长安汽车冲压车间的异常检测 在冲压车间实施异常检测时，可及早发现问题，并采取积极的维护措施。这有助于最大限度地减少停机时间，并确保产品质量。

全球竞争激烈，汽车集团承受着巨大的压力，因此它们一直在寻找更高效的生产方式。同时，汽车制造商一直被视为创新的推动者，引领着其他行业的发展。因此，在全电气社会的背景下，汽车制造商在创建净零工厂方面面临着巨大的社会和政治期望。汽车的生产过程始于汽车零部件的压制。为此，要将金属板压入专用模具，以生产汽车的各个零件。在随后的工序中，将这些零部件组装成一辆汽车。因此，在汽车制造商的价值链中，冲压工序是一个决定性的能源密集型工序。一方面，该工序为最终产品的质量奠定了基础；另一方面，故障和延误会对整个生产流程产生深远影响，从而影响汽车的制造成本。

鉴于冲压工艺的重要性，中国四大汽车制造商之一的长安汽车研究了冲压车间电动马达异常检测解决方案。依托数字化工厂，菲尼克斯电气可为棕地和绿地工厂的数字化提供全面的产品、解决方案、理念和服务，以用于创建资源节约且具有竞争力的数字化生产设施。该产品组合的核心是MLnext，涵盖了MLnext Creation和MLnext Execution软件解决方案。MLnext有助于推动在数字工厂中简单有效地使用机器学习 (ML)。借助异常检测，长安汽车目前能够及早发现马达的潜在问题，并采取积极措施，从而最大限度地减少停机时间并确保产品质量。

任何机器学习项目的第一步，也是最重要的一步是创建数据库。在长安汽车，每个冲压车间均从两条生产线上获取数据，每条生产线配有四台冲压机并已安装电动马达。这就需要用到数字化工厂产品组合中的另一款产品：工业物联网框架。这涉及在OT（运营技术、生产水平）和IT（信息技术）之间建立一个可扩展、开放且灵活的接口。异构OT世界中安装的各种传感器的数据可通过适用于传输协议（如PROFINET、MQTT和Modbus）的IN连接器收集。然后，这些数据可通过OUT连接器（如MySQL或InfluxDB）长久存储在数据库中，或存储在云端（如Proficloud.io、AWS或Azure）。通过这种方式，任何时候，所有层级的数据都能以对比形式呈现。

长安汽车使用菲尼克斯电气的EMpro产品系列中的电能监测设备来记录马达的电气参数。例如，通过Modbus/TCP接口记录和转发马达的电流消耗和功率。组合传感器还可测量温度和振动，并通过PROFINET IO-Link传输这些值。因此，在EPC 1522系列边缘PC机上运行的工业物联网框架能够集中收集所有马达的数据，并将其存档到数据库中。第一个数据库在一个月后可用。

该数据库用于生成第一个机器学习(ML)模型。MLnext Creation软件工具具有直观的用户界面，无需任何编程知识或统计知识，即可用于训练机器学习模型。用户将在指导下逐步完成整个过程。在长安汽车项目中，记录的数据被导入MLnext Creation，并选择了“异常检测”应用。最后，选择超参数搜索的复杂度。这决定了需要训练不同模型的数量，并对其进行比较，直到找到最佳模型。可用的计算时间和计算能力在这里极为关键。所有后续步骤均在后台进行，例如预处理数据。

MLnext Creation创建的模型是一个自动编码器形式的神经网络。其目的是压缩输入数据，并将其简化到最重要的特征，以便随后根据压缩后的表示重建数据。在异常检测中，通过马达的正常运行数据训练自动编码器。若在训练后发现输入数据异常，则自动编码器就无法完全重建。这将导致输入数据与恢复数据之间出现明显偏差，这意味着异常数据可以被识别出来。

下一步，在生产环境中使用训练有素的模型。为此，MLnext Execution提供了一个完全可配置的管道，涵盖从数据采集、预处理、模型推理到事件存储的整个过程。MLnext Execution的优势在于无需编程知识，一切均可在配置文件中设置。在长安汽车项目中，MLnext Execution在与工业物联网框架相同的EPC 1522边缘PC机上运行。这便可实现与现有基础设施的无缝集成。马达记录的数据几乎是实时从数据库中加载的，并经过与模型训练时相同的预处理。随后，模型会对数据进行异常分析，并将结果（即时间段和触发器）存档到数据库中。

用户友好型Grafana工具可用于可视化数据和模型结果。Grafana可用于创建针对特定目标群体的仪表板，并提供马达运行数据和检测到的异常情况的概览。此外，Grafana还使长安汽车日后独立修改仪表板成为可能。而且，还可针对发现的异常情况设置警报，便于维护人员意识到潜在问题。

在长安汽车冲压车间使用MLnext进行异常检测，可显示如何在早期阶段发现潜在问题，从而最大限度地减少停机时间并提高竞争力。在机器学习的迭代过程中，还可通过评估检测到的异常情况来不断改进模型，以此提高异常检测的精确度。