창안 자동차의 프레스 공장에서 이상 탐지 프레스 공장에서 이상 탐지 기능을 사용하면 문제를 조기에 파악하고 사전 예방적 유지 관리 조치를 취할 수 있습니다. 이는 다운타임을 최소화하고 제품 품질을 보장하는 데 도움이 됩니다.

자동차 그룹은 전세계적인 경쟁으로 인해 상당한 압박을 받고 있으며, 항상 보다 효율적으로 생산할 수 있는 방법을 모색하고 있습니다.. 이와 동시에 자동차 제조업체는 다른 산업을 선도하는 혁신 주도 기업으로 인정받고 있습니다. 그 결과, 이러한 자동차 제조업체들은 All Electric Society의 맥락에서 탄소 중립 공장 설립과 관련한 상당한 사회적, 정치적 기대에 직면해 있습니다. 자동차 생산 공정은 자동차 파트의 프레스 작업으로 시작됩니다. 이를 위해 금속판을 특수 금형에 압착하여 차량의 다양한 부품을 생산합니다. 이러한 부품들은 이후 단계를 거쳐 운전할 수 있는 자동차로 바뀝니다. 프레스 공정은 자동차 제조업체의 가치 사슬에서 결정적이고 에너지 집약적인 단계입니다. 이 공정은 한편으로는 최종 제품의 품질을 위한 기반인 동시에, 다른 한편으로는 실패와 지연이 발생할 경우 전체 생산 흐름과 차량의 제조 비용에 광범위한 영향을 미치는 중요한 공정입니다.

중국의 4대 자동차 제조업체 중 하나인 창안 자동차는 프레스 공정의 중요성을 고려하여 프레스 공장에서 전기 모터의 이상을 감지하는 솔루션을 연구했습니다. 피닉스컨택트는 고객이 자원을 절약하고 디지털화되고 경쟁력 있는 생산 시설을 구축할 수 있도록 디지털 팩토리를 통해 브라운필드 및 그린필드 공장의 디지털화를 위한 포괄적인 제품, 솔루션, 개념 및 서비스를 제공합니다. 포트폴리오의 핵심은 MLnext Creation과 MLnext Execution 소프트웨어 솔루션으로 구성된 MLnext입니다. MLnext는 디지털 팩토리에서 머신 러닝(ML)을 간단하고 효과적으로 사용할 수 있도록 합니다. 창안 자동차는 이상 감지 기능을 사용하여 모터의 잠재적인 문제를 조기에 파악하고 사전 조치를 취함으로써 다운타임을 최소화하고 제품 품질을 보장할 수 있게 되었습니다.

모든 머신 러닝 프로젝트의 첫 번째이자 가장 중요한 단계는 데이터베이스를 만드는 것입니다. 창안 자동차는 각각 4개의 프레스가 있고 전기 모터들이 설치되어 있는 2개의 생산 라인에서 각 프레스 공장의 데이터를 수집했습니다. 이 곳은 Digital Factory now 포트폴리오의 또 다른 제품인 IIoT 프레임워크가 사용되는 곳이기도 합니다. 여기에는 OT(운영 기술, 생산 레벨)와 IT(정보 기술) 간의 확장 가능하고 개방적이며 유연한 인터페이스가 포함됩니다. 이기종 OT 환경에 설치된 다양한 센서의 데이터는 PROFINET, MQTT 및 Modbus와 같은 전송 프로토콜을 위한 IN 커넥터를 통해 수집할 수 있습니다. 그런 다음 이러한 데이터는 OUT 커넥터(예: MySQL 또는 InfluxDB)를 사용하여 데이터베이스에 영구적으로 저장하거나 Proficloud.io, AWS 또는 Azure와 같은 클라우드에 저장할 수 있습니다. 이러한 방식으로 모든 수준에서 항상 비교 가능한 형태로 데이터를 사용할 수 있습니다.

창안 자동차는 피닉스컨택트 EMpro 제품군의 에너지 측정 장치를 사용하여 모터의 전기적 파라미터를 기록합니다. 예를 들면, 전류 소모량과 모터의 전력은 Modbus/TCP 인터페이스를 통해 기록되고 전달됩니다. 또한 결합된 센서는 온도와 진동을 측정하고 PROFINET IO-Link를 통해 값을 전송합니다. 따라서 EPC 1522 시리즈 에지 PC에서 실행되는 IIoT 프레임워크는 모든 모터의 데이터를 중앙에서 수집하여 데이터베이스에 보관할 수 있습니다. 첫 번째 데이터베이스는 한 달 후에 사용할 수 있었습니다.

이 데이터베이스는 첫 번째 ML 모델을 생성하는 데 사용되었습니다. MLnext Creation 소프트웨어 툴은 프로그래밍 지식이나 통계 지식이 없어도 ML 모델을 학습하는 데 사용할 수 있는 직관적인 사용자 인터페이스를 제공합니다. 사용자는 단계별로 과정을 안내받습니다. 창안 프로젝트에서는 기록된 데이터가 MLnext Creation으로 임포트되었으고, "이상 탐지" 애플리케이션이 선택되었습니다. 마지막으로, 하이퍼파라미터 검색을 위한 복잡도가 선택되었습니다. 이는 최적의 모델을 찾을 때까지 서로 다른 모델을 얼마나 많이 훈련하고 비교할지를 결정합니다. 여기에서는 사용 가능한 컴퓨팅 시간과 컴퓨팅 성능이 매우 중요합니다. 데이터 전처리와 같은 이후의 모든 단계는 백그라운드에서 이루어집니다.

MLnext Creation으로 생성된 모델은 자동 인코더 형태의 신경망입니다. 이 알고리즘의 목적은 입력 데이터를 압축하고 가장 중요한 특징으로 축소한 다음, 압축된 표현을 통해 데이터를 재구성하는 것입니다. 이상 탐지의 경우 오토인코더(Autoencoder)가 모터의 정상 작동 데이터로 학습됩니다. 학습 후 입력 데이터에서 이상이 발견되는 경우 이는 오토인코더로 완전히 재구성될 수 없습니다. 그 결과 입력 데이터와 복구된 데이터 사이에 상당한 차이가 발생하고, 이를 통해 이상 징후를 식별할 수 있게 됩니다.

다음 단계에서는 학습된 모델을 프로덕션 환경에서 사용합니다. 이를 위해 MLnext Execution은 데이터 수집에서 모델을 사용한 전처리 및 추론, 이벤트 저장에 이르는 전체 프로세스를 포괄하는 완벽하게 구성 가능한 파이프라인을 제공합니다. MLnext Execution의 장점은 프로그래밍 지식이 필요 없고 모든 것을 구성 파일로 설정할 수 있다는 것입니다. 창안 프로젝트의 경우 MLnext Execution이 IIoT 프레임워크가 실행되는 것과 동일한 EPC 1522 에지 PC에서 실행됩니다. 이는 기존 인프라와의 원활한 통합을 가능하게 합니다. 모터에서 기록된 데이터는 거의 실시간으로 데이터베이스에서 로드되며 모델 학습 시와 동일한 사전 처리 과정을 거칩니다. 그런 다음 모델은 데이터에서 이상 징후를 분석하고 그 결과인 기간과 트리거를 데이터베이스에 다시 보관합니다.

사용자 친화적인 Grafana 툴을 사용하여 모델의 데이터와 결과를 시각화할 수 있습니다. Grafana를 사용하면 모터의 작동 데이터와 감지된 이상에 대한 개요를 제공하는 대상 그룹별 대시보드를 만들 수 있습니다. 또한 Grafana를 사용하면 나중에 청안 자동차가 대시보드를 독립적으로 수정할 수도 있습니다. 그뿐만 아니라 식별된 이상에 대한 알림을 설정하여 유지 관리 담당자가 잠재적인 문제를 인지할 수 있도록 할 수 있습니다.

창안 자동차의 프레스 공장에서 이상 탐지에 MLnext를 사용한 사례는 잠재적인 문제를 조기에 파악하여 가동 중단 시간을 최소화하고 경쟁력을 높일 수 있는 방법을 보여줍니다. 반복적 머신 러닝 프로세스는 탐지된 이상 징후를 평가하여 모델을 지속적으로 개선할 수 있는 옵션을 제공함으로써 이상 징후 탐지의 정확도를 높입니다.