Riconoscimento anomalia presso il reparto presse di Changan Automobile Se si utilizza il riconoscimento anomalia nei reparti presse, i problemi possono essere individuati precocemente e possono essere avviate misure di manutenzione proattive. Ciò contribuisce a ridurre al minimo i tempi di inattività e a garantire la qualità del prodotto.

Le case automobilistiche sono sottoposte a una notevole pressione competitiva a livello globale, per questo sono sempre alla ricerca di soluzioni per produrre in modo più efficiente. Allo stesso tempo, l'industria automobilistica è considerata un motore di innovazione e un modello per altri settori. Per questo motivo, si deve confrontare con grandi aspettative socio-politiche riguardo alla creazione di fabbriche Net Zero nello spirito della All Electric Society. Il processo di produzione di un'automobile inizia con la pressatura dei pezzi della carrozzeria. A questo scopo, lastre metalliche vengono pressate in speciali stampi per produrre le diverse parti di un veicolo. In fasi successive, le parti vengono trasformate in un'automobile pronta per la guida. Il processo di pressatura si rivela quindi una fase decisiva e ad alta intensità energetica nella catena del valore di una casa automobilistica. Da un lato, il processo getta le basi per la qualità del prodotto finale; dall'altro, i guasti e i ritardi hanno conseguenze di vasta portata sull'intero flusso di produzione e quindi sui costi di produzione del veicolo.

Data l'importanza del processo di pressatura, Changan Automobile, uno dei quattro maggiori produttori di automobili in Cina, ha cercato una soluzione per il riconoscimento anomalia nei motori elettrici dei suoi reparti presse. Con Digital Factory now, Phoenix Contact offre una gamma completa di prodotti, soluzioni, concetti e servizi per la digitalizzazione di fabbriche brownfield e greenfield, che possono essere utilizzati per creare impianti di produzione digitalizzati competitivi e a risparmio di risorse. Prodotto di punta della gamma è MLnext, che si compone di soluzioni software MLnext Creation e MLnext Execution. MLnext consente di utilizzare in modo semplice ed efficace l'apprendimento automatico (ML) nella fabbrica digitale. Grazie al riconoscimento anomalia, Changan è ora in grado di identificare tempestivamente potenziali problemi dei motori e di intervenire in modo proattivo per ridurre al minimo i tempi di inattività e garantire la qualità del prodotto.

Il primo e più importante passo di qualsiasi progetto di apprendimento automatico è la creazione di un database. A Changan sono stati registrati i dati di due rispettive linee di produzione, ciascuna con quattro presse e motori elettrici installati, per ogni reparto presse. È qui che entra in gioco un altro prodotto della gamma Digital Factory now: il framework IIoT. Si tratta di un'interfaccia scalabile, aperta e flessibile tra OT (Operational Technology, livello di produzione) e IT (Information Technology). I dati dei vari sensori installati nell'eterogeneo mondo OT possono essere raccolti tramite connettori In per protocolli di trasmissione come PROFINET, MQTT e Modbus. Questi dati possono essere memorizzati in modo persistente in un database - ad esempio, MySQL o InfluxDB - o nel cloud - ad esempio, Proficloud.io, AWS o Azure - utilizzando i connettori Out. In questo modo, i dati sono disponibili in forma simile su tutti i livelli e in ogni momento.

Changan utilizza un dispositivo per la misurazione dell'energia della famiglia di prodotti EMpro di Phoenix Contact per registrare i parametri elettrici di un motore. Un'interfaccia Modbus/TCP viene utilizzata per registrare e trasmettere, tra l'altro, il consumo di corrente e le prestazioni del motore. Inoltre, un sensore combinato misura la temperatura e le vibrazioni e comunica i valori tramite PROFINET IO-Link. Il framework IIoT, che gira su un PC Edge della serie EPC 1522, è quindi in grado di raccogliere i dati di tutti i motori a livello centrale e di archiviarli in un database. Il primo database era disponibile dopo un mese.

Questo database è stato utilizzato per generare un primo modello ML. Il software MLnext Creation fornisce un'interfaccia utente intuitiva che può essere utilizzata per addestrare un modello ML senza alcuna conoscenza di programmazione o statistica. L'utente viene guidato passo per passo nel processo. Nel progetto Changan, i dati registrati sono stati importati in MLnext Creation ed è stata selezionata l'applicazione "Riconoscimento anomalia". Infine, è stata effettuata una selezione della complessità per la ricerca degli iperparametri. Questo determina il numero di modelli diversi che vengono addestrati e confrontati tra loro fino a trovare il modello ottimale. Il tempo e la potenza di calcolo disponibili si rivelano decisivi in questo caso. Tutte le fasi successive avvengono in background, ad esempio la pre-elaborazione dei dati.

Il modello creato da MLnext Creation è una rete neurale sotto forma di autoencoder. L'obiettivo è comprimere i dati di ingresso e ridurli alle caratteristiche più importanti, per poi ricostruirli a partire da questa rappresentazione compressa. Nel contesto del riconoscimento anomalia, l'autoencoder viene addestrato con i normali dati di funzionamento dei motori. Se dopo l'addestramento viene trovata un'anomalia nei dati di ingresso, questa non può essere completamente ricostruita dall'autoencoder. Di conseguenza, si verificano notevoli scostamenti tra i dati di ingresso e i dati ripristinati, in modo da poter identificare le anomalie.

Nella fase successiva, il modello addestrato viene applicato all'ambiente di produzione. MLnext Execution offre una pipeline completamente configurabile che copre l'intero processo, dall'acquisizione dei dati, alla preelaborazione e all'inferenza con il modello fino alla memorizzazione degli eventi. Il vantaggio di MLnext Execution è che non sono necessarie conoscenze di programmazione, poiché tutto può essere impostato in un file di configurazione. Nel progetto Changan, MLnext Execution viene eseguito sullo stesso PC Edge EPC 1522 che esegue il framework IIoT. Ciò consente una perfetta integrazione nell'infrastruttura esistente. I dati registrati dai motori vengono caricati dal database quasi in tempo reale e vengono sottoposti alla stessa pre-elaborazione utilizzata per l'addestramento del modello. Il modello analizza quindi i dati alla ricerca di anomalie e archivia il risultato, ovvero il periodo di tempo e il trigger, nel database.

L'intuitivo strumento Grafana viene utilizzato per visualizzare i dati e i risultati del modello. Grafana può essere utilizzato per creare dashboard orientate ai gruppi target che forniscono una panoramica dei dati di funzionamento dei motori e delle anomalie rilevate. Grafana consente inoltre a Changan di apportare modifiche alle dashboard in modo indipendente in un secondo momento. È inoltre possibile impostare allarmi per le anomalie identificate, avvisando il personale di manutenzione di potenziali problemi.

L'uso di MLnext per il riconoscimento anomalia nei reparti presse di Changan Automobile mostra come sia possibile rilevare i potenziali problemi in una fase precoce, riducendo al minimo i tempi di inattività e aumentando la competitività. Il processo iterativo di apprendimento automatico offre anche la possibilità di migliorare continuamente il modello analizzando le anomalie rilevate e aumentando così la precisione del riconoscimento anomalia.