Wykrywanie nieprawidłowości w tłoczni Changan Automobile Jeśli system wykrywania nieprawidłowości jest stosowany w tłoczniach, można wcześnie wykryć problemy i wdrożyć proaktywne działania konserwacyjne. Pomaga to zminimalizować czas przestojów i zapewnić jakość produktów.

Firmy motoryzacyjne znajdują się pod dużą globalną presją konkurencyjną, dlatego zawsze szukają sposobów na zwiększenie wydajności produkcji. Jednocześnie przemysł motoryzacyjny jest postrzegany jako siła napędowa innowacji i wzór do naśladowania dla innych branż. Z tego powodu stoją one w obliczu ogromnych oczekiwań społecznych i politycznych dotyczących tworzenia fabryk Net Zero w duchu All Electric Society. Proces produkcji samochodu rozpoczyna się od tłoczenia części karoserii. W tym celu metalowe płyty są prasowane w specjalnych formach, aby wyprodukować różne części pojazdu. W kolejnych etapach z części tych powstaje gotowy do jazdy samochód. Proces tłoczenia jest zatem decydującym i energochłonnym etapem w łańcuchu produkcji samochodów. Z jednej strony, proces ten stanowi podstawę jakości produktu końcowego; z drugiej strony, awarie i opóźnienia mają daleko idące konsekwencje dla całego przepływu produkcji, a tym samym kosztów produkcji pojazdu.

Z uwagi na duże znaczenie procesu tłoczenia, Changan Automobile, jeden z czterech największych producentów samochodów w Chinach, poszukiwał rozwiązania do wykrywania nieprawidłowości w silnikach elektrycznych w swoich tłoczniach. Digital Factory now firmy Phoenix Contact oferuje kompleksową gamę produktów, rozwiązań, koncepcji i usług do cyfryzacji fabryk brownfield i greenfield, które mogą być wykorzystane do utworzenia oszczędzających zasoby i konkurencyjnych cyfrowych zakładów produkcyjnych. W centrum portfolio znajduje się MLnext, który składa się z oprogramowania MLnext Creation i MLnext Execution. MLnext umożliwia proste i efektywne wykorzystanie uczenia maszynowego (ML) w cyfrowej fabryce. Dzięki zastosowaniu systemu wykrywania nieprawidłowości firma Changan może teraz identyfikować potencjalne problemy z silnikami na wczesnym etapie i podejmować proaktywne działania w celu zminimalizowania czasu przestojów i zapewnienia jakości produktu.

Pierwszym i najważniejszym krokiem w każdym projekcie uczenia maszynowego jest stworzenie bazy danych. W Changan Automobile dla każdej tłoczni zebrano dane z dwóch linii produkcyjnych, każda z czterema prasami i zainstalowanymi silnikami elektrycznymi. W tym miejscu do gry wkracza kolejny produkt z portfolio Digital Factory now: platforma IIoT. Jest to skalowalny, otwarty i elastyczny interfejs między OT (technologia operacyjna, poziom produkcji) a IT (technologia informacyjna). Dane z różnych czujników zainstalowanych w heterogenicznym świecie OT mogą być zbierane za pośrednictwem interfejsów IN do protokołów transmisji, takich jak PROFINET, MQTT i Modbus. Mogą być one następnie przechowywane w bazie danych, np. MySQL lub InfluxDB lub w chmurze, np. Proficloud.io, AWS lub Azure, przy użyciu konektorów OUT. W ten sposób dane są dostępne przez cały czas w porównywalnej formie na wszystkich poziomach.

Changan używa mierników parametrów sieci z rodziny produktów EMpro firmy Phoenix Contact do rejestrowania parametrów elektrycznych silnika. Interfejs Modbus/TCP służy między innymi do rejestrowania i przesyłania informacji o zużyciu energii i mocy silnika. Ponadto czujnik dwufunkcyjny mierzy temperaturę i wibracje i przekazuje wartości za pośrednictwem PROFINET IO-Link. Platforma IIoT, która działa na komputerze typu edge z serii EPC 1522, jest w stanie centralnie gromadzić dane ze wszystkich silników i archiwizować je w bazie danych. Pierwsza baza danych była dostępna po miesiącu.

Ta baza danych została wykorzystana do wygenerowania pierwszego modelu ML. Oprogramowanie MLnext Creation zapewnia intuicyjny interfejs użytkownika, który może być używany do trenowania modelu ML bez żadnej wiedzy programistycznej lub statystycznej. Użytkownik jest prowadzony przez proces krok po kroku. W projekcie Changan zarejestrowane dane zostały zaimportowane do MLnext Creation i wybrano aplikację „Wykrywanie nieprawidłowości”. Na koniec dokonano wyboru złożoności wyszukiwania hiperparametrów. Określa to, ile różnych modeli jest trenowanych i porównywanych ze sobą, aż do znalezienia optymalnego modelu. Decydujące znaczenie mają dostępny czas obliczeniowy i moc obliczeniowa. Wszystkie dalsze kroki odbywają się w tle, np. wstępne przetwarzanie danych.

Model stworzony przez MLnext Creation to sieć neuronowa w postaci autoenkodera. Ma to na celu skompresowanie danych wejściowych i zredukowanie ich do najważniejszych cech w celu odtworzenia ich z tej skompresowanej formy. W kontekście wykrywania nieprawidłowości, autoenkoder jest szkolony na podstawie normalnych danych operacyjnych silników. Jeśli po treningu w danych wejściowych zostanie wykryta anomalia, nie może ona zostać w pełni zrekonstruowana przez autoenkoder. W rezultacie występują znaczne odchylenia między danymi wejściowymi a przywróconymi danymi, dzięki czemu można zidentyfikować anomalie.

W kolejnym kroku wytrenowany model jest stosowany w środowisku produkcyjnym. MLnext Execution oferuje w pełni konfigurowalny potok, który obejmuje cały proces od akwizycji danych, wstępnego przetwarzania i wnioskowania z modelem do przechowywania zdarzeń. Zaletą MLnext Execution jest również to, że nie jest wymagana żadna wiedza programistyczna, ponieważ wszystko można ustawić w pliku konfiguracyjnym. W projekcie Changan, MLnext Execution działa na tym samym komputerze EPC 1522 Edge, na którym działa platforma IIoT. Pozwala to na bezproblemową integrację z istniejącą infrastrukturą. Dane rejestrowane przez silniki są ładowane z bazy danych niemal w czasie rzeczywistym i poddawane takiej samej obróbce wstępnej, jak podczas trenowania modelu. Następnie model analizuje dane pod kątem anomalii i archiwizuje wynik, tj. okres i wyzwalacz, z powrotem w bazie danych.

Przyjazne dla użytkownika narzędzie Grafana służy do wizualizacji danych i wyników modelu. Grafana może być używana do tworzenia pulpitów zorientowanych na grupę docelową, które zapewniają podgląd danych operacyjnych silników i wykrytych anomalii. Grafana umożliwia również firmie Changan niezależne wprowadzanie zmian w pulpitach nawigacyjnych w późniejszym czasie. Można również skonfigurować alarmy dla zidentyfikowanych anomalii, ostrzegając personel utrzymania ruchu o potencjalnych problemach.

Skontaktuj się z nami. Doradzimy Ci i wspólnie znajdziemy optymalne rozwiązanie.

Wykorzystanie MLnext do wykrywania nieprawidłowości w tłoczniach Changan Automobile pokazuje, jak potencjalne problemy mogą być wykrywane na wczesnym etapie, minimalizując czas przestojów i zwiększając konkurencyjność. Iteracyjny proces uczenia maszynowego oferuje również możliwość ciągłego ulepszania modelu poprzez analizę wykrytych anomalii, a tym samym zwiększenie precyzji wykrywania nieprawidłowości.