Détection d'anomalies sur les presses de Changan Automobile L'utilisation de la détection d'anomalies sur les presses permet de détecter les problèmes à un stade précoce et de mettre en place des mesures de maintenance proactives. Cela contribue à minimiser les pannes et à garantir la qualité des produits.

Les groupes automobiles sont soumis à une pression concurrentielle mondiale considérable, c'est pourquoi ils sont toujours à la recherche de moyens leur permettant de produire plus efficacement. Parallèlement, les constructeurs automobiles sont considérés comme des moteurs de l'innovation ayant une fonction de modèle pour d'autres industries. C'est pourquoi ils sont confrontés à de grandes attentes sociales et politiques pour construire des usines zéro net dans l'esprit de la All Electric Society. Le processus de fabrication d'une voiture commence par le pressage des éléments de la carrosserie. À cette fin, des plaques de métal sont pressées dans des moules spéciaux pour fabriquer les différents éléments d'un véhicule. Les étapes suivantes consistent à transformer ces éléments en une voiture prête à rouler. Le processus de pressage s'avère donc être une étape décisive et énergivore dans la chaîne de création de valeur d'un constructeur automobile. D'une part, le processus pose les bases de la qualité du produit final, d'autre part, les défaillances et les retards ont des conséquences importantes sur l'ensemble du flux de production et donc sur les coûts de fabrication du véhicule.

Compte tenu de l'importance du processus d'emboutissage, Changan Automobile, l'un des quatre plus grands constructeurs automobiles de Chine, a recherché une solution pour la détection d'anomalies sur les moteurs électriques de ses presses. Avec Digital Factory now, Phoenix Contact propose ici une offre complète de produits, de solutions, de concepts et de services pour la numérisation d'usines brownfield et greenfield, permettant de mettre en place des sites de production numérisés compétitifs et économes en ressources. Au cœur du portefeuille se trouve MLnext qui se compose des solutions logicielles MLnext Creation et MLnext Execution. MLnext permet d'utiliser facilement et efficacement l'apprentissage automatique (ML) dans l'usine connectée. Grâce à la détection d'anomalies, Changan peut désormais identifier les problèmes potentiels sur les moteurs à un stade précoce et agir de manière proactive, ce qui permet de minimiser les pannes et de garantir la qualité des produits.

La première et la plus importante étape de tout projet d'apprentissage automatique consiste à créer une base de données. Chez Changan, les données de deux lignes de production avec chacune quatre presses et moteurs électriques installés ont été saisies pour chaque installation d'emboutissage. C'est là qu'intervient un autre produit du portefeuille de Digital Factory now : l'environnement de l'Internet industriel des objets (IIoT-Framework). Il s'agit d'une interface évolutive, ouverte et flexible entre OT (Operational Technology, technologie opérationnelle) et IT (Information Technology, informatique ou technologie de l'information). Les connecteurs d'entrée (IN) pour protocoles de transmission tels que PROFINET, MQTT et Modbus permettent de collecter les données des différents capteurs installés dans le monde OT hétérogène. Ces données peuvent ensuite être stockées de manière persistante dans une base de données, par exemple MySQL ou InfluxDB, ou dans le cloud, par exemple Proficloud.io, AWS ou Azure, à l'aide de connecteurs de sortie (OUT). De cette manière, les données sont disponibles sous une forme comparable à tout moment et à tous les niveaux.

Pour enregistrer les paramètres électriques d'un moteur, Changan utilise à chaque fois un compteur d'énergie de la gamme de produits EMpro de Phoenix Contact. Une interface Modbus/TCP permet notamment d'enregistrer et de transmettre la consommation électrique et la puissance du moteur. En outre, un capteur combiné mesure la température et les vibrations et communique les valeurs via PROFINET IO-Link. L'environnement de l'Internet industriel des objets IIoT-Framework, qui fonctionne sur un Edge-PC de la série EPC 1522, est ainsi en mesure de collecter de manière centralisée les données de tous les moteurs et de les archiver dans une base de données. Un mois plus tard, la première base de données était disponible.

Un premier modèle ML a été généré à partir de cette base de données. L'outil logiciel MLnext Creation fournit à cet effet une interface utilisateur intuitive qui permet d'entraîner un modèle ML sans connaissances en programmation ou en statistiques. L'utilisateur est alors guidé pas à pas à travers le processus. Dans le projet Changan, les données enregistrées ont été importées dans MLnext Creation et l'application « détection d'anomalies » a été sélectionnée. Enfin, un choix de complexité a été effectué pour la recherche d'hyperparamètres. Ce choix détermine le nombre de modèles différents qui seront entraînés et comparés entre eux jusqu'à ce que le modèle optimal soit trouvé. Le temps de calcul et la puissance de calcul disponibles s'avèrent ici décisifs. Toutes les autres étapes ont lieu en arrière-plan, par exemple le prétraitement des données.

Le modèle créé par MLnext Creation est un réseau neuronal sous forme d'auto-encodeur. Celui-ci vise à comprimer les données d'entrée et à les réduire aux caractéristiques les plus importantes, pour les reconstruire ensuite à partir de cette représentation comprimée. Dans le contexte de la détection d'anomalies, l'auto-encoder est entraîné avec les données de fonctionnement normales des moteurs. Or, si une anomalie apparaît dans les données d'entrée après l'entraînement, l'auto-encoder ne peut alors plus les reconstituer entièrement. Il en résulte des écarts importants entre les données d'entrée et les données récupérées, ce qui permet d'identifier les anomalies.

L'étape suivante consiste à appliquer le modèle appris dans l'environnement de production. Pour cela, MLnext Execution propose un pipeline entièrement configurable qui couvre l'ensemble du processus de l'acquisition des données au stockage des événements, en passant par le prétraitement et l'inférence avec le modèle. L'avantage de MLnext Execution réside dans le fait qu'il n'est pas non plus nécessaire d'avoir des connaissances en programmation car tout peut être réglé dans un fichier de configuration. Pour le projet Changan, MLnext Execution est exécuté sur le même Edge-PC EPC 1522 que celui qui exécute l'environnement IIoT-Framework. Cela permet une intégration transparente dans l'infrastructure existante. Les données enregistrées à partir des moteurs sont chargées presque en temps réel à partir de la base de données et subissent le même prétraitement que lors de l'entraînement du modèle. Ensuite, le modèle analyse les données à la recherche d'anomalies et archive à nouveau le résultat, c'est-à-dire la période et le déclencheur, dans la base de données.

L'outil convivial Grafana est utilisé pour visualiser les données et les résultats du modèle. Grafana permet de créer des tableaux de bord adaptés aux groupes cibles, qui donnent un aperçu des données de fonctionnement des moteurs et des anomalies détectées. De plus, Grafana ouvre la possibilité à Changan d'apporter ultérieurement des modifications aux tableaux de bord de manière autonome. Des alarmes peuvent également être configurées pour les anomalies identifiées afin de signaler au personnel de maintenance des problèmes potentiels.

L'utilisation de MLnext pour la détection d'anomalies sur les presses de Changan Automobile montre comment les problèmes potentiels peuvent être détectés à un stade précoce afin de minimiser les pannes et d'améliorer la compétitivité. Le processus itératif d'apprentissage automatique offre également l'option d'améliorer continuellement le modèle en évaluant les anomalies détectées, ce qui permet d'accroître la précision de la détection d'anomalies.