäntää käytetään muun muassa moottorin virrankulutuksen ja suorituskyvyn tallentamiseen ja lähettämiseen. Lisäksi yhdistelmäanturi mittaa lämpötilaa ja tärinää ja välittää arvot PROFINET IO-Linkin kautta. IIoT-Framework, joka toimii EPC 1522 -tuotesarjan Edge PC:llä, pystyy näin ollen keräämään kaikkien moottoreiden tiedot keskitetysti ja arkistoimaan ne tietokantaan. Ensimmäinen tietokanta oli käytettävissä kuukauden kuluttua.

Tätä tietokantaa käytettiin alkuperäisen ML-mallin luomiseen. MLnext Creation -ohjelmistotyökalu tarjoaa intuitiivisen käyttöliittymän, jonka avulla ML-malli voidaan kouluttaa ilman ohjelmointi- tai tilastotieteellistä osaamista. Käyttäjää ohjataan prosessin läpi vaihe vaiheelta. Changan-hankkeessa tallennetut tiedot tuotiin MLnext Creation -ohjelmistoon ja käytettiin "Anomalioiden havaitseminen" -sovellusta. Lopuksi valittiin hyperparametrihaun kompleksisuus. Se määrittää, kuinka monta eri mallia koulutetaan ja verrataan keskenään, kunnes optimaalinen malli löytyy. Käytettävissä oleva laskenta-aika ja laskentateho ovat tässä ratkaisevia tekijöitä. Kaikki muut vaiheet, kuten tietojen esikäsittely, tapahtuvat taustalla.

MLnext Creationin luoma malli on autokooderin muodossa oleva neuroverkko. Sen tarkoituksena on pakata syöttötiedot ja pelkistää ne tärkeimpiin ominaisuuksiin, jotta se voidaan sitten rekonstruoida tästä pakatusta esityksestä. Anomalioiden havaitsemisessa autokooderi koulutetaan moottoreiden normaaleilla toimintatiedoilla. Jos tulevassa datassa havaitaan koulutuksen jälkeen anomalia, autokooderi ei voi täysin rekonstruoida sitä. Tämän seurauksena tulevan datan ja palautettujen tietojen välillä on huomattavia poikkeamia, joten anomaliat voidaan tunnistaa.

Seuraavassa vaiheessa koulutettua mallia sovelletaan tuotantoympäristössä. Tätä varten MLnext Execution tarjoaa täysin konfiguroitavissa olevan putken, joka kattaa koko prosessin tiedonhankinnasta, esikäsittelystä ja mallin avulla tehtävistä päätelmistä tapahtumien tallentamiseen. MLnext Executionin etuna on se, että ohjelmointitaitoa ei myöskään tarvita, vaan kaikki voidaan määrittää asetustiedostossa. Changan-hankkeessa MLnext Execution toimii samassa EPC 1522 -Edge PC:ssä, jossa IIoT-Framework toimii. Tämä mahdollistaa saumattoman integroinnin olemassa olevaan infrastruktuuriin. Moottoreista tallennetut tiedot ladataan tietokannasta lähes reaaliajassa, ja niille tehdään sama esikäsittely kuin mallia koulutettaessa. Tämän jälkeen malli analysoi tiedot anomalioiden varalta ja arkistoi tulokset eli ajanjakson ja poikkeavuuden laukaisijan takaisin tietokantaan.

Mallin tietojen ja tulosten visualisointiin käytetään helppokäyttöistä Grafana-työkalua. Grafanan avulla voidaan luoda kohderyhmäkohtaisia hallintapaneeleja, jotka antavat yleiskuvan moottoreiden toimintatiedoista ja havaituista poikkeavuuksista. Grafana mahdollistaa myös sen, että Changan voi tehdä muutoksia hallintapaneeleihin itsenäisesti myöhemmin. Tunnistetuista poikkeavuuksista voidaan myös asettaa hälytyksiä, jotka varoittavat huoltohenkilöstöä mahdollisista ongelmista.

Ota meihin yhteyttä. Neuvomme sinua ja löydämme yhdessä optimaalisen ratkaisun.

MLnextin käyttö anomalioiden havaitsemiseen Changan Automobilen prässäämöissä osoittaa, miten mahdolliset ongelmat voidaan havaita varhaisessa vaiheessa, mikä minimoi häiriöaikoja ja lisää kilpailukykyä. Koneoppimisen iteratiivinen prosessi tarjoaa myös mahdollisuuden parantaa mallia jatkuvasti analysoimalla havaittuja anomalioita ja siten lisätä niiden havaitsemisen tarkkuutta.