Anomaligjenkjenning i presseverkstedet 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, og 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 medeier- og politiske forventninger om etablering av Net Zero-fabrikker i All Electric Society-ånden. Produksjonsprosessen av en bil begynner med pressing 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 omgjort til en kjøreklar bil. Pressingsprosessen viser seg derfor å være et avgjørende og energikrevende trinn i verdikjeden til en bilprodusent. 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, en av de fire største bilprodusentene i Kina, forsket på en løsning for å avdekke anomaligjenkjenninger i de elektriske motorene i presseanleggene sine. Med Digital Factory tilbyr Phoenix Contact nå 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 ble dataene fra to produksjonslinjer, hver med fire presser og installerte elektriske motorer, registrert for hvert presseverk. Det er her et annet produkt fra Digital Factory Now-porteføljen kommer inn i bildet: IIoT-rammeverket. 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 - f.eks. Proficloud.io, AWS eller Azure - ved hjelp av utkoblinger. På denne måten er dataene tilgjengelige i en sammenlignbar form på alle nivåer til enhver tid.

Changan bruker et energimåleutstyr fra Phoenix Contacts produktserie EMpro til å registrere de elektriske parameterne til en motor. 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-rammeverket, som kjører på en Edge-PC fra EPC 1522-serien, er dermed i stand til å samle inn dataene fra alle motorene 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 hyperparametersøket. 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 datakraft 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 funksjonene, slik at de kan rekonstrueres fra den komprimerte representasjonen. I forbindelse med anomaligjenkjenning trenes autoenkoderen opp med motorenes normale driftsdata. Hvis det oppdages en anomali i inngangsdataene etter opplæring, kan den ikke rekonstrueres fullt ut av autoenkoderen. Resultatet er at det 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 MLnext Framework. Dette muliggjør sømløs integrering i den eksisterende infrastrukturen. Dataene som registreres av motorene, lastes inn fra databasen nesten 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 Grafana-verktøyet brukes til å visualisere dataene og resultatene fra modellen. Grafana kan brukes til å lage målgruppeorienterte dashbord som gir en oversikt over driftsdataene til motorene og de oppdagede avvikene. Grafana gjør det også mulig for Changan å gjøre endringer i dashbordene uavhengig av hverandre på et senere tidspunkt. Det kan også settes opp alarmer for de identifiserte avvikene, slik at vedlikeholdspersonalet varsles om potensielle problemer.

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