Обнаружение отклонений в штамповочном цехе производителя автомобилей Changan Обнаружение отклонений в штамповочном цехе позволяет выявить проблемы на ранней стадии и начать профилактическое техническое обслуживание. Это позволяет свести к минимуму время отказа и обеспечить качество продукции.

Автомобильные концерны испытывают значительное давление со стороны глобальных конкурентов, поэтому они постоянно ищут пути повышения эффективности производства. В то же время автомобильная промышленность рассматривается как движущая сила инноваций и пример для подражания в других отраслях. По этой причине с ними связаны большие общественные и политические надежды на создание предприятий с нулевыми выбросами в рамках концепции All Electric Society. Процесс производства автомобиля начинается со штамповки деталей кузова. Для этого металлические пластины прессуются в специальных формах для производства различных деталей автомобиля. На последующих этапах детали превращаются в готовый к езде автомобиль. Таким образом, процесс штамповки оказывается решающим и энергоемким этапом в цепочке создания стоимости автопроизводителя. С одной стороны, процесс закладывает основу для качества конечного продукта; с другой стороны, сбои и задержки имеют далеко идущие последствия для всего производственного процесса, а значит, и для стоимости производства автомобиля.

Учитывая важность процесса штамповки, компания Changan Automobile, один из четырех крупнейших производителей автомобилей в Китае, искала решение для обнаружения отклонений в работе электродвигателей в штамповочном цехе. На базе Digital Factory now компания Phoenix Contact предлагает полный спектр изделий, решений, концепций и сервисов для цифровизации предприятий «коричневого поля» и «зеленого поля», которые позволяют создавать ресурсосберегающие и конкурентоспособные цифровые производства. Центральное место в ассортименте занимает решение MLnext, состоящее из программного обеспечения MLnext Creation и MLnext Execution. MLnext обеспечивает простое и эффективное использование машинного обучения (ML) на Digital Factory. Благодаря обнаружению отклонений компания Changan теперь может выявлять потенциальные проблемы с электродвигателями на ранней стадии и принимать упреждающие меры, чтобы свести к минимуму время отказа и обеспечить качество продукции.

Первый и самый важный шаг в любом проекте машинного обучения - создание базы данных. В компании Changan Automobile для каждого штамповочного цеха были записаны данные с двух производственных линий, каждая из которых имела по четыре пресса с установленными электродвигателями. Именно здесь на помощь приходит еще одно изделие из ассортимента Digital Factory: фреймворк промышленного интернета вещей. Это предполагает масштабируемый, открытый и гибкий интерфейс между OT (операционные технологии, уровень производства) и ИТ (информационные технологии). Через входные коннекторы для протоколов передачи данных, таких как PROFINET, MQTT и Modbus, можно собирать данные с различных датчиков, установленных в гетерогенном мире OT. Данные могут затем с помощью выходных коннекторов сохраняться в базе данных – например, MySQL или InfluxDB – или в облаке – таких как Proficloud.io, AWS или Azure. Таким образом, данные всегда доступны в сопоставимой форме на всех уровнях.

Компания Changan использует энергоизмерительный прибор из серии изделий EMpro компании Phoenix Contact для сбора электрических параметров электродвигателя. Интерфейс Modbus/TCP используется, в частности, для сбора и передачи данных о потребляемой мощности и производительности электродвигателя. Кроме того, комбинированный датчик измеряет температуру и вибрацию и передает значения через PROFINET IO-Link. Таким образом, фреймворк промышленного интернета вещей, работающий на Edge PC серии EPC 1522, способен централизованно собирать данные со всех двигателей и архивировать их в базе данных. Первая база данных была доступна уже через месяц.

Эта база данных была использована для создания начальной модели ML. Программное обеспечение MLnext Creation предоставляет интуитивно понятный пользовательский интерфейс, который можно использовать для обучения ML-модели без каких-либо знаний в области программирования или статистики. Пользователь получает пошаговое руководство по процессу. В проекте Changan полученные данные были импортированы в MLnext Creation, и было выбрано приложение «Обнаружение отклонений». Наконец, был сделан выбор сложности для поиска гиперпараметров. Это определяет, сколько различных моделей будет обучено и сравнено друг с другом, пока не будет найдена оптимальная модель. Решающее значение здесь имеют доступное вычислительное время и вычислительная мощность. Все дальнейшие действия происходят в фоновом режиме, например, предварительная обработка данных.

Модель, созданная MLnext Creation, представляет собой нейронную сеть в виде автоэнкодера. Цель этого метода - сжать входные данные и сократить их до наиболее важных характеристик, чтобы затем восстановить их из этого сжатого представления. В контексте обнаружения отклонений автоэнкодер обучается на нормальных рабочих данных двигателей. Если после обучения во входных данных появляется отклонение, автоэнкодер не сможет его полностью реконструировать. В результате между входными данными и восстановленными данными наблюдаются значительные отклонения, что позволяет выявить отклонения.

На следующем этапе обученная модель применяется в производственной среде. MLnext Execution предлагает полностью настраиваемый программный конвейер, который охватывает весь процесс от сбора данных, предварительной обработки и вывода модели до хранения событий. Преимущество MLnext Execution в том, что не требуется никаких знаний в области программирования, так как все можно задать в конфигурационном файле. В проекте Changan система MLnext Execution работает на том же Edge PC EPC 1522, что и фреймворк промышленного интернета вещей. Это позволяет легко интегрироваться в существующую инфраструктуру. Данные, поступившие от двигателей, загружаются из базы данных практически в реальном времени и проходят ту же предварительную обработку, что и при обучении модели. Затем модель анализирует данные на предмет отклонений и архивирует результат, то есть временной период и триггер, обратно в базу данных.

Для визуализации данных и результатов модели используется удобный инструмент Grafana. С помощью Grafana можно создавать ориентированные на целевые группы приборные панели, которые дают представление о рабочих данных двигателей и обнаруженных отклонениях. Grafana также позволяет Changan самостоятельно вносить изменения в приборные панели впоследствии. Для выявленных отклонений можно также установить сигналы тревоги, предупреждающие обслуживающий персонал о потенциальных проблемах.

Тогда свяжитесь с нашими специалистами. Мы проконсультируем Вас и вместе найдем оптимальное решение.

Использование MLnext для обнаружения отклонений в штамповочных цехах Changan Automobile показывает, как потенциальные проблемы могут быть обнаружены на ранней стадии, что позволяет свести к минимуму время отказа и повысить конкурентоспособность. Итерационный процесс машинного обучения также дает возможность постоянно совершенствовать модель, анализируя обнаруженные отклонения, что повышает точность их обнаружения.