Индустрия 4.0 - это актуальный тренд. Эта концепция направлена ​​на создание так называемой интеллектуальной индустрии, где элементы системы общаются и взаимодействуют друг с другом и с людьми в режиме онлайн через Интернет услуг [1]. Несомненно, это одна из самых больших задач, с которыми придется столкнуться отрасли, чтобы поддерживать конкурентоспособность на рынке по времени отклика, предлагая при этом качественные продукты и услуги различным и требовательным клиентам.

Согласно отчету Индустрия 4.0 - будущее производительности и роста производства, подготовленному в 2015 году Бостонской консалтинговой группой (BCG) [2], такое более тесное взаимодействие между частями, участвующими в производственных процессах, повысит скорость производства на 30%. и повышение эффективности производственных линий на 25%. Эта революция принесет странам огромную выгоду. Одним из примеров является Германия, где Индустрия 4.0 внесет свой вклад в ежегодный рост ВВП на 1% в течение следующих 10 лет, при этом будет создано более 390 000 рабочих мест и привлечено 250 миллиардов евро инвестиций.

В контексте Индустрии 4.0 использование информации, записанной во время работы, является одной из широко применяемых стратегий, гарантирующих интеллектуальный и все менее и менее человеческий процесс мониторинга. Таким образом, наука о данных и искусственный интеллект играют важную роль в достижении компаниями желаемых результатов и, следовательно, в обеспечении конкурентной позиции на соответствующих рыночных уровнях. С этой точки зрения необходим постоянный мониторинг состояния оборудования.

Описание проблемы

Изученная здесь компания находится в Бразилии и обслуживает в основном автомобильный сегмент, предлагая решения в производстве механических компонентов со специализацией на обработке отливок, поршней, валов и втулок. В качестве стимула для внедрения технологий, предписанных Индустрией 4.0, значительные инвестиции в ее производство осуществляются с развитием проекта по обновлению существующих производственных ресурсов. Таким образом, идея состоит в том, чтобы структурировать производственные ячейки, чтобы они работали полностью в соответствии с концепцией Индустрии 4.0.

Одна конкретная производственная ячейка отвечает за изготовление компонента дизельного насоса. В цехе находятся четыре токарных центра с ЧПУ, общая производительность которых составляет 600 деталей в час. На машинах были установлены датчики для сбора информации об электрическом токе и температуре с частотой дискретизации 10 Гц из 14 различных мест. Все дело в том, что эти непрерывно генерируемые, в настоящее время необслуживаемые данные могут быть преобразованы в потенциальные источники потоков доходов путем выявления узких мест процесса и, таким образом, могут быть разработаны действия.

Что было бы отправной точкой? Человеческое вмешательство. Из-за жестких допусков на размеры, проверка продукции проводится на 100% деталей. Поскольку на рабочую силу приходится почти 40% производственных затрат в секторе, применение технологий Индустрии 4.0 поможет значительно сократить расходы. В таких случаях системы наблюдения, которые постоянно игнорируют состояние оборудования, гарантируют регулярность процесса, обеспечивают надежность и, таким образом, уменьшают необходимость постоянного контроля. Эти системы называются онлайн-системами мониторинга состояния, в которых параметры процесса отслеживаются в режиме реального времени, и эта информация может использоваться для сокращения времени простоя и необходимости в людях, проверяющих производство на 100%. Следовательно, цель состоит в том, чтобы использовать потоковые данные машин, то есть электрический ток и температуру, для информирования операторов о сбоях, чтобы можно было избежать сбоев и запланировать техническое обслуживание до сбоев. При наблюдении за тем, что машина работает в соответствии с ожидаемыми схемами, процесс «готов к работе».

Исследовательский анализ

Согласно нескольким исследованиям [3,4,5], сигнал электрического тока шпинделя главного двигателя имеет высокую корреляцию с состоянием станка. Таким образом, гипотезом является отслеживание этого сигнала тока главного шпинделя для получения полезной информации о рабочем состоянии токарных центров с ЧПУ. Поэтому здесь он используется как параметр анализа.

После того, как табличка с почасовой оплатой была заполнена в производственной ячейке, временной интервал, выбранный для проведения анализа, составляет 2 часа, когда не выполнялись никакие регулировки и не заменялись режущие инструменты. Таким образом, сигнал подходит для прогнозного анализа.

Поскольку текущий сигнал является слегка периодическим, поскольку каждая изготовленная деталь подвергается одной и той же последовательности поворота, на этапе обучения модуля мониторинга требуется своего рода память, чтобы он мог учитывать предыдущие производственные данные для обеспечения лучшей оценки для следующий производственный цикл. Поэтому предлагается модель мониторинга нейронной сети LSTM для получения значений одного цикла и прогнозирования значений для следующей изготовленной детали. Постоянные отклонения от прогнозируемой кривой могут указывать на предстоящие неисправности, простои и могут предлагать профилактическое обслуживание, что позволяет сократить расходы и повысить производительность.

Данные обучения

Во-первых, необходимо импортировать файл .csv, содержащий данные об электрическом токе за исследуемый период.

Шаги предварительной обработки необходимы для адаптации входных данных к нейронной сети LSTM. Масштабирование характеристик - это первая задача, которая поможет оптимизации градиентного спуска быстрее найти глобальный минимум функции стоимости. Тем не менее, при работе с нейронными сетями LSTM требуются входные данные 3D, если они запрашивают информацию о количестве функций, сэмплах и временных шагах. Здесь используется только один признак - электрический ток. Поскольку изготовление одной изготовленной детали занимает в среднем 21 с, а частота выборки данных составляет 10 Гц, для каждого шага выбирается 210 выборок, чтобы сформировать один цикл. Наконец, временные шаги равны количеству строк во входном векторе.

После тестов производительности наша нейронная сеть LSTM состоит из 4 скрытых слоев с 200, 100, 50 и 50 нейронами соответственно. Выпадение 30% используется после каждого скрытого слоя, чтобы избежать переобучения сети. Алгоритм оптимизатора, используемый здесь, - это RMSProp, который использует скользящее среднее квадратов градиентов для нормализации самого градиента и обычно используется в приложениях Reccurent Neural Nets. Затем запускаются 10 эпох с размером пакета 32.

Результаты

Результаты показали среднюю абсолютную ошибку 1,1 А между реальными и прогнозируемыми сигналами, что представляет собой хороший первый подход к построению системы мониторинга.

Имея в руках эти результаты, уже можно увидеть, работают ли станки с ЧПУ в соответствии с обычными заранее определенными стандартами. Когда реальная кривая начинает постоянно уходить от синей линии, возможно, пришло время остановить операцию и проверить, все ли работает нормально. Чтобы организовать его более методично, следующим шагом будет определение диапазонов допусков и установка нечетких правил, чтобы определить, когда процесс работает в условиях угрожающих отклонений и рабочие должны остановить производство. Другое возможное стремление - параметризовать текущий сигнал с помощью размерных характеристик производимой детали, что может привести к модулю мониторинга, который выдает в реальном времени оценку размеров детали, которая будет произведена в следующем цикле токарной обработки, что позволяет уменьшить контрольных образцов.

Заключение

Индустрия 4.0 потрясет отрасли в ближайшие несколько лет. С его помощью новые приложения для интеллектуального анализа данных и машинного обучения открывают широкие возможности для создания более эффективных и действенных средств производства. Мониторинг на основе условий является предварительным условием для достижения этой цели и предлагает возможности для сокращения ошибок, простоев оборудования и затрат, не связанных с качеством. В этой статье просто показано, как эти пилотные системы могут быть реализованы в рамках недорогих проектов и, следовательно, могут принести пользу динамике цехов.

Ссылки

[1] HENAO, H .; CAPOLINO, G.A .; ФЕРНАНДЕС-КАБАНАС, М .; FILIPPETTI, C .; и другие. Тенденции диагностики неисправностей электрических машин: обзор методов диагностики. IEE Ind. Electron, т. 8, стр. 31–42, 2014.

[2] RÜSSMANN, M .; ЛОРЕНЦ, М .; GERBERT, P .; ВАЛДНЕР, М. Индустрия 4.0: будущее производительности и роста в обрабатывающих отраслях. Отчеты BCG Industry, апрель 2015 г.

[3] САЛГАДО, Д. и другие. Оценка износа инструмента для разных материалов заготовки с использованием одной и той же системы мониторинга. Международная конференция общества инженеров-технологов, т. 63, стр. 608–615, 2013.

[4] ДАН, Л. и др. Методы контроля износа и отказов инструмента при токарной обработке - обзор. Международный журнал станкостроения, т. 30, стр. 579–598, 1990.

[5] TETI, R. et al. Расширенный мониторинг операций обработки. CIRP Annals - Manufacturing Technology, т. 59, стр. 717–739, 2010.