Phòng thí nghiệm kỹ thuật số của Porsche tại Berlin là sự hợp tác của MHP Management- und IT-Beratung GmbH và Porsche AG . Mục tiêu của phòng thí nghiệm công nghệ là hỗ trợ số hóa tại Porsche, bằng cách áp dụng các phương pháp linh hoạt, tạo mẫu nhanh và phổ biến các cơ sở tri thức và xây dựng các prototype (prototype) để nâng cao nhận thức về các công nghệ hiện đại nhất tập trung vào Trí tuệ nhân tạo (AI), Blockchain và Internet of Things ( IoT).
Bài viết này sẽ chia sẻ 1 ứng dụng prototype (prototype) Sử dụng IoT và Deep Learning để phân tích âm thanh, từ đó hướng đến bảo trì tiên đoán tại Porsche.
Giới thiệu
Porsche AG là nhà sản xuất xe hơi của Đức. Công ty đã được thành lập vào năm 1931 và hiện có khoảng 30 nghìn nhân viên. Tương tự như nhiều công ty có độ tuổi lớn và quy mô lớn như vậy, Porsche cần phải trải qua nhiều giai đoạn tự thay đổi, đón nhận kỷ nguyên Số hóa hiện nay. Do đó, Porsche cần phải thu thập kiến thức và chuyên môn sâu rộng trong các lĩnh vực hiện đại. Những lĩnh vực này không giới hạn ở cấp độ kỹ thuật. Cải cách một công ty đã phát triển hơn 80 năm cần nhiều thời gian và công sức đáng kể, ví dụ có thể do các cấu trúc và quy trình cứng nhắc.
Lĩnh vực kỹ thuật có liên quan nhất tại Porsche AG cho case studies được trình bày là ở khối sản xuất. Quy trình sản xuất xe hơi của công ty được công nghệ thông tin tạo điều kiện thuận lợi hơn cho công ty. Một thách thức lớn liên quan đến Số hóa là lựa chọn công nghệ nào nên được đưa vào cơ sở hạ tầng hiện có và làm thế nào điều này có thể được thực hiện theo cách tối ưu nhất.
Các chế độ Bảo trì dựa trên thời gian (Time base Maintenance) của máy sản xuất dựa trên ý tưởng rằng các nhiệm vụ bảo trì cần thiết trên máy được thực hiện theo chu kỳ thường xuyên. Kinh nghiệm đã chỉ ra rằng phương pháp này là không đủ trong nhiều trường hợp vì rất khó hoặc gần như không thể dự đoán thời gian thất bại của các thành phần cơ khí. Đối với phương pháp bảo trì này, có khả năng là việc bảo trì không cần thiết được tiến hành ngoài mong đợi. Ngoài ra, các lỗi sắp tới thường không được phát hiện trước và máy sản xuất và sau đó toàn bộ quy trình sản xuất sau bị hỏng đột xuất.
Xem thêm : Hướng dẫn bảo trì dự đoán (Predictive Maintenance) với Machine Learning
Bạn có thể thích
Trái ngược với các phương pháp dựa trên thời gian, bảo trì dự đoán là một kỹ thuật nổi tiếng về giám sát hành vi hệ thống để ngăn ngừa sự cố và chỉ tiến hành bảo trì khi cần thiết. Kiểm tra trực quan bằng tay là phiên bản lâu đời nhất của bảo trì dự đoán và vẫn là một trong những phương pháp mạnh mẽ nhất. Trong những năm gần đây, các giải pháp bảo trì dự đoán tự động khác nhau đã được phát triển dựa trên các kỹ thuật như nhận dạng mẫu, mô hình hóa thực nghiệm và vật lý, mạng lưới thần kinh hoặc logic mờ.
Nhiều trong số các kỹ thuật này hoạt động tốt và cho phép giám sát hệ thống mong muốn. Tuy nhiên, việc thực hiện chúng thường liên quan đến các hạn chế kỹ thuật liên quan đến độ phức tạp của giải pháp cũng như các hạn chế về policy và tài chính.
Các phương pháp bảo trì dự đoán thường sử dụng các loại cảm biến khác nhau, như cảm biến rung, áp suất hoặc gia tốc để theo dõi tình trạng hệ thống và đo các thông số quan trọng. Một số giải pháp này yêu cầu tích hợp sâu vào hệ thống được giám sát, dẫn đến những nỗ lực triển khai rất lớn. Các cảm biến tạo ra một lượng lớn dữ liệu, thường được xử lý bởi một đơn vị trung tâm.
Truyền dữ liệu liên tục trong các mạng của nhà máy có thể gây ra tắc nghẽn và hỏng hệ thống mạng.
Giám sát chính xác và an toàn của máy sản xuất thường đòi hỏi phần cứng chuyên dụng và đắt tiền. Một vấn đề kỹ thuật khác của nhiều giải pháp bảo trì dự đoán hiện nay là thiếu khả năng chuyển đổi giữa các máy sản xuất. Những chi phí phần cứng kết hợp với tích hợp kỹ thuật có thể dẫn đến chi phí cao cho các giải pháp bảo trì dự đoán. Hạn chế policy cũng rất quan trọng. Sự phổ biến của các phương pháp bảo trì dự đoán thường vi phạm các điều kiện bảo hành và cho thuê của các máy sản xuất. Một chiếc iPhone chẳng hạn, nó sẽ mất bảo hành một khi nó được mở máy bởi người dùng.
Nhiều máy đã có các cảm biến tích hợp có thể được sử dụng làm đầu vào cho các giải pháp giám sát. Đây sẽ là một cách tiếp cận đơn giản để bảo trì dự đoán bởi vì nó không yêu cầu phần cứng bổ sung. Tuy nhiên, trong nhiều trường hợp, điều kiện cho thuê của máy chỉ bao gồm việc sử dụng máy chứ không truy cập vào dữ liệu cảm biến tích hợp. Do đó, cách tiếp cận này cũng không phải lúc nào cũng khả thi và sử dụng phần cứng bổ sung là cần thiết.
Giải pháp bảo trì dự đoán được trình bày trong công việc này dựa trên dữ liệu âm thanh thu thập được nhằm giải quyết các hạn chế về kỹ thuật, tài chính và policy đã đề cập ở trên về việc triển khai các giải pháp bảo trì dự đoán trong cài đặt sản xuất.
Ý tưởng chung của dự án
Nhìn chung, mọi hệ thống bao gồm các bộ phận chuyển động và không chuyển động đều tạo ra một loại âm thanh đặc trưng. Cấu hình âm thanh này có thể được sử dụng để phân biệt một hệ thống này với hệ thống khác và thậm chí là các hệ thống được xây dựng giống hệt nhau. Trong ngành công nghiệp ô tô, các hệ thống này bao gồm một loạt các dây chuyền sản xuất phức tạp như robot, bệ nâng thủy lực và xe nâng, cho đến các bộ phận chi tiết hơn như động cơ và hộp số. Các ví dụ tương tự về máy móc được sử dụng bởi công nhân bao gồm các công cụ điện hoặc thậm chí là máy sao chép, in 3D . Tùy thuộc vào chế độ hoạt động, các hệ thống này tạo ra các đặc trưng âm thanh có thể phân biệt được bởi con người và do đó chúng có thể dùng máy tính để phân biệt được.
Trong môi trường sản xuất, các trạng thái hoạt động SX khác nhau như Chạy, chờ, ngoại tuyến và downtime, tạo ra các cấu hình âm thanh thường có thể phân biệt rõ ràng bằng con người. Như vậy có thể phát hiện các thay đổi và có khả năng dự đoán thiệt hại trong một hệ thống đang chạy bằng cách phân tích các thay đổi trong cấu hình âm thanh theo thời gian.
Ví dụ Một động cơ xe hơi điển hình: Người lái xe có thể nghe nếu có gì đó không ổn và có thể quyết định khi nào cần chuyển bánh răng bằng cách lắng nghe âm thanh động cơ. Kỹ thuật viên lành nghề và có kinh nghiệm có khả năng phân loại các trạng thái khác nhau của hệ thống chỉ bằng cách lắng nghe chúng. Ngoài ra, họ có thể biết liệu một hệ thống có hoạt động chính xác hay không và trong trường hợp có vấn đề, họ có thể xác định được nguồn gốc và nguyên nhân của sự cố.
Khái niệm cơ bản của các trường hợp được trình bày là khái quát hóa ý tưởng này và chuyển nó thành một công nghệ kỹ thuật số có khả năng phân biệt các trạng thái làm việc khác nhau của hệ thống (cơ học) và dự đoán các trạng thái thất bại trước khi chúng chỉ sử dụng cấu hình âm thanh của hệ thống. Để đạt được mục tiêu này, một prototype (prototype) đã được phát triển để thu thập dữ liệu âm thanh bằng micrô và xử lý nó bằng cách sử dụng mạng nơ-ron chạy trên máy tính giá rẻ (Raspberry Pi) và năng lượng thấp.
Kiến trúc phần cứng của hệ thống bao gồm hai thành phần chính. Một micro USB tiêu chuẩn sẵn có và Raspberry Pi, đây là một máy tính có công suất thấp và giá rẻ. Dữ liệu được ghi lại được xử lý với mạng nơ ron được đào tạo trên Raspberry Pi và chỉ những thông tin chi tiết có giá trị từ phân tích được chuyển đến phần phụ trợ để đảm bảo rằng chỉ một lượng dữ liệu tối thiểu được truyền trong mạng nhà máy.
Việc sử dụng các thành phần tiêu chuẩn sẵn có giúp chi phí cho giải pháp này rất thấp. Các thành phần tiêu chuẩn này có lợi ích là chúng dễ sử dụng và không yêu cầu chuyên môn bổ sung. Vì dữ liệu được xử lý trên Raspberry Pi và chỉ một lượng nhỏ dữ liệu vào mạng nhà máy, các vấn đề kỹ thuật được giảm thiểu. Micro PC có thể ghi dữ liệu mà không cần kết nối vật lý với máy sản xuất được giám sát, do đó giải pháp này không xâm lấn và duy trì tính toàn vẹn cấu trúc của hệ thống được quan sát; do đó, giải quyết các vấn đề policy nêu trên.
Kiểm thử Mạng Nơ ron với máy pha cafe
Trong một môi trường sản xuất điển hình, nhiều máy tạo âm thanh khác nhau có mặt. Tất cả các máy này có đặc trưng âm thanh độc đáo và có thể được sử dụng làm trường hợp sử dụng thử nghiệm để kiểm tra mô hình mạng nơ ron được phát triển.
(Ghi chú : ở đây không trình bày chi tiết việc áp dụng các mạng nơ ron như thế nào cho case study này, nếu các bạn quan tâm xin LH trực tiếp admin để có tài liệu)
Ví dụ có thể là dây đai lắp ráp, máy bơm, động cơ và các máy móc khác. Ở đây Một máy pha cà phê đã được chọn làm trường hợp thử nghiệm đầu tiên. Tương tự như bất kỳ máy nào trong sản xuất, nó có đặc trưng âm thanh riêng tùy thuộc vào trạng thái hoạt động của nó. Hơn nữa, nó là một máy cần bảo trì thường xuyên và dự đoán bán tự động ; bao gồm nạp lại hạt cafe, nước và sữa và làm sạch. Do đó, nó là một giải pháp thay thế khả thi cho các máy sản xuất phức tạp và khó tiếp cận hơn trong các nhà máy.
Để đào tạo một mạng lưới thần kinh phát hiện lỗi hệ thống, cần phải thu thập dữ liệu hệ thống đã được dán nhãn về các lỗi. Trong trường hợp này sử dụng Sound Detective , điều này có nghĩa là dữ liệu âm thanh được ghi trước và trong khi hệ thống bị lỗi.
Để kiểm tra thuật toán và dễ dàng thu thập dữ liệu, đội dự án của Porsche đã quyết định bắt đầu phân biệt giữa các loại đồ uống nóng khác nhau, bởi vì việc thu thập dữ liệu cần thiết của các loại đồ uống khác nhau nhanh hơn nhiều so với dữ liệu về sự cố máy.
Nếu thuật toán có thể phân biệt các loại cà phê, và do đó các trạng thái khác nhau của máy thì cũng có thể nhận ra sự thay đổi của máy trước khi máy bị hỏng, giả sử rằng có sự thay đổi âm thanh đáng kể liên quan đến các sự kiện dẫn đến hỏng máy. .
Tương tự như hầu hết các máy pha cà phê tự động, máy pha cà phê được lựa chọn của đội dự án của Porsche có khả năng sản xuất vô số đồ uống khác nhau. đội dự án của Porsche giới hạn nghiên cứu của họ trong trường hợp đầu tiên cho các lớp này: cà phê, cappuccino, trà và âm thanh xung quanh. Lớp âm thanh xung quanh chứa các âm thanh đặc trưng cho môi trường làm việc, như điều hòa không khí và mọi người trò chuyện. Để đào tạo một mạng lưới thần kinh, điều quan trọng là đào tạo mô hình với một bộ dữ liệu lớn cung cấp từ một loạt các tình huống cho mạng lưới thần kinh để tìm hiểu về từ.
Ban đầu, năm mươi mẫu dữ liệu được thu thập cho mỗi lớp. Trong quá trình tiền xử lý dữ liệu, méo được tự động áp dụng cho các tệp âm thanh có thêm hiệu ứng như hồi âm. Bước tiền xử lý này giúp tăng cường sự mạnh mẽ của mô hình bởi vì bằng cách tăng lượng dữ liệu và bằng cách thêm nhiều biến thể âm thanh.
Ý tưởng cơ bản là phát triển một giải pháp được xây dựng dựa trên kiến trúc tham chiếu có thể dễ dàng áp dụng cho các máy sản xuất khác nhau. Để xác thực tính chất chung của kiến trúc giải pháp đã phát triển, mạng lưới thần kinh đã được chuyển và áp dụng cho máy pha cà phê thứ hai từ một nhà sản xuất khác. Vì phần cứng liên quan (đặc biệt là micrô) có thể dễ dàng chuyển, nên hầu như không cần nỗ lực cài đặt phức tạp.
Tuy nhiên, một máy pha cà phê khác có đặc trưng âm thanh khác nhau vì phần cứng và quy trình sản xuất của cùng một loại cà phê được sản xuất với một máy pha cà phê khác nhau có thể khác nhau. Do đó, để mô hình có hiệu quả trên một máy sản xuất khác, dữ liệu đào tạo mới phải được thu thập và mô hình cần phải được đào tạo lại. Đây là nỗ lực thích ứng đáng kể nhất khi chuyển mô hình sang máy sản xuất khác. Bản thân mạng lưới thần kinh chỉ cần một vài thay đổi. Ví dụ, một số tham số có thể cần phải thay đổi, độ dài của dữ liệu thay đổi.
Kết quả của quá trình Test
Một trong những mục tiêu chính của sự phát triển hiện tại là giúp số hóa trong sản xuất tại Porsche AG bằng cách xây dựng một prototype (prototype) cho thấy tính khả thi của giám sát điều kiện sản xuất dựa trên âm thanh. prototype (prototype) chạy này đã được sử dụng để liên lạc trong công ty và thúc đ6ảy cho các bên liên quan về các lĩnh vực ứng dụng tiềm năng. Cách tiếp cận được đề xuất thành công được coi là một yếu tố hỗ trợ khả thi để thực hiện bảo trì dự đoán và các giải pháp tiếp theo trong sản xuất ô tô.
Từ sự phát triển của prototype (prototype) và giới thiệu này, một số dự án khác nhau đã được xác định tại Porsche AG, nơi một hệ thống phát hiện và phân loại âm thanh có thể tăng giá trị lớn cho chất lượng, ổn định quá trình và vận hành máy.
Một số Case Studies Áp dụng tại Porsche
Kiểm soát quy trình lắp ráp thủ công
Một vấn đề lớn trong quá trình lắp ráp thủ công là thiếu thông tin phản hồi ngay lập tức cho người lắp ráp, liệu một nhiệm vụ có được thực hiện thành công hay không. Thông thường quy trình lắp ráp được thực hiện mà không cần tiếp xúc trực quan và thường chịu áp lực thời gian.
Ví dụ : Với trường hợp với các kết nối điện tử được lắp ráp thủ công. Khi các kết nối này kết nối, chúng tạo ra âm thanh rõ ràng, điều đó cho thấy kết nối đã thành công. Tuy nhiên, trong điều kiện môi trường sản xuất rất lớn, âm thanh snap-in này không thể nhận ra đối với người đang thực hiện lắp ráp. Ngoài ra, các kết nối thường được thực hiện trong xe hơi hoặc trên cao, vì vậy cũng không thể xác nhận bằng hình ảnh.
Thông qua giải pháp dựa trên âm thanh này, có thể phân tích âm thanh của kết nối và đưa ra phản hồi cho người lắp ráp về việc kết nối có thành công hay không. Trong trường hợp thông tin phản hồi là tiêu cực, kết nối phải được kiểm tra và nhấp lại. Kiểm soát chất lượng này cải thiện đáng kể kiểm soát quá trình trong sản xuất và có thể dẫn đến giảm lỗi và hỏng xe sau khi vận chuyển và do đó giảm chi phí.
Phân tích chất lượng và kiểm soát các bộ phận được cung cấp bởi các supplier
Một chiếc xe điện bao gồm các bộ phận chuyển động ít hơn đáng kể so với một chiếc xe có động cơ đốt trong. Điều này làm nổi bật các bộ phận chuyển động còn lại và âm thanh được tạo ra bởi chúng. Một thách thức đối với các nhà sản xuất ô tô làviệc thiết kế và lắp ráp hộp số cho xe điện tử sử dụng các bộ phận của nhà cung cấp bên thứ ba.
Khái niệm Sound Detective có thể được áp dụng để giám sát âm thanh được tạo ra bởi các hộp số khác nhau. Thông qua phân tích âm thanh, có thể đưa ra kết luận về chất lượng của các bộ phận được cung cấp để đảm bảo rằng các bộ phận được cung cấp bởi các nhà cung cấp phù hợp với tiêu chuẩn quy định của nhà sản xuất xe hơi và tạo ra cấu hình âm thanh mong muốn cho khách hàng cuối khi lái xe.
Ngoài ra, chúng ta có thể quan sát các thông số thiết kế vật lý nào của hộp số có ảnh hưởng đến cấu hình âm thanh và do đó cải thiện chúng.
Hỗ trợ các thủ tục Quản lý đảm bảo chất lượng
Âm thanh là một đặc tính chất lượng chính trong ngành công nghiệp ô tô được thể hiện trong quá trình sử dụng xe chủ động và thụ động, ví dụ như tiếng ồn của cơ chế cửa, tiếng rít trong khi lái xe, v.v.
Ngoài ra, cấu hình âm thanh của thang máy điện cửa sổ hoặc cần gạt nước kính chắn gió xác định một phần chất lượng cảm nhận cho khách hàng. Ngành công nghiệp ô tô đầu tư rất nhiều thời gian và nguồn lực vào việc đảm bảo chất lượng.
Các thử nghiệm bán tự động cho cửa xe là một ví dụ cụ thể cho các thử nghiệm đảm bảo chất lượng. Các thử nghiệm này bao gồm các robot mở và đóng cửa trong nhiều điều kiện môi trường khác nhau trong các thử nghiệm chạy dài.
Cửa được mở và đóng hàng trăm ngàn lần và được giám sát chặt chẽ bởi các kỹ sư âm thanh. Một công cụ như Sound Detective có thể được sử dụng để tự động phân tích âm thanh của bản lề cửa và phát hiện khi bản lề rít lên hoặc tiếng ồn khi cao su cửa bắt đầu phát ra.
Lái xe tự động
Cách nhanh nhất để phát hiện và định vị một phương tiện khẩn cấp đang đến gần hiện nay là sự cảm nhận thông qua còi báo động của phương tiện. Xe tự hành cũng cần phân biệt dừng xe khẩn cấp để hành động phù hợp.
Vì người lái xe và xe tự hành sẽ chia sẻ đường đi trong tương lai gần, nên cần tìm ra một cơ chế cho phép nhận ra phương tiện khẩn cấp bởi cả người lái và người lái tự động. Sound Detective có thể tạo ra một lớp nhận thức khác ngoài hệ thống camera và laser dựa trên mắt và mắt người.
Kết luận
Mặc dù prototype của Porsche trả về kết quả tốt và đã giúp tiết lộ nhiều trường hợp sử dụng thực tế thú vị, nhưng nó vẫn đòi hỏi nhiều công việc hơn.
Những kinh nghiệm học được của Porsche trong dự án này :
- Chất lượng và tính nhất quán của dữ liệu có ảnh hưởng lớn đến hiệu suất mô hình.
- Tính toàn vẹn của thiết lập cần phải được đảm bảo.
- Máy vi tính nhỏ là đủ để phân tích âm thanh với các mạng nơ ron tuy nhiên, performance chưa được tốt so với các máy chuyên dụng và card tăng tốc.
- Điều bắt buộc đối với các dự án IoT là bắt đầu sử dụng phần cứng tích hợp càng sớm càng tốt.
- Ngôn ngữ lập trình đa năng (Python) không đủ cho các tác vụ chuyên ngành.
Những cải tiến và thách thức hơn nữa với cách tiếp cận hiện tại của Porsche được mô tả sau đó:
- Đầu tiên, đối với mỗi điểm dữ liệu, đồ uống phải được chạy và sản xuất. Điều này có nghĩa là việc thu thập dữ liệu sử dụng rất nhiều thời gian và tài nguyên. Do số lượng tài nguyên cần thiết để thu thập dữ liệu quá mức, việc xác thực mạng thần kinh của Porsche trên một tập dữ liệu lớn vẫn đang được xử lý. Thách thức này cũng sẽ áp dụng cho các hệ thống sản xuất xe hơi quy mô đầy đủ.
- Thứ hai, mô hình mạng lưới thần kinh được trình bày bị giới hạn để phân biệt các loại đồ uống khác nhau. Đây chỉ là bước đầu tiên để bảo trì dự đoán, trường hợp sử dụng lý tưởng sẽ là dự đoán lỗi máy và cho phép lịch bảo trì tốt hơn. Điều này sẽ yêu cầu thu thập dữ liệu đào tạo và đào tạo mô hình để tìm hiểu các trạng thái thất bại hoặc bảo trì. Trong trường hợp máy pha cà phê, hạt cà phê rỗng, hộp đựng sữa hoặc nước là ví dụ cho các trạng thái thất bại của máy.
- Thứ ba, việc đào tạo mô hình hiện đang tuân theo phương pháp học tập có giám sát, yêu cầu dữ liệu được dán nhãn chính xác. Thu thập và ghi nhãn dữ liệu là thách thức lớn nhất liên quan đến việc thay đổi máy sản xuất mới, bởi vì một người được đào tạo phải tự dán nhãn dữ liệu. Do đó, trong tương lai sẽ có ý nghĩa khi phát triển một phương pháp học tập không giám sát hoặc giám sát bán phần để ghi nhãn dữ liệu hiệu quả hơn và tiết kiệm thời gian trong quá trình thu thập dữ liệu.
- Cuối cùng, có thể mở rộng giải pháp hiện tại để bao gồm nhiều loại cảm biến khác nhau ngoài micrô.
Nguồn : Digitalization Cases – How Organizations Rethink Their Business for the Digital Age
