Avvikelseidentifiering vid Changan Automobiles pressverk Då avvikelseidentifiering används i pressverk kan problem upptäckas i ett tidigt skede och förebyggande underhållsåtgärder kan sättas in. Detta bidrar till att minimera stopptiderna och säkerställa produktkvaliteten.

Fordonsföretagen är utsatta för ett betydande globalt konkurrenstryck och söker därför alltid efter sätt att producera mer effektivt. Samtidigt ses bilindustrin som en drivkraft för innovation och en förebild för andra branscher. Därför ställs de inför stora sociala och politiska förväntningar när det gäller att etablera fabriker med nettonollutsläpp i All Electric Society-anda. Produktionsprocessen för en bil börjar med pressning av karosseridelarna. För detta ändamål pressas metallplattor in i speciella formar för att producera de olika delarna av ett fordon. I ytterligare steg förvandlas delarna till en körklar bil. Pressningsprocessen är därmed ett avgörande och energiintensivt steg i värdekedjan hos en biltillverkare. Å ena sidan lägger processen grunden för slutproduktens kvalitet, å andra sidan får fel och förseningar långtgående konsekvenser för hela produktionsflödet och därmed för fordonets tillverkningskostnader.

Med tanke på hur viktig pressningsprocessen är sökte Changan Automobile, en av de fyra största biltillverkarna i Kina, efter en lösning för avvikelseidentifieringen i elmotorerna i sina pressverk. Med Digital Factory now erbjuder Phoenix Contact ett omfattande utbud av produkter, lösningar, koncept och tjänster för digitalisering av brownfield- och greenfield-fabriker, som kan användas för att skapa resursbesparande och konkurrenskraftiga digitaliserade produktionsanläggningar. Centralt i portföljen är MLnext, som består av programvarulösningarna MLnext Creation och MLnext Execution. MLnext möjliggör en enkel och effektiv användning av maskininlärning (ML) i den digitala fabriken. Genom att använda avvikelseidentifiering kan Changan nu identifiera potentiella problem med motorerna på ett tidigt stadium och vidta proaktiva åtgärder för att minimera stopptider och säkerställa produktkvaliteten.

Det första och viktigaste steget i ett maskininlärningsprojekt är att skapa en databas. Hos Changan registrerades data från två produktionslinjer, vardera med fyra pressar och installerade elmotorer, för varje pressverk. Det är här som en annan produkt från Digital Factory now-portföljen kommer in i bilden: IIoT-ramverket. Här handlar det om ett skalbart, öppet och flexibelt gränssnitt mellan OT (Operational Technology, produktionsnivå) och IT (Information Technology). Data från de olika sensorerna som är installerade i den heterogena OT-världen kan samlas in via in-anslutningar för överföringsprotokoll som PROFINET, MQTT och Modbus. Dessa kan sedan via ut-anslutningar lagras permanent i en databas – t.ex. MySQL eller InfluxDB – eller i molnet – t.ex. Proficloud.io, AWS eller Azure – med anslutningar. På så sätt finns data tillgängliga i jämförbar form på alla nivåer och vid alla tidpunkter.

Changan använder en energimätare från Phoenix Contacts EMpro-produktfamilj för att registrera de elektriska parametrarna i en motor. Ett Modbus/TCP-gränssnitt används för att registrera och överföra bland annat motorns strömförbrukning och prestanda. Dessutom mäter en kombinationssensor temperatur och vibrationer och kommunicerar värdena via PROFINET IO-Link. IIoT-ramverket, som körs på en kantdator i EPC 1522-serien, kan därmed samla in data från alla motorer centralt och arkivera dem i en databas. Den första databasen var tillgänglig efter en månad.

Denna databas användes för att generera en första ML-modell. Programvaruverktyget MLnext Creation har ett intuitivt användargränssnitt som kan användas för att träna en ML-modell utan någon kunskap om programmering eller statistik. Användaren guidas genom processen steg för steg. I Changan-projektet importerades de registrerade uppgifterna till MLnext Creation och programmet ”Avvikelseidentifiering” valdes. Slutligen gjordes ett urval av komplexiteten för hyperparametersökningen. Denna avgör hur många olika modeller som tränas och jämförs med varandra tills den optimala modellen hittas. Den tillgängliga datatiden och datorkraften visar sig här vara avgörande. Alla ytterligare steg sker i bakgrunden, t.ex. förbehandling av data.

Modellen som skapas av MLnext Creation är ett neuralt nätverk i form av en autoencoder. Syftet är att komprimera indata och reducera dem till de viktigaste funktionerna för att sedan kunna rekonstruera dem från den komprimerade representationen. I samband med avvikelseidentifieringen tränas autoencodern med motorernas normala driftdata. Om en avvikelse upptäcks i ingångsdata efter träningen kan den inte rekonstrueras helt och hållet av autoencodern. Detta leder till att det finns betydande avvikelser mellan ingångsdata och återställda data, vilket gör att avvikelser kan identifieras.

I nästa steg tillämpas den utbildade modellen i produktionsmiljön. MLnext Execution erbjuder en helt konfigurerbar pipeline som täcker hela processen från datainsamling, förbehandling och inferens med modellen till lagring av händelser. Fördelen med MLnext Execution är att det inte heller krävs några programmeringskunskaper, eftersom allt kan ställas in i en konfigurationsfil. I Changan-projektet körs MLnext Execution på samma kantdator EPC 1522 som även IIoT-ramverket körs på. Detta möjliggör en sömlös integrering i den befintliga infrastrukturen. De data som registreras av motorerna laddas från databasen nästan i realtid och genomgår samma förbehandling som vid träning av modellen. Modellen analyserar sedan data för att hitta avvikelser och arkiverar resultatet, dvs. tidsperioden och utlösaren, i databasen.

Det användarvänliga Grafana-verktyget används för att visualisera data och resultat från modellen. Grafana kan användas för att skapa målgruppsinriktade instrumentpaneler som ger en översikt över motorernas driftdata och de upptäckta avvikelserna. Grafana gör det också möjligt för Changan att självständigt göra ändringar i instrumentpanelerna vid ett senare tillfälle. Larm kan också ställas in för de avvikelser som identifieras, så att underhållspersonalen varnas för potentiella problem.

Användningen av MLnext för avvikelseidentifiering i Changan Automobiles pressverk visar hur potentiella problem kan upptäckas i ett tidigt skede, vilket minimerar stopptider och ökar konkurrenskraften. Den iterativa processen med maskininlärning ger också möjlighet att kontinuerligt förbättra modellen genom att analysera de upptäckta avvikelserna och på så sätt öka precisionen vid avvikelseidentifieringen.