Anomaligjenkjenning i pressverket til Changan Automobile Hvis anomaligjenkjenning brukes i pressverk, kan problemer oppdages på et tidlig stadium, og proaktive vedlikeholdstiltak kan iverksettes. Dette bidrar til å minimere svikttider og sikre produktkvaliteten.

Bilprodusentene er under et betydelig globalt konkurransepress, derfor er de alltid på utkikk etter måter å produsere mer effektivt på. Samtidig blir bilindustrien sett på som en drivkraft for innovasjon og et forbilde for andre sektorer. Av denne grunn konfronteres de med store samfunnsmessige og politiske forventninger om etablering av Net Zero-fabrikker i All Electric Society-ånd. Produksjonsprosessen av en bil begynner med pressingen av karosseridelene. Til dette formålet presses metallplater inn i spesielle støpeformer for å produsere de ulike delene av et kjøretøy. I de neste trinnene blir delene behandlet og til slutt omgjort til en kjøreklar bil. Pressingsprosessen viser seg derfor å være et avgjørende og energikrevende trinn i bilprodusentenes verdiskapningskjeder. På den ene siden legger prosessen grunnlaget for kvaliteten på sluttproduktet, på den andre siden har feil og forsinkelser vidtrekkende konsekvenser for hele produksjonsflyten og dermed for produksjonskostnadene for kjøretøyet.

Med tanke på hvor viktig presseprosessen er, har Changan Automobile, som er en av de fire største bilprodusentene i Kina, forsket på en løsning for anomaligjenkjenning i de elektriske motorene i pressverkene sine. Med Digital Factory now tilbyr Phoenix Contact her et omfattende utvalg av produkter, løsninger, konsepter og tjenester for digitalisering av brownfield- og greenfield-fabrikker, som kan brukes til å sette opp ressursbesparende og konkurransedyktige digitaliserte produksjonsanlegg. Sentralt i porteføljen står MLnext, som består av programvareløsningene MLnext Creation og MLnext Execution. MLnext muliggjør enkel og effektiv bruk av maskinlæring (ML) i den digitale fabrikken. Ved hjelp av anomaligjenkjenning kan Changan nå identifisere potensielle problemer med motorene på et tidlig stadium og iverksette proaktive tiltak for å minimere svikttid og sikre produktkvaliteten.

Det første og viktigste steget i ethvert maskinlæringsprosjekt er å opprette en database. Hos Changan Automobile ble dataene fra to produksjonslinjer, hver med fire presser og installerte elektriske motorer, registrert for hvert pressverk. Det er her et annet produkt fra porteføljen i Digital Factory now kommer inn i bildet: IIoT-Framework. Dette innebærer et skalerbart, åpent og fleksibelt grensesnitt mellom OT (Operational Technology, produksjonsnivå) og IT (Information Technology). Data fra de ulike sensorene som er installert i den heterogene OT-verdenen, kan samles inn via in-konnektorer for overføringsprotokoller som PROFINET, MQTT og Modbus. Disse kan deretter lagres persistent i en database, f.eks. MySQL eller InfluxDB, eller i skyen, som Proficloud.io, AWS eller Azure, ved hjelp av out-konnektorer. På denne måten er dataene tilgjengelige i en sammenlignbar form på alle nivåer til enhver tid.

Changan bruker energimåleutstyr fra Phoenix Contacts produktserie EMpro til å registrere de elektriske parameterene i motorer. Et Modbus/TCP-grensesnitt brukes blant annet til å registrere og overføre motorens strømforbruk og ytelse. I tillegg måler en kombinasjonssensor temperatur og vibrasjon og kommuniserer verdiene via PROFINET IO-Link. IIoT-Framework, som kjører på en Edge-PC fra EPC 1522-serien, kan samle inn data fra alle motorer sentralt og arkivere dem i en database. Den første databasen var tilgjengelig etter én måned.

Denne databasen ble brukt til å generere en innledende ML-modell. Programvareverktøyet MLnext Creation har et intuitivt brukergrensesnitt som kan brukes til å trene opp en ML-modell uten noen form for kunnskap om programmering eller statistikk. Brukeren blir guidet gjennom prosessen trinn for trinn. I Changan-prosjektet ble de innspilte dataene importert til MLnext Creation, og applikasjonen "anomaligjenkjenning" ble valgt. Til slutt ble det gjort et utvalg av kompleksiteten for hyperparametersøk. Dette bestemmer hvor mange ulike modeller som skal trenes opp og sammenlignes med hverandre til den optimale modellen er funnet. Her er det tilgjengelig datatid og dataytelse som er avgjørende. Alle videre trinn foregår i bakgrunnen, f.eks. forbehandling av dataene.

Modellen som opprettes av MLnext Creation, er et nevralt nettverk i form av en autoencoder. Målet er å komprimere inngangsdataene og redusere dem til de viktigste egenskapene, for deretter å rekonstruere dem fra denne komprimerte representasjonen. I forbindelse med anomaligjenkjenning trenes autoenkoderen opp med motorenes normale driftsdata. Hvis det etter treningen oppdages en anomali i inngangsdataene, kan den ikke rekonstrueres fullt ut av autoenkoderen. Resultatet er betydelige avvik mellom inngangsdataene og de gjenopprettede dataene, slik at avvik kan identifiseres.

I neste trinn brukes den opplærte modellen i produksjonsmiljøet. MLnext Execution tilbyr en fullt konfigurerbar pipeline som dekker hele prosessen fra datainnsamling, forprosessering og inferens med modellen til lagring av hendelser. Fordelen med MLnext Execution er at det heller ikke kreves noen programmeringskunnskaper, ettersom alt kan stilles inn i en konfigurasjonsfil. I Changan-prosjektet kjører MLnext Execution på den samme EPC 1522 Edge-PC-en som kjører IIoT-Framework. Dette muliggjør sømløs integrering i den eksisterende infrastrukturen. Dataene som registreres av motorene, lastes inn fra databasen tilnærmet i sanntid og gjennomgår den samme forbehandlingen som ved trening av modellen. Modellen analyserer deretter dataene for avvik og arkiverer resultatet, dvs. tidsperioden og utløseren, tilbake i databasen.

Det brukervennlige verktøyet Grafana brukes til å visualisere dataene og resultatene fra modellen. Grafana kan brukes til å lage målgruppeorienterte dashbord som gir en oversikt over motorenes driftsdata og de oppdagede avvikene. Grafana gjør det også mulig for Changan å foreta endringer i dashbordene uavhengig av hverandre på et senere tidspunkt. Det kan også settes opp alarmer for de identifiserte avvikene, slik at vedlikeholdspersonellet varsles om potensielle problemer.

Du er velkommen til å ta kontakt med oss. Vi veileder deg, og sammen finner vi den beste løsningen.

Bruken av MLnext til anomaligjenkjenning i Changan Automobiles pressverk viser hvordan potensielle problemer kan oppdages på et tidlig stadium, noe som minimerer svikttid og øker konkurranseevnen. Den iterative prosessen med maskinlæring gir også muligheten til å forbedre modellen kontinuerlig ved å analysere de oppdagede anomaliene og dermed øke presisjonen i anomaligjenkjenningen.