Changan Automobile pres atölyesinde anormallik tespiti Pres atölyelerinde anormallik tespiti kullanıldığında, sorunlar erken bir aşamada belirlenebilir ve proaktif bakım önlemleri başlatılabilir. Bu, duruş sürelerini en aza indirmeye ve ürün kalitesini sağlamaya yardımcı olur.

Küresel rekabet nedeniyle büyük baskı altında olan otomobil grupları, sürekli daha verimli üretim yapmanın yollarını arıyor. Otomobil üreticileri aynı zamanda diğer sektörlere liderlik eden inovasyon öncüleri olarak kabul edilmektedir. Sonuç olarak, All Electric Society bağlamında net sıfır fabrikaların yaratılmasına ilişkin önemli sosyal ve siyasi beklentilerle karşı karşıyadırlar. Bir otomobilin üretim süreci, otomotiv parçalarının preslenmesiyle başlar. Bunu yapmak için metal plakalar, bir aracın çeşitli parçalarını üretmek üzere özel kalıplara preslenir. Parçalar daha sonraki adımlarda sürülmeye hazır bir araca dönüştürülür. Bu nedenle presleme işlemi, bir otomobil üreticisinin değer zincirinde belirleyici ve enerji yoğun bir adımdır. Süreç bir yandan nihai ürünün kalitesinin temellerini atarken, diğer yandan başarısızlıklar ve gecikmeler tüm üretim akışı ve dolayısıyla aracın üretim maliyetleri üzerinde geniş kapsamlı sonuçlara yol açar.

Çin'deki dört büyük otomobil üreticisinden biri olan Changan Automobile, presleme sürecinin önemini göz önünde bulundurarak, pres atölyesindeki elektrik motorlarında anormallik tespiti için bir çözüm arayışına girdi. Phoenix Contact, Digital Factory now ile kaynak tasarrufu sağlayan ve dijitalleştirilmiş rekabetçi üretim tesisleri oluşturmak için kullanılabilen eski (kahverengi) ve yeni (yeşil) fabrikaların dijitalleştirilmesi için kapsamlı bir ürün, çözüm, konsept ve hizmet yelpazesi sunuyor. Portföyün merkezinde MLnext Creation ve MLnext Execution yazılım çözümlerinden oluşan MLnext yer almaktadır. MLnext, Dijital Fabrikada makine öğreniminin (ML) basit ve etkili bir şekilde kullanılmasını kolaylaştırır. Changan artık anomali tespiti kullanarak motorlardaki olası sorunları erken bir aşamada tespit edip proaktif önlemler alabiliyor ve böylece duruş sürelerini en aza indirerek ürün kalitesini güvence altına alıyor.

Herhangi bir makine öğrenimi projesinin ilk ve en önemli adımı bir veri tabanı oluşturmaktır. Changan Automobile'da, her pres atölyesi için veriler, her biri dört pres ve kurulu elektrik motorlarına sahip iki üretim hattından toplandı. İşte bu noktada Digital Factory now portföyünden bir başka ürün daha kullanılıyor: IIoT framework. Bu, OT (operasyonel teknoloji, üretim seviyesi) ve IT (bilgi teknolojisi) arasında ölçeklenebilir, açık ve esnek bir arayüzü içerir. Heterojen OT dünyasında kurulu çeşitli sensörlerden gelen veriler PROFINET, MQTT ve Modbus gibi iletim protokolleri için IN konektörleri aracılığıyla toplanabilir. Bu veriler daha sonra MySQL veya InfluxDB gibi OUT konektörleri kullanılarak bir veri tabanında kalıcı olarak saklanabilir veya Proficloud.io, AWS veya Azure gibi bulutta depolanabilir. Bu şekilde veriler her zaman ve her düzeyde karşılaştırılabilir bir biçimde elde edilebilir.

Changan, bir motorun elektrik parametrelerini kaydetmek için Phoenix Contact'ın EMpro ürün gamından bir enerji ölçüm cihazı kullanıyor. Örneğin motorun akım tüketimi ve gücü kaydedilir ve bir Modbus/TCP arayüzü üzerinden iletilir. Kombine bir sensör ayrıca sıcaklığı ve titreşimleri ölçer ve değerleri PROFINET IO-Link aracılığıyla iletir. EPC 1522 serisi bir edge PC üzerinde çalışan IIoT çerçevesi, böylece tüm motorların verilerini merkezi olarak toplayabilir ve bir veri tabanında arşivleyebilir. İlk veri tabanı bir ay sonra kullanılabilir hale geldi.

Bu veri tabanı ilk ML modelini oluşturmak için kullanıldı. MLnext Creation yazılım aracı, herhangi bir programlama bilgisi veya istatistiksel bilgi olmadan bir ML modelini eğitmek için kullanılabilecek sezgisel bir kullanıcı arayüzü sağlar. Kullanıcı süreç boyunca adım adım yönlendirilir. Changan projesinde, kaydedilen veriler MLnext Creation'a aktarıldı ve "Anormallik Tespiti" uygulaması seçildi. Son olarak, hiperparametre araması için karmaşıklık seçildi. Bu, optimum model bulunana kadar kaç farklı modelin eğitileceğini ve birbiriyle karşılaştırılacağını belirler. Mevcut hesaplama süresi ve hesaplama gücü burada çok önemlidir. Verilerin ön işlemden geçirilmesi gibi diğer tüm adımlar arka planda gerçekleşir.

MLnext Creation tarafından oluşturulan model, otomatik kodlayıcı biçiminde bir sinir ağıdır. Amacı, giriş verilerini sıkıştırıp en önemli özelliklerine indirgemek ve daha sonra bu sıkıştırılmış gösterimden yeniden oluşturmaktır. Anormallik tespiti bağlamında, otomatik kodlayıcı motorların normal çalışma verileriyle eğitilir. Eğitimden sonra giriş verilerinde bir anormallik bulunursa, bu durum otomatik kodlayıcı tarafından tam olarak yeniden yapılandırılamaz. Bu, giriş verileri ile geri yüklenen veriler arasında önemli sapmalarla sonuçlanır, bu da anormalliklerin tespit edilebileceği anlamına gelir.

Bir sonraki adımda, eğitilen model üretim ortamında kullanılır. Bunun için MLnext Execution, veri toplamadan ön işlemeye, modelden çıkarım yapmaya ve olayları depolamaya kadar tüm süreci kapsayan tamamen yapılandırılabilir bir işlem hattı sunar. MLnext Execution'ın avantajı, programlama bilgisi gerektirmemesi ve her şeyin bir yapılandırma dosyasında ayarlanabilmesidir. Changan projesinde MLnext Execution, IIoT çerçevesinin üzerinde çalıştığı aynı EPC 1522 edge PC'de çalıştırılmaktadır. Bu, mevcut altyapıya sorunsuz entegrasyon sağlar. Motorlar tarafından kaydedilen veriler neredeyse gerçek zamanlı olarak veri tabanından yüklenir ve model eğitimi sırasında olduğu gibi aynı ön işlemden geçirilir. Model daha sonra verileri anormalliklere karşı analiz eder ve sonucu, yani zaman dilimini ve tetikleyiciyi veri tabanında arşivler.

Modelin verilerini ve sonuçlarını görselleştirmek için kullanıcı dostu Grafana aracı kullanılır. Grafana, motorların işletim verilerine ve tespit edilen anormalliklere genel bir bakış sağlayan hedef gruba özgü gösterge panelleri oluşturmak için kullanılabilir. Buna ek olarak Grafana, Changan'ın daha sonra bağımsız olarak gösterge panellerinde değişiklik yapabilmesini sağlar. İlaveten, belirlenen anormallikler için bakım personelinin potansiyel sorunlardan haberdar olmasını sağlayan uyarılar oluşturulabilir.

Bizimle irtibata geçmekte tereddüt etmeyin. İdeal çözümü birlikte bulmak için sizinle görüş alışverişinde bulunuruz.

Changan Automobile'ın pres atölyelerinde anormallik tespiti için MLnext'in kullanılması, potansiyel sorunların erken bir aşamada nasıl tespit edilebileceğini, böylece duruş sürelerinin nasıl en aza indirilebileceğini ve rekabet gücünün nasıl artırılabileceğini gösteriyor. Makine öğreniminin yinelemeli süreci, tespit edilen anormallikleri değerlendirerek modeli sürekli iyileştirme seçeneği de sunar ve böylece anormallik tespitinin hassasiyetini artırır.