Anomaliedetectie in de persstraat van Changan Automobile Als er anomaliedetectie in persstraten wordt gebruikt, kunnen problemen in een vroeg stadium worden opgespoord en kunnen proactieve onderhoudsmaatregelen worden gestart. Dit helpt uitvaltijd tot een minimum te beperken en productkwaliteit te garanderen.

Wereldwijd staan automobielconcerns onder grote concurrentiedruk. Daarom zijn ze altijd op zoek naar manieren om efficiënter te produceren. Tegelijkertijd wordt de auto-industrie gezien als aanjager van innovatie en een rolmodel voor andere branches. Daarom worden ze geconfronteerd met grote maatschappelijke en politieke verwachtingen met betrekking tot de oprichting van Net Zero-fabrieken in de geest van de All Electric Society. Het productieproces van een auto begint met het persen van de carrosserie-onderdelen. Hiervoor worden metalen platen in speciale mallen geperst om de verschillende onderdelen van een voertuig te fabriceren. In verdere stappen worden de onderdelen omgevormd tot een rijklare auto. Het persproces blijkt dus een beslissende en energie-intensieve stap te zijn in de toegevoegde waardeketen van een autofabrikant. Enerzijds legt het proces de basis voor de kwaliteit van het eindproduct. Anderzijds hebben uitval en vertragingen verstrekkende gevolgen voor de gehele productiestroom en daardoor voor de productiekosten van het voertuig.

Gezien het belang van het persproces onderzocht Changan Automobile, één van de vier grootste autofabrikanten in China, een oplossing voor anomaliedetectie in de elektromotoren van zijn persstraten. Met Digital Factory now biedt Phoenix Contact een uitgebreid assortiment producten, oplossingen, concepten en services voor de digitalisering van brownfield- en greenfield-fabrieken, waarmee hulpbronbesparende en concurrerende gedigitaliseerde productiefaciliteiten kunnen worden opgezet. Centraal in het productenprogramma staat MLnext dat uit de softwareoplossingen MLnext Creation en MLnext Execution is samengesteld. MLnext maakt eenvoudig en effectief gebruik van Machine Learning (ML) in de digitale fabriek mogelijk. Door gebruik te maken van anomaliedetectie kan Changan nu potentiële problemen met de motoren in een vroeg stadium identificeren en proactief actie ondernemen om uitvaltijd te minimaliseren en de productkwaliteit te waarborgen.

De eerste en belangrijkste stap in elk Machine Learning-project is het maken van een database. Bij Changan Automobile werden per persstraat de gegevens van telkens twee productielijnen met elk vier persen en geïnstalleerde elektromotoren geregistreerd. Dit is waar een ander product uit het Digital Factory now-programma wordt ingezet: het IIoT-framework. Dit is een schaalbare, open en flexibele interface tussen OT (Operational Technology, productieniveau) en IT (informatietechniek). Gegevens van de verschillende sensoren in de heterogene OT-wereld kunnen worden verzameld via in-connectoren voor overdrachtsprotocollen, zoals PROFINET, MQTT en Modbus. Vervolgens kunnen die dan met behulp van out-connectoren blijvend worden opgeslagen in een database, bijv. MySQL of InfluxDB of in de cloud, bijvoorbeeld Proficloud.io, AWS of Azure. Op deze manier zijn de gegevens op elk moment, op alle niveaus, in een vergelijkbare vorm beschikbaar.

Changan gebruikt een energiemeetmodule uit de EMpro-productfamilie van Phoenix Contact om de elektrische parameters van een motor te registreren. Via een Modbus/TCP-interface worden o.a. het stroomverbruik en de prestaties van de motor geregistreerd en doorgestuurd. Daarnaast meet een combinatiesensor de temperatuur en trillingen en geeft de waarden via PROFINET IO-Link door. Het IIoT-framework dat op een Edge PC uit de EPC 1522-serie draait, is zo in staat om de gegevens van alle motoren centraal te verzamelen en in een database te archiveren. De eerste database was na een maand beschikbaar.

Deze database werd gebruikt om een eerste ML-model te genereren. De softwaretool MLnext Creation biedt daarvoor een intuïtieve gebruikersinterface, waarmee een ML-model kan worden getraind zonder programmeerkennis of statistische kennis. De gebruiker wordt stapsgewijs door het proces geleid. In het Changan-project werden de opgenomen gegevens in MLnext Creation geïmporteerd en werd de toepassing 'Anomaliedetectie' gekozen. Tot slot werd een selectie gemaakt van de complexiteit voor het zoeken naar hyperparameters. Dit bepaalt hoeveel verschillende modellen er worden getraind en met elkaar worden vergeleken, totdat het optimale model is gevonden. De beschikbare rekentijd en rekenkracht blijken hier van doorslaggevend belang te zijn. Alle verdere stappen vinden op de achtergrond plaats, bijv. het voorbewerken van de gegevens.

Het model dat door MLnext Creation wordt gecreëerd, is een neuraal netwerk in de vorm van een auto-encoder. Het doel hiervan is om de invoergegevens te comprimeren en te reduceren tot de belangrijkste kenmerken om ze vervolgens vanuit deze gecomprimeerde weergave weer te reconstrueren. In de context van anomaliedetectie wordt de auto-encoder getraind met de normale bedrijfsgegevens van de motoren. Als er na de training een afwijking in de ingangsgegevens wordt gevonden, kan deze door de auto-encoder niet volledig worden gereconstrueerd. Hierdoor zijn er aanzienlijke afwijkingen tussen de ingangsgegevens en de herstelde gegevens, zodat anomalieën kunnen worden geïdentificeerd.

In de volgende stap wordt het getrainde model in de productieomgeving toegepast. MLnext Execution biedt een volledig configureerbare pijplijn die het gehele proces van gegevensverzameling, voorbewerking en inferentie met het model tot de opslag van gebeurtenissen omvat. Het voordeel van MLnext Execution is dat er ook geen programmeerkennis nodig is, omdat alles in een configuratiebestand kan worden ingesteld. In het Changan-project draait MLnext Execution op dezelfde EPC 1522 Edge PC waarop het IIoT-framework draait. Dit zorgt voor een naadloze integratie in de bestaande infrastructuur. De door de motoren geregistreerde gegevens worden vrijwel in realtime uit de database geladen en ondergaan dezelfde voorbewerking als bij het trainen van het model. Vervolgens analyseert het model de gegevens op afwijkingen en archiveert het resultaat, d.w.z. het tijdsbestek en de trigger, weer in de database.

De gebruiksvriendelijke tool Grafana wordt gebruikt om de gegevens en resultaten van het model te visualiseren. Grafana kan worden gebruikt om dashboards voor specifieke doelgroepen te maken, die een overzicht geven van de bedrijfsgegevens van de motoren en de gedetecteerde afwijkingen. Grafana maakt het voor Changan ook mogelijk om op een later tijdstip zelfstandig wijzigingen in de dashboards door te voeren. Voor de geïdentificeerde afwijkingen kunnen ook alarmen worden ingesteld, zodat het onderhoudspersoneel wordt gewaarschuwd voor mogelijke problemen.

Het gebruik van MLnext voor anomaliedetectie in de persstraten van Changan Automobile laat zien hoe potentiële problemen in een vroeg stadium kunnen worden gedetecteerd. Daardoor wordt de uitvaltijd tot een minimum beperkt en wordt de concurrentiepositie verbeterd. Het iteratieve proces van Machine Learning biedt ook de optie om het model voortdurend te verbeteren door de gedetecteerde afwijkingen te analyseren en zo de precisie van de anomaliedetectie te vergroten.