Обнаружение аномалий ЧПУ с помощью машинного обучения без учителя. Часть 4: Применение на производстве

От редакции Планета САМ: В заключительной части этой серии статей будут рассмотрены некоторые примеры аномалий, обнаруженные в среде механической обработки, а затем продемонстрировано, как специалисты компании MachineMetrics используют полученные данные на производстве.
Оригинал статьи читайте здесь.

Предварительные примеры

Мы определили пять различных категорий аномалий:

1. Аномалия предшествует отказу станка/тревоге
2. Аномалия возникает одновременно с тревогой
3. Аномалия предупреждает нас о внутренних ошибках
4. Аномалия возникает, когда происходит что-то интересное, но не катастрофическое
5. Шумовые аномалии

Категория 1: Аномалия предшествует простою/аварии

Пример 1: предшествуя ошибке инструмента

Аномалия была отмечена в 2:25 (ночью), а спустя 3 минуты в 2:28 произошла катастрофическая поломка инструмента.

Деталь, созданная в 2:25, была аномальной, за две детали до того, как на станке сломался инструмент

Уровень кластеризации

Я наблюдаю аномалию…

С 22 до 6 часов было изготовлено около 450 деталей. На графике выше показано относительное положение сигнатур деталей при проецировании на 2D-плоскость. Как мы видим, на уровне кластеризации явно наблюдается аномалия. Все остальные детали сгруппированы вместе, и DBSCAN легко изолирует аномалию, одиноко плавающую в космосе. Давайте переместимся на один уровень глубже.

Уровень временных рядов

Приведенный выше кластерный график создается из характеристик временных рядов, которые извлекаются из каждой сигнатуры детали. Давайте посмотрим, как расположены характеристики аномалии относительно всех остальных деталей (выделены фиолетовым цветом).

Уровень сигнатуры детали

Как выглядит эта сигнатура детали по сравнению со всем остальным? Ниже мы анимируем 50 сигнатур деталей вокруг аномальной детали. Довольно очевидно, какая из них является выбросом.

Создание сигнатуры детали ускорено в 100 раз по сравнению с реальной производственной средой

Пример 2: Обнаружение отсутствия СОЖ

13 августа, 9:39. Охлаждающая жидкость кончается. Станок перестает работать

Дополнительным преимуществом здесь является то, что операторы не всегда внимательны к сигналам тревоги, часто обращая внимание на уведомления только после длительного периода простоя. Станок будет работать на холостом ходу, пока оператор не получит предупреждение, но вместо этого оператор может сократить общее время простоя станка, реагируя на текст аномалии.

Станок залит охлаждающей жидкостью. Охлаждающая жидкость имеет важное значение

Пример 3: предшествующие сигналы тревоги податчика прутка

Категория 2: Аномалия возникает одновременно с тревогой

Эти пары тревога-аномалия, которые указывают на то, что станок работает совершенно по-другому, также могут быть более серьезными, чем процедурные тревоги. В приведенном ниже примере аномалия была обнаружена в 11:29 и совпала с тревогой «время цикла податчика прутка истекло», которая случается, когда для барфидера заканчивается материал.

Аномалия предупреждает нас о сбое в установке, который произошел с обрабатываемой деталью. Деталь, возможно, так или иначе была смещена из правильного положения

Категория 3: Аномалия предупреждает нас о внутренних ошибках

Это произошло потому, что мы считываем данные для обнаружения аномалий только когда станок активен, и мы инициировали аномалию, увидев усеченную сигнатуру детали. После подтверждения того, что станок действительно был активен в нашем потоке необработанных данных, мы смогли быстро выявить и устранить ошибку, заключающуюся в том, что наш конвейер данных время от времени отбрасывал наблюдения.

Станок был отмечен как неактивный в течение 3 мин 59 сек, когда он на самом деле производил обработку

Категория 4: Аномалия предупреждает операторов, когда происходит необычная деятельность (но не катастрофический отказ)

Оператор попытался запустить станок с открытой дверью, вызвав аномалию в 12:59

Категория 5: Аномалия отмечается из-за странного поведения, которое не подвергает станок опасности

Здесь, похоже, нет ничего плохого…

Пик нагрузки в 14:48.28

Как Waze, но для станков с ЧПУ

Продуктизация – Этап пилота

Программа запрашивает данные за последние шесть часов, обнаруживая циклы деталей и устанавливая грубую область нормального поведения. После того как отдельные циклы определены, мы постоянно запрашиваем данные и выявляем аномалии в режиме реального времени. После обнаружения аномалии аномальная часть записывается и SMS отправляется оператору в дополнение к генерации инцидента на странице клиента.

Пример инцидента с аномалией, в котором указаны время, приоритет, достоверность и адресат. Клиенты могут определять приоритеты и адресатов, в то время как мы определяем уровень достоверности, основываясь на том, насколько далеко находится отклонение. Другие инциденты на этой странице инициируются определенной пользователем системой, основанной на правилах

В приведенном ниже примере деталь 262 является аномалией, выпадающей далеко за пределы основного облака. При обнаружении выброса немедленно запускается оповещение.

Визуализация того, что происходит во время обнаружения аномалий

Мы запускаем все это с помощью bash-скрипта, который принимает аргументы, которые изменяют параметры обнаружения аномалий. Это особенно полезно на экспериментальных этапах, поскольку настройку гиперпараметров в основном необходимо выполнять в реальных условиях. Мы имеем дело с уникальной проблемой, потому что трудно проверить аномалии с помощью исторических данных — клиенты часто не помнят, когда станок выходил из строя или испытывал странное поведение. У нас было несколько примеров, которые могли бы помочь нам в этом, но мы не собирали информацию о массовом отказе инструмента в прошлом.

Мы знаем, когда возникают аварийные сообщения на станках, и можем соотнести их с нашими аномалиями. Производители оборудования и клиенты определяют эти аварийные сигналы, которые возникают, когда станок выходит из строя, по соображениям безопасности или когда необходимо выдать предупреждение. Однако трудно распутать ситуацию, когда аварийные сигналы фактически приводят к простою из-за отсутствия стандартизации.

Для справки ниже приведена полная схема для тех, кто интересуется техническими подробностями (или если вам действительно нравятся блок-схемы).

Продуктизация – AWS Лямбда

Мы также добавили возможность сохранять информацию о состоянии станков и о станках, на которых мы хотим это запускать, в Redis.

Будет создан парк лямбд, причем каждая лямбда будет обнаруживать аномалии для небольшой группы станков. Как только лямбда завершает обработку микропартии, она сохраняет информацию о состоянии станка. После возобновления она может немедленно получить сведения о станках, на которые была назначена.

Подробнее о возможностях аналитической платформы MachineMetrics и её отличиях от других систем мониторинга оборудования читайте в статье: «Почему стартап, разрабатывающий аналитическую платформу для дискретного производства, стал новостным хедлайнером».