Виявлення аномалій у штампувальному пресі компанії Changan Automobile Якщо система виявлення аномалій використовується у штампувальних пресах, проблеми можна виявити на ранній стадії і розпочати профілактичні заходи з технічного обслуговування. Це допомагає мінімізувати час простою та забезпечити якість продукції.

Автомобільні компанії перебувають під значним глобальним конкурентним тиском, тому вони завжди шукають шляхи до ефективнішого виробництва. Водночас автомобільна галузь розглядається як рушійна сила інновацій та приклад для наслідування для інших секторів. Тому вони стикаються з великими соціальними й політичними очікуваннями щодо створення вуглецево нейтральних заводів Net Zero в сенсі All Electric Society. Процес виробництва автомобіля починається з пресування частин кузова. Для цього металеві пластини пресують у спеціальні форми, з яких виготовляють різні частини автомобіля. На подальших етапах деталі перетворюються на готовий до руху автомобіль. Таким чином, процес пресування є вирішальним та енергоємним етапом у ланцюжку створення вартості для виробника автомобілів. З одного боку, цей процес закладає основу якості кінцевого виробу, з іншого боку, відмови та затримки мають далекосяжні наслідки для всього виробничого процесу, а отже, і для собівартості транспортного засобу.

Беручи до уваги важливість процесу пресування, Changan Automobile, один із чотирьох найбільших виробників автомобілів у Китаї, досліджував рішення для виявлення аномалій в електродвигунах своїх штампувальних пресів. Завдяки рішенню Digital Factory компанія Phoenix Contact тепер пропонує широкий асортимент виробів, рішень, концепцій і послуг для оцифрування старих і нових заводів, які можна використовувати для створення ресурсозбережних і конкурентоспроможних цифрових виробничих потужностей. Центральне місце в цьому асортименті посідає MLnext, що складається з програмних рішень MLnext Creation та MLnext Execution. MLnext дає змогу просто й ефективно використовувати машинне навчання (ML) у цифровому заводі. Використовуючи систему виявлення аномалій, компанія Changan тепер може ідентифікувати потенційні проблеми з двигунами на ранній стадії і вживати профілактичних заходів для мінімізації часу простою і забезпечення якості продукції.

Першим і найважливішим кроком у будь-якому проєкті машинного навчання є створення бази даних. У компанії Changan Automobile дані з двох виробничих ліній, кожна з яких має по чотири преси зі встановленими електродвигунами, були записані для кожного штампувального пресу. На цьому етапі у гру вступає ще один виріб із асортименту Digital Factory now: платформа промислового Інтернету речей. Вона включає в себе масштабований, відкритий і гнучкий інтерфейс між OT (операційні технології, виробничий рівень) та IT (інформаційні технології). Дані з різних датчиків, встановлених у гетерогенному світі операційних технологій, можна збирати через вхідні роз’єми для протоколів передачі, таких як PROFINET, MQTT і Modbus. Потім за допомогою наших вихідних роз’ємів їх можна постійно зберігати в базі даних, наприклад MySQL або InfluxDB, або у хмарі, наприклад Proficloud.io, AWS або Azure. Завдяки цьому дані доступні у придатній для зіставлення формі на всіх рівнях і в будь-який час.

Для реєстрації електричних параметрів двигуна Changan використовує прилад вимірювання енергії з лінійки продукції EMpro від Phoenix Contact. Для запису та передачі даних про енергоспоживання та продуктивність двигуна використовується зокрема й інтерфейс Modbus/TCP. Крім того, комбінований датчик вимірює температуру й вібрацію та передає значення через PROFINET IO-Link. Платформа промислового Інтернету речей, яка працює на ПК серії EPC 1522, може централізовано збирати дані з усіх двигунів і архівувати їх у базі даних. Перша база даних була доступна вже через місяць.

На основі цих даних було створено першу модель машинного навчання. Програмний інструмент MLnext Creation надає інтуїтивно зрозумілий користувацький інтерфейс, який можна використовувати для тренування моделі машинного навчання без будь-яких знань з програмування або статистичних знань. Користувач крок за кроком проходить через весь процес. У проєкті Changan записані дані було імпортовано до MLnext Creation і вибрано програму «виявлення аномалій». Нарешті, було зроблено вибір складності для пошуку гіперпараметрів. Це визначає, скільки різних моделей навчаються і порівнюються між собою, поки не буде знайдено оптимальну модель. Вирішальну роль тут відіграють наявний обчислювальний час та обчислювальна потужність. Всі подальші кроки, наприклад попередня обробка даних, відбуваються у фоновому режимі.

Модель, створена MLnext Creation, являє собою нейронну мережу у вигляді автокодувальника. Метою цього методу є стиснення вхідних даних і зведення їх до найбільш важливих характеристик, щоб потім можна було реконструювати їх на основі цього стисненого представлення. В контексті виявлення аномалій, автокодувальник навчається на нормальних робочих даних двигунів. Якщо після навчання у вхідних даних виявлено аномалію, автокодувальник не може повністю її відновити. Внаслідок цього між вхідними та відновленими даними виникають значні відхилення, що дає змогу виявити аномалії.

На наступному етапі навчена модель застосовується у виробничому середовищі. MLnext Execution пропонує послідовність процесів, яку можна повністю конфігурувати і яка включає всі етапи — від збирання даних, попередньої обробки та висновків за допомогою моделі до зберігання подій. Перевагою MLnext Execution є те, що знання програмування також не потрібні, оскільки все можна задати у файлі конфігурації. У проєкті Changan панель MLnext Execution працює на тому ж ПК EPC 1522 Edge, на якому запущено платформу промислового Інтернету речей. Це дає змогу легко виконати інтеграцію в наявну інфраструктуру. Дані, отримані від двигунів, завантажуються з бази даних майже в режимі реального часу та проходять таку ж попередню обробку, як і під час навчання моделі. Потім модель аналізує дані на наявність аномалій і архівує результат, тобто часовий проміжок і причину, назад у базу даних.

Зручний інструмент Grafana використовується для візуалізації даних і результатів моделі. Grafana можна використовувати для створення інформаційних панелей, орієнтованих на цільові групи, які надають огляд робочих даних двигунів і виявлених аномалій. Grafana також дає змогу Changan самостійно вносити зміни до інформаційних панелей пізніше. Для виявлених аномалій також можна налаштувати сповіщення, які повідомлятимуть технічний персонал про потенційні проблеми.

Використання MLnext для виявлення аномалій у штампувальних пресах Changan Automobile показує, як можна на ранній стадії виявляти потенційні проблеми, мінімізуючи час простою і підвищуючи конкурентоспроможність. Інтерактивний процес машинного навчання також пропонує можливість безперервного вдосконалення моделі шляхом аналізу виявлених аномалій і підвищення завдяки цьому точності їх виявлення.