Le challenge :
Dans la ligne de production pour S7-300, ET200 et d’autres produits SIMATIC bien connus, nous avons une machine de découpe de PCB qui coupe les cartes de circuits imprimés en fonction de nos besoins.
Le défi ici est que la broche de cette machine de coupe se coince avec une fréquence de 1 mois à 6 mois. Dans ce cas précis les machines restent immobilisées pendant 1 à 2 équipes car il faut changer le système d’entraînement de la broche entièrement. Dans ce processus de maintenance particulier, il faut également chercher de nouveau les paramètres de réglage pour le système d’entraînement. Ces informations sont fournies par le fabricant de la machine, ce qui veut dire que l’immobilisation peut durer plus de 2 équipes : ce type d’immobilisation coûte extrêmement cher.
La solution de surveillance conditionnelle :
Cette machine a donc été identifié comme un élément critique. Grâce au savoir-faire des ingénieurs de fabrication, il a été décidé de résoudre le problème en utilisant l’intelligence artificielle, et pour être plus précis : l’apprentissage automatique. L’objectif est de détecter une anomalie dans le comportement de la broche et donc de prédire au préalable la panne.
Lorsqu’il s’agit d’analyser des données, il est important de sélectionner les bonnes données. Les équipes méthodes sur la ligne de fabrication et notre équipe de data scientist ont choisi de ne surveiller que 2 paramètres pertinents : la vitesse de rotation de la broche et la consigne des systèmes d’entraînement.
Ces données sont maintenant extraites par la machine via des sorties analogiques (0-10V) et transférées vers l’appareil Edge via MQTT pour les analyser.
Sur le périphérique Edge, le modèle d’apprentissage automatique mise au point est déployé. Il est ensuite capable de combiner les deux valeurs (vitesse de broche et demande actuelle) pour calculer les anomalies. Etant donné que l’anomalie sera calculée en direct et que le score d’anomalie dépassera une certaine valeur, nous serons en mesure d’identifier un problème avec la broche que nous étudions et finalement éviter les temps d’arrêt.
Le résultat de l’analyse des données, c’est à dire le score d’anomalie est rendu accessible sur notre plateforme MindSphere. Avec MindSphere et une application (fonctionnalité de gestionnaire de flotte MindSphere, et ensuite via l’application SIMATIC Performance Insight MindSphere), l’historique du score d’anomalie est visualisé pour évaluation. Une transmission automatiquement des informations est effectuée en cas de problème, sur le smartphone du technicien de service via l’application SIMATIC Notifier MindSphere. Cette application permet de créer des règles de surveillance de seuils et de notifier les techniciens de service par exemple).
MindSphere permet la collecte sécurisée, l’archivage de toutes les données machine ; mais également le déploiement des algorithmes d’apprentissage automatique : appeler modèle d’apprentissage prédictif.
Les bénéfices de la solution :
Lorsque le système a été opérationnel, les bénéfices de cette solution sont évident :
La solution a permis d’économiser environ 200 000EUR par an sur cette ligne de production.
