Anomália-felismerés a Changan Automobile présművében Ha a présművekben az anomáliák felismerését alkalmazzák, akkor a problémák idejekorán észlelhetők, és megtehetők a proaktív karbantartási intézkedések. Ez hozzájárul a kiesési idők minimalizálásához és a termékminőség garantálásához.

Az autóipari konszernek jelentős globális versenykényszer alatt állnak, ezért folyamatosan keresik a hatékonyabb termelés lehetőségeit. Ugyanakkor az autóipar az innováció motorjaként és más ágazatok számára példaképként is működik. Ezért nagy társadalmi és politikai elvárásokkal szembesülnek az All Electric Society szellemében működő 'net zero' gyárak létrehozásával kapcsolatban. Az autók gyártási folyamata a karosszériaelemek préselésével kezdődik. A fémlemezeket speciális formákba préselik, ezáltal jönnek létre a jármű különböző alkatrészei. A további lépések során az alkatrészekből egy útra kész autó áll elő. A préselési folyamat ezért meghatározó, ugyanakkor energiaigényes eleme az autógyártók értékláncának. Egyrészt itt dől el a végtermék minősége, másrészt a kiesések és késedelmek komoly következményekkel járnak a teljes gyártási folyamatra és ezáltal a jármű gyártási költségeire nézve is.

Tekintettel a préselési folyamat fontosságára, a Changan Automobile, Kína négy legnagyobb autógyártójának egyike, megoldást keresett a présművek villanymotorjainál jelentkező anomáliák felismerésére. A Digital Factory now keretében a Phoenix Contact termékek, megoldások, koncepciók és szolgáltatások átfogó választékát kínálja a barnamezős és zöldmezős gyárak digitalizálásához, amelyek segítségével erőforrás-takarékos és versenyképes digitalizált termelő létesítmények hozhatók létre. A termékválaszték középpontjában az MLnext Creation és az MLnext Execution szoftvermegoldásokból összetevődő MLnext áll. Az MLnext lehetővé teszi a gépi tanulás (machine learning, ML) egyszerű és hatékony alkalmazását a digitális gyárban. Az anomáliák felismerésének alkalmazásával a Changan már idejekorán azonosítani tudja a motorokkal kapcsolatos potenciális problémákat, és proaktív intézkedéseket tud tenni a kiesési idő minimalizálása és a termékminőség garantálása érdekében.

Minden gépi tanulási projekt első és legfontosabb lépése az adatbázis létrehozása. A Changan Automobile cégnél minden présműben két-két, egyenként négy présgépet és beépített villanymotorokat tartalmazó gyártósor adatait rögzítették. Itt jön a képbe a Digital Factory now kínálatának egy másik terméke: az IIoT Framework, amely egy méretezhető, nyitott és rugalmas interfész az OT (üzemeltetési technológia, termelési szint) és az IT (információtechnika) között. A heterogén OT-világba telepített különböző érzékelők adatai olyan adatátviteli protokollokhoz szükséges In-összekötőkön keresztül gyűjthetők, mint a PROFINET, az MQTT és a Modbus. Ezek az adatok aztán Out-összekötőkön keresztül tartósan tárolhatók egy adatbázisban (pl. MySQL vagy InfluxDB) vagy a felhőben (pl. Proficloud.io, AWS vagy Azure). Ilyen módon az adatok minden szinten és mindenkor összehasonlítható formában rendelkezésre állnak.

A Changan a Phoenix Contact EMpro termékcsaládjába tartozó energiamérő készüléket használ a motorok elektromos paramétereinek rögzítésére. A Modbus/TCP interfész többek között a motor áramfelvételének és teljesítményének rögzítésére és továbbítására szolgál. Ezenkívül egy kombinált érzékelő méri a hőmérsékletet és a rezgést, és PROFINET IO-Linken keresztül továbbítja az értékeket. Az EPC 1522 sorozatú Edge PC-n futó IIoT Framework így képes az összes motor adatait központilag összegyűjteni, és egy adatbázisban archiválni. Az első adatbázis egy hónap alatt elkészült.

Ezzel az adatbázissal készült az egyik első ML-modell. Az MLnext Creation szoftvereszköz intuitív felhasználói felületet kínál ehhez, amely programozási vagy statisztikai ismeretek nélkül használható az ML-modell betanítására. A felhasználót lépésről lépésre vezeti végig a folyamaton. A Changan projekt keretében a rögzített adatokat az MLnext Creation eszközbe importálták, és az „Anomáliák felismerése” alkalmazást választották ki. Ezután került sor a hiperparaméter-keresés komplexitásának kiválasztására. Ez határozza meg, hogy hány különböző modellt tanítanak be és hasonlítanak össze egymással, amíg meg nem találják az optimális modellt. E tekintetben döntő fontosságú a rendelkezésre álló számítási idő és számítási teljesítmény. Minden további lépés a háttérben történik, így az adatok előfeldolgozása is.

Az MLnext Creation által létrehozott modell egy autoencoder formájában kialakított neuronhálózat. Ennek célja a bemeneti adatok tömörítése és a legfontosabb jellemzőkre történő redukálása, hogy aztán ebből a tömörített ábrázolásból újra rekonstruálni lehessen azokat. Az anomáliák felismerése során az autoencodert a motorok normál üzemi adataival tanítják be. Ha a bemeneti adatokban a betanítás után rendellenesség mutatkozik, akkor azokat az autoencoder nem tudja teljes mértékben rekonstruálni. Ennek eredményeképpen a bemeneti adatok és a rekonstruált adatok között jelentős eltérések vannak, ami lehetővé teszi az anomáliák azonosítását.

A következő lépésben a termelési környezetben alkalmazzák a betanított modellt. Az MLnext Execution egy teljes mértékben konfigurálható 'csővezetéket' kínál, amely az adatgyűjtéstől kezdve az előfeldolgozáson és a modellel való összevetésen át az események tárolásáig a teljes folyamatot lefedi. Az MLnext Execution nagy előnye az, hogy programozási ismeretekre itt sincs szükség, hanem minden beállítható egy konfigurációs fájlban. A Changan projektben az MLnext Execution ugyanazon az EPC 1522 edge PC-n fut, amelyen az IIoT keretrendszer. Ez lehetővé teszi a meglévő infrastruktúrába való zökkenőmentes integrálást. A motorok rögzített adatai szinte valós időben töltődnek be az adatbázisból, és ugyanolyan előfeldolgozáson mennek keresztül, mint a modell betanításakor. A modell ezután elemzi az adatokat az anomáliák szempontjából, és az eredményt, azaz az időszakot és a kiváltó okot archiválja az adatbázisban.

A felhasználóbarát Grafana szoftvereszköz szolgál a modell adatainak és eredményeinek megjelenítésére. A Grafana segítségével célcsoport-orientált műszerfalak (dashboard) hozhatók létre, amelyek áttekintést nyújtanak a motorok működési adatairól és az észlelt anomáliákról. A Grafana azt is lehetővé teszi, hogy a Changan később önállóan módosításokat hajtson végre a műszerfalakon. Az azonosított anomáliákhoz riasztások is beállíthatók, amelyek figyelmeztetik a karbantartó személyzetet a lehetséges problémákra.

Az MLnext rendszernek a Changan Automobile présüzemében az anomáliák felismerése történő felhasználása azt mutatja, hogy a potenciális problémák időben felismerhetők, így minimálisra csökkenthetők a kiesési idők, és növelhető a versenyképesség. A gépi tanulás iteratív folyamata lehetőséget nyújt arra is, hogy a felismert anomáliák elemzésével a modellt folyamatosan fejleszteni lehessen, és ezáltal növelhető az anomáliák felismerésének pontossága is.