Deteção de anomalias na unidade de prensagem da Changan Automobile Se a deteção de anomalias for usada em unidades de prensagem, os problemas podem ser detetados atempadamente e podem ser iniciadas medidas de manutenção proativas. Isto contribui para minimizar os tempos de paragem e a garantir a qualidade do produto.

Os grupos de automóveis estão sujeitos a uma pressão competitiva global considerável, razão pela qual estão sempre à procura de formas de produzir mais eficientemente. Ao mesmo tempo, a indústria automóvel é vista como um impulsionador da inovação com função de modelo para outras indústrias. Por esta razão, é confrontada com grandes expetativas sociopolíticas 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 carroçaria. Para o efeito, as placas de metal são prensadas em moldes especiais para produzir as várias peças de um veículo. Em etapas adicionais, as peças são transformadas num automóvel pronto a conduzir. O processo de prensagem revela-se, portanto, uma etapa decisiva e de elevado consumo de energia na cadeia de valor de um fabricante de automóveis. Por um lado, o processo estabelece a base para a qualidade do produto final; por outro lado, as falhas e os atrasos têm consequências de grande alcance para todo o fluxo de produção e, por conseguinte, 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, procurou uma solução para a deteção de anomalias nos motores elétricos das suas unidades de prensagem. 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 poupança 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 da aprendizagem automática (ML) na fábrica digital. Ao usar a deteção de anomalias, a Changan pode agora identificar atempadamente potenciais problemas com os motores e tomar medidas proativas para minimizar os tempos de paragem e garantir a qualidade do produto.

A primeira e mais importante etapa de qualquer projeto de aprendizagem automática é a criação de uma base de dados. Na Changan, os dados de duas linhas de produção, cada uma com quatro prensas e motores elétricos instalados, foram registados para cada unidade de prensagem. É aqui que entra em jogo outro produto do portfólio Digital Factory now: a estrutura de IIoT. Isto implica uma interface escalável, aberta e flexível entre a OT (Operational Technology, nível de produção) e a IT (tecnologia da informação). Os dados dos vários sensores instalados no mundo heterogéneo da OT podem ser recolhidos através de conectores In para protocolos de transmissão, como PROFINET, MQTT e Modbus. Em seguida, podem ser armazenados, com conectores OUT, de forma persistente numa base de dados – p. ex., MySQL ou InfluxDB – ou na cloud – como Proficloud.io, AWS ou Azure. Desta forma, os dados estão disponíveis de forma semelhante em todos os níveis e em qualquer altura.

Para registar os parâmetros elétricos de um motor, a Changan usa um equipamento de medição de energia da família de produtos EMpro da Phoenix Contact. Uma interface Modbus/TCP é usada para registar 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 num Edge PC da série EPC 1522, é capaz de recolher centralmente os dados de todos os motores e arquivá-los numa base de dados. A primeira base de dados estava disponível ao fim de um mês.

Esta base de dados foi usada para gerar um modelo inicial de ML. A ferramenta de software MLnext Creation oferece uma interface de utilizador intuitiva que pode ser usada para treinar um modelo de ML sem conhecimentos de programação ou estatística. Aqui, o utilizador é guiado passo a passo pelo processo. No projeto da Changan, os dados registados foram importados para o MLnext Creation e foi selecionada a aplicação "Deteção de anomalias". Por fim, foi feita uma seleção da complexidade da pesquisa de hiperparâmetros. Esta determina quantos modelos diferentes são treinados e comparados entre si até se encontrar o modelo ideal. Neste caso, são decisivos o tempo e a capacidade de computação disponíveis. 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 sob a forma de um autoencoder. O objetivo é comprimir os dados de entrada e reduzi-los às características mais importantes para os reconstruir a partir desta representação comprimida. No contexto da deteção de anomalias, o autoencoder é treinado com os dados operacionais normais dos motores. Se agora, após o treino, for encontrada uma anomalia nos dados de entrada, esta não pode ser totalmente reconstruída pelo autoencoder. Assim, ocorrem desvios consideráveis entre os dados de entrada e os dados restaurados, o que permite identificar as anomalias.

Na etapa seguinte, 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, uma vez que tudo pode ser definido num ficheiro de configuração. No projeto da Changan, o MLnext Execution é executado no mesmo Edge PC EPC 1522 que executa a estrutura de IIoT. Isto permite uma integração perfeita na infraestrutura existente. Os dados registados pelos motores são carregados a partir da base de dados quase em tempo real e passam pelo mesmo pré-processamento que é usado no treino do modelo. Em seguida, o modelo analisa os dados para detetar anomalias e arquiva o resultado, isto é, o período de tempo e o causador, de novo na base 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 vista geral dos dados operacionais dos motores e das anomalias detetadas. 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 potenciais problemas.

O uso do MLnext para a deteção de anomalias nas unidades de prensagem da Changan Automobile mostra como os potenciais problemas podem ser detetados atempadamente, minimizando os tempos de paragem e aumentando a competitividade. O processo iterativo de aprendizagem automática também oferece a opção de melhorar continuamente o modelo através da análise das anomalias detetadas e, assim, aumentando a precisão da deteção de anomalias.