Automobilkonzerne stehen unter einem erheblichen globalen Wettbewerbsdruck, weshalb sie stets nach Möglichkeiten suchen, um effizienter zu produzieren. Gleichzeitig gelten die Automobilisten als Innovationstreiber mit einer Vorbildfunktion für andere Branchen. Aus diesem Grund sehen sie sich mit großen gesellschaftlichen und politischen Erwartungen zum Aufbau von Net-Zero-Fabriken im Sinne der All Electric Society konfrontiert.
Prozess von großer Bedeutung
Der Fertigungsprozess eines Autos beginnt mit dem Pressen der Karosserieteile. Zu diesem Zweck werden Metallplatten in spezielle Formen gepresst und so die verschiedenen Teile eines Fahrzeugs hergestellt. In weiteren Schritten entsteht aus den Teilen das fahrbereite Auto. Der Pressprozess erweist sich somit als entscheidender aber auch energieintensiver Schritt in der Wertschöpfungskette eines Automobilproduzenten. Zum einen legt der Prozess die Grundlage für die Qualität des Endprodukts, andererseits haben Ausfälle und Verzögerungen weitreichende Folgen für den gesamten Fertigungsfluss und damit die Herstellkosten des Fahrzeugs.
Angesichts der hohen Bedeutung des Pressprozesses suchte Changan Automobile, einer der vier größten Automobilproduzenten Chinas, nach einer Lösung zur Anomalieerkennung, um potenzielle Probleme an den Elektromotoren seiner Presswerke frühzeitig identifizieren und proaktiv handeln zu können. Mit Digital Factory now bietet Phoenix Contact hierfür ein umfassendes Angebot an Produkten, Lösungen, Konzepten und Services zur Digitalisierung von Brownfield- und Greenfield-Fabriken, mit dem sich ressourcenschonende und wettbewerbsfähige digitalisierte Fertigungsstätten aufbauen lassen. Im Mittelpunkt des Portfolios befindet sich MLnext, das sich aus den Software-Lösungen MLnext Creation und MLnext Execution zusammensetzt. MLnext ermöglicht eine einfache und effektive Nutzung von maschinellem Lernen (ML) in der digitalen Fabrik. Warum Unternehmen mit Connected Engineering schneller, sicherer und wettbewerbsfähiger werden ‣ weiterlesen
Von Insellösungen zum vernetzten Engineering-Ökosystem
Zentrale Datenerfassung und -speicherung
Im ersten und wichtigsten Schritt jedes Machine-Learning-Projekts muss eine Datenbasis geschaffen werden. Bei Changan wurden pro Presswerk die Daten von jeweils zwei Produktionslinien mit je vier Pressen und installierten Elektromotoren erfasst. An dieser Stelle kommt ein anderes Produkt aus dem Portfolio von Digital Factory now zum Einsatz: das IIoT-Framework. Das stellt eine skalierbare, offene und flexible Schnittstelle zwischen OT (Operational Technology, Fertigungsebene) und IT (Information Technology) dar.
Über In-Konnektoren für Übertragungsprotokolle wie Profinet, MQTT und Modbus lassen sich Daten der unterschiedlichen in der heterogenen OT-Welt verbauten Sensoren einsammeln. Diese können anschließend mittels Out-Konnektoren persistent in einer Datenbank – beispielsweise MySQL oder InfluxDB – oder in der Cloud – etwa Proficloud.io, AWS oder Azure – gespeichert werden. Auf diese Weise stehen die Daten in vergleichbarer Form zu jeder Zeit auf allen Ebenen zur Verfügung.
Zur Aufnahme der elektrischen Parameter eines Motors nutzt Changan jeweils ein Energiemessgeräte der Produktfamilie EMPro von Phoenix Contact. Über eine Modbus/TCP-Schnittstelle werden unter anderem der Stromverbrauch und die Leistung des Motors erfasst und weitergeleitet. Darüber hinaus misst ein Kombisensor die Temperatur und Vibration und kommuniziert die Werte via Profinet IO-Link. Das IIoT-Framework, das auf einem Edge-PC der Baureihe EPC 1522 läuft, ist so in der Lage, die Daten sämtlicher Motoren zentral einzusammeln und in einer Datenbank zu archivieren. Nach einem Monat lag die erste Datenbasis vor.
Trainieren eines ML-Modells ohne Programmierkenntnisse
Mit dieser Datenbasis wurde ein erstes ML-Modell generiert. Das Software-Tool MLnext Creation stellt dafür eine intuitive Benutzeroberfläche bereit, mit der sich ein ML-Modell ohne Programmierkenntnisse oder statistisches Wissen trainieren lässt. Dabei wird der Benutzer Schritt für Schritt durch den Prozess geführt. Im Changan-Projekt sind die aufgenommenen Daten in MLnext Creation importiert und die Applikation „Anomalieerkennung“ gewählt worden. Abschließend erfolgte eine Auswahl der Komplexität für die Hyperparametersuche. Diese bestimmt, wie viele verschiedene Modelle trainiert und miteinander verglichen werden, bis das passende Modell gefunden ist. Als ausschlaggebend erweisen sich hier die verfügbare Rechenzeit und Rechenleistung. Im Hintergrund finden alle weiteren Schritte statt, zum Beispiel die Vorverarbeitung der Daten.
