Detecção de anomalias na linha de chaparia da Changan Automobile Se a detecção de anomalias for usada em linhas de chaparia, os problemas podem ser detectados atempadamente e podem ser iniciadas medidas de manutenção proativas. Isso ajuda a minimizar os tempos de parada e a garantir a qualidade do produto.

Os grupos automotivos estão sob considerável pressão competitiva global e, por isso, estão sempre buscando maneiras de produzir com mais eficiência. Ao mesmo tempo, o setor automotivo é visto como um impulsionador da inovação com função de modelo para outras indústrias. Por esse motivo, ele é confrontado com grandes expectativas sócio-políticas em relação à configuração de fábricas Net Zero no espírito da All Electric Society. O processo de produção de um automóvel começa com a prensagem das partes da carroceria. Para isso, as placas de metal são prensadas em moldes especiais para produzir as várias peças de um veículo. Em etapas adicionais, as peças são transformadas em um automóvel pronto para ser dirigido. Portanto, o processo de prensagem é uma etapa decisiva e que consome muita energia na cadeia de valor agregado de um fabricante de automóveis. Por um lado, o processo estabelece a base para a qualidade do produto final; por outro lado, falhas e atrasos têm consequências de longo alcance para todo o fluxo de produção e, portanto, para os custos de produção do veículo.

Dada a importância do processo de prensagem, a Changan Automobile, um dos quatro maiores fabricantes de automóveis da China, pesquisou uma solução para a detecção de anomalias nos motores elétricos de suas linhas de chaparia. Com Digital Factory now, a Phoenix Contact tem uma oferta abrangente de produtos, soluções, conceitos e serviços para a digitalização de fábricas Brownfield e Greenfield, que podem ser usados para configurar instalações de produção digitalizadas competitivas e com economia de recursos. No centro do portfólio está o MLnext, que consiste nas soluções de software MLnext Creation e MLnext Execution. O MLnext permite o uso simples e eficaz do aprendizado de máquina (ML) na fábrica digital. Ao usar a detecção de anomalias, a Changan pode agora identificar atempadamente possíveis problemas com os motores e tomar medidas proativas para minimizar os tempos de parada e garantir a qualidade do produto.

A primeira e mais importante etapa de qualquer projeto de aprendizado de máquina é a criação de uma base de dados. Na Changan Automobile, os dados de duas linhas de produção, cada uma com quatro prensas e motores elétricos instalados, foram registrados para cada linha de chaparia. Nesse ponto entra em ação outro produto do portfólio Digital Factory now: a estrutura de IIoT. Isso envolve uma interface escalável, aberta e flexível entre a OT (tecnologia operacional, nível de produção) e a IT (tecnologia da informação). Os dados dos vários sensores instalados no mundo heterogêneo da OT podem ser coletados por meio de conectores In para protocolos de transmissão, como PROFINET, MQTT e Modbus. Em seguida, eles podem ser armazenados, usando conectores OUT, de forma persistente em um banco de dados, p. ex., MySQL ou InfluxDB; ou na cloud, como Proficloud.io, AWS ou Azure. Dessa forma, os dados estão disponíveis de forma semelhante em todos os níveis e em todos os momentos.

Para registrar os parâmetros elétricos de um motor, a Changan usa um dispositivo de medição de energia da família de produtos EMpro da Phoenix Contact. Uma interface Modbus/TCP é usada para registrar e transmitir, entre outros, o consumo de energia e a potência do motor. Além disso, um sensor combinado mede a temperatura e a vibração, e comunica os valores via PROFINET IO-Link. Assim, a estrutura de IIoT, que é executada em um Edge PC da série EPC 1522, é capaz de coletar centralmente os dados de todos os motores e arquivá-los em um banco de dados. A primeira base de dados estava disponível após um mês.

Essa base de dados foi usada para gerar um modelo inicial de ML. A ferramenta de software MLnext Creation oferece uma interface de usuário intuitiva que pode ser usada para treinar um modelo de ML sem conhecimentos de programação ou estatística. Desse modo, o usuário é guiado passo a passo pelo processo. No projeto da Changan, os dados registrados foram importados para o MLnext Creation e foi selecionado o aplicativo "Detecção de anomalias". Por fim, foi feita uma seleção da complexidade da pesquisa de hiperparâmetros. Essa determina quantos modelos diferentes são treinados e comparados entre si até que seja encontrado o modelo ideal. Nesse caso, o tempo e a capacidade de computação disponíveis são decisivos. Todas as outras etapas ocorrem em segundo plano, p. ex., o pré-processamento dos dados.

O modelo criado pelo MLnext Creation é uma rede neural na forma de um autoencoder. O objetivo é compactar os dados de entrada e reduzi-los às características mais importantes para os reconstruir a partir dessa representação compactada. No contexto da detecção de anomalias, o autoencoder é treinado com os dados operacionais normais dos motores. Se agora, após o treinamento, for encontrada uma anomalia nos dados da entrada, ela não pode ser totalmente reconstruída pelo autoencoder. Como resultado, se verificam desvios consideráveis entre os dados da entrada e os dados restaurados, de modo que as anomalias podem ser identificadas.

Na próxima etapa, o modelo treinado é aplicado no ambiente de produção. O MLnext Execution oferece um pipeline totalmente configurável que abrange todo o processo, desde a aquisição de dados, o pré-processamento e a inferência com o modelo até o armazenamento dos eventos. A vantagem do MLnext Execution é que também não são necessários conhecimentos de programação, pois tudo pode ser definido em um arquivo de configuração. No projeto da Changan, o MLnext Execution é executado no mesmo Edge PC EPC 1522 que executa a estrutura de IIoT. Isso permite uma integração perfeita com a infraestrutura existente. Os dados registrados pelos motores são carregados do banco de dados quase em tempo real e passam pelo mesmo pré-processamento usado no treinamento do modelo. Em seguida, o modelo analisa os dados em busca de anomalias e arquiva o resultado, ou seja, o período de tempo e o causador, de volta no banco de dados.

A ferramenta Grafana intuitiva é usada para visualizar os dados e os resultados do modelo. O Grafana permite criar painéis específicos para grupos-alvo que fornecem uma visão geral dos dados operacionais dos motores e das anomalias detectadas. Além disso, o Grafana também permite que a Changan faça mais tarde alterações próprias nos painéis. Também podem ser configurados alarmes para as anomalias identificadas, alertando os técnicos de manutenção sobre possíveis problemas.

Entre em contato conosco. Ficaremos felizes em assessorar você e encontramos juntos a solução ideal.

O uso do MLnext para detecção de anomalias nas linhas de chaparia da Changan Automobile mostra como os possíveis problemas podem ser detectados atempadamente, permitindo minimizar os tempos de parada e aumentar a competitividade. O processo iterativo de aprendizado de máquina também oferece a opção de melhorar continuamente o modelo, analisando as anomalias detectadas e, assim, aumentando a precisão da detecção de anomalias.