Detectarea anomaliilor în stația de presare de la Changan Automobile Dacă se utilizează detectarea anomaliilor în stațiile de presare, problemele pot fi detectate într-un stadiu incipient și pot fi inițiate măsuri proactive de întreținere. Acest lucru ajută la minimizarea timpilor de nefuncționare și la asigurarea calității produselor.

Grupurile de companii auto sunt supuse unei presiuni concurențiale globale considerabile, motiv pentru care caută mereu modalități mai eficiente de producție. În același timp, industria automobilelor este considerată un motor al inovării și un model pentru alte domenii. Din acest motiv, aceasta se confruntă cu mari așteptări sociale și politice în ceea ce privește crearea de fabrici Net Zero în spiritul All Electric Society. Procesul de producție al unui vehicul începe cu presarea elementelor de caroserie. În acest scop, plăcile metalice sunt presate în matrițe speciale pentru a produce diferitele părți ale unui vehicul. În etapele următoare, vehiculul este construit din piese până în starea pregătită de conducere. Prin urmare, procesul de presare se dovedește a fi o etapă decisivă și energointensivă în lanțul valoric al unui producător de automobile. Pe de o parte, procesul pune bazele calității produsului final; pe de altă parte, defecțiunile și întârzierile au consecințe majore asupra întregului flux de producție și, prin urmare, asupra costurilor de fabricație ale vehiculului.

Având în vedere importanța procesului de presare, Changan Automobile, unul dintre cei mai mari patru producători de automobile din China, a căutat o soluție pentru detectarea anomaliilor în motoarele electrice ale stațiilor sale de presare. Cu Digital Factory now, Phoenix Contact oferă o gamă cuprinzătoare de produse, soluții, concepte și servicii pentru digitalizarea fabricilor din zonele verzi și zonele industriale dezafectate, care pot fi utilizate pentru a înființa unități de producție digitalizate competitive și care economisesc resurse. În centrul portofoliului se află MLnext, care constă în soluțiile software MLnext Creation și MLnext Execution. MLnext permite o utilizare simplă și eficientă a învățării automatizate (ML) în fabrica digitală. Folosind detectarea anomaliilor, Changan poate acum să identifice potențialele probleme ale motoarelor într-un stadiu incipient și să ia măsuri proactive pentru a minimiza timpii de nefuncționare și a asigura calitatea produselor.

Primul și cel mai important pas în orice proiect de învățare automatizată este crearea unei baze de date. La Changan Automobile, pentru fiecare stație de presare au fost înregistrate datele de la două linii de producție cu câte patru prese și motoare electrice instalate. Aici intră în joc un alt produs din portofoliul Digital Factory now: cadrul IIoT. Acesta implică o interfață scalabilă, deschisă și flexibilă între OT (tehnologia operațională, nivelul producției) și IT (tehnologia informației). Datele de la diverșii senzori instalați în lumea OT eterogenă pot fi colectate prin intermediul unor conectori In pentru protocoale de transmisie precum PROFINET, MQTT și Modbus. Acestea pot fi apoi stocate în mod persistent într-o bază de date, de exemplu MySQL sau InfluxDB, sau în cloud, de exemplu Proficloud.io, AWS sau Azure, utilizând conectori Out. În acest fel, datele sunt disponibile într-o formă comparabilă la toate nivelurile și în orice moment.

Changan utilizează un dispozitiv de măsurare a energiei din gama de produse EMpro de la Phoenix Contact pentru a înregistra parametrii electrici ai unui motor. O interfață Modbus/TCP este utilizată, printre altele, pentru a înregistra și transmite consumul de energie și performanța motorului. În plus, un senzor combinat măsoară temperatura și vibrațiile și comunică valorile prin intermediul PROFINET IO-Link. Cadrul IIoT, care rulează pe un Edge-PC din seria EPC 1522, are capacitatea de a colecta datele în mod centralizat de la toate motoarele și de a le arhiva într-o bază de date. Prima bază de date a fost realizată după o lună.

Această bază de date a fost utilizată pentru a genera un model ML inițial. Instrumentul software MLnext Creation oferă o interfață de utilizator intuitivă care poate fi utilizată pentru a instrui un model ML fără cunoștințe de programare sau statistică. Utilizatorul este ghidat prin proces pas cu pas. În proiectul Changan, datele înregistrate au fost importate în MLnext Creation și a fost selectată aplicația „detectarea anomaliilor”. În cele din urmă, s-a făcut o selecție a complexității pentru căutarea hiperparametrilor. Aceasta determină câte modele diferite sunt instruite și comparate între ele până când se găsește modelul optim. Timpul de calcul disponibil și puterea de calcul se dovedesc a fi decisive aici. Toate etapele ulterioare au loc în fundal, de exemplu, preprocesarea datelor.

Modelul creat de MLnext Creation este o rețea neuronală sub forma unui codificator automat. Acesta vizează comprimarea datelor de intrare și reducerea lor la cele mai importante caracteristici pentru a le reconstrui din această reprezentare comprimată. În contextul detectării anomaliilor, codificatorul automat este instruit cu datele normale de funcționare ale motoarelor. În cazul în care în urma instruirii se constată o anomalie în datele de intrare, acestea nu pot fi reconstruite complet de codificatorul automat. Ca urmare, există abateri considerabile între datele de intrare și datele restaurate, astfel încât anomaliile pot fi identificate.

În etapa următoare, modelul instruit este utilizat în mediul de producție. MLnext Execution oferă o magistrală complet personalizabilă care acoperă întregul proces, de la achiziția datelor, preprocesarea și inferența cu modelul până la stocarea evenimentelor. De asemenea, avantajul MLnext Execution este că nu sunt necesare cunoștințe de programare, deoarece totul poate fi setat într-un fișier de configurare. În proiectul Changan, MLnext Execution rulează pe același Edge-PC EPC 1522 care rulează cadrul IIoT. Acest lucru permite integrarea fără probleme în infrastructura existentă. Datele înregistrate de motoare sunt încărcate din baza de date aproape în timp real și sunt supuse aceleiași preprocesări ca și în cazul instruirii modelului. Modelul analizează apoi datele pentru a detecta anomaliile și arhivează rezultatul, adică perioada de timp și declanșatorul, în baza de date.

Instrumentul ușor de utilizat Grafana este utilizat pentru a vizualiza datele și rezultatele modelului. Grafana poate fi utilizat pentru a crea dashboarduri orientate către grupul țintă, care oferă o imagine de ansamblu a datelor de funcționare ale motoarelor și a anomaliilor detectate. De asemenea, Grafana oferă posibilitatea ca Changan să facă modificări independente la nivelul dashboardurilor la o dată ulterioară. De asemenea, pot fi configurate alarme pentru anomaliile identificate, alertând personalul de întreținere cu privire la eventualele probleme.

Utilizarea MLnext pentru detectarea anomaliilor în stațiile de presare ale Changan Automobile arată cum pot fi detectate eventualele probleme într-un stadiu incipient, minimizând timpii de nefuncționare și sporind competitivitatea. Procesul iterativ de învățare automatizată oferă, de asemenea, posibilitatea de a îmbunătăți continuu modelul prin analizarea anomaliilor detectate și de a crește astfel precizia detectării anomaliilor.