Sztuczna inteligencja w fabryce Lubella

Lubella to znana marka produkująca makarony, płatki zbożowe, kasze, mąki i przekąski. W 2003 roku firma weszła w skład Grupy Maspex Wadowice, jednej z największych firm na rynku spożywczym w Polsce i Europie Środkowo-Wschodniej. W 2020 roku Brainhint wspólnie z Siemens zrealizował projekt detekcji anomalii w suszarni makaronu w zakładzie produkcyjnym firmy Lubella.

Przeprowadzone prace badawcze umożliwiły przewidywanie zdarzeń niekorzystnych dla procesu produkcji i zapobieganie im, co w konsekwencji może przyczynić się do obniżenia kosztów oraz poprawy konkurencyjności lubelskiej firmy.

 Produkcja makaronu wymaga zachowania ścisłego reżimu. Nawet najmniejsze nieprawidłowości zakłócające procesy wytwarzania mogą sprawić, że cała wyprodukowana partia nie będzie spełniać ściśle określonych wymogów jakości.

Na straży jakości

Lubelska firma analizowała możliwość opracowania systemu analitycznego, którego zadaniem miało być stałe monitorowanie stanu wytwarzania makronu i przewidywanie wszelkich możliwych nieprawidłowości podczas procesu suszenia. W efekcie pozwoliłoby ono zakładowi Lubella zmniejszyć wolumen odpadów produkcyjnych. Innymi ważnymi korzyściami z zastosowania systemu analitycznego miał być spadek wykorzystania wszystkich mediów, zwłaszcza obniżenie kosztów zużycia prądu oraz wody, a także trafniejsze decyzje podejmowane przez operatorów, skutkujące poprawą jakości produkowanego makaronu.

Na początku 2020 roku Lubella zdecydowała się na realizację projektu w oparciu o silnik analityczny dostarczany przez Brainhint. Celem implementacji systemu było usprawnianie działania linii produkcyjnej z wykorzystaniem sztucznej inteligencji. Projekt systemu zaawansowanej analizy danych, realizowany wspólnie z Siemens i przy pełnym wsparciu Mirosława Pastuszaka – dyrektora technicznego oraz działu zarządzania innowacjami Lubella, miał na celu zapewnienie wydajniejszej, efektywniejszej i bardziej zrównoważonej produkcji przemysłowej.

Na przełomie maja i czerwca 2020 roku rozpoczęto gromadzenie pierwszych danych produkcyjnych mających zasilić system, przeprowadzono pierwsze analizy i stworzono wstępny model predykcji anomalii. W kolejnych miesiącach dostosowano model i zaimplementowano powiadomienia o anomaliach w formie e-mail.

Prace nad implementacją zajęły ponad 900 godzin prac analitycznych i deweloperskich. W rozwiązaniu zastosowano algorytm korzystający z autoencoderów oparty o sieci neuronowe LSTM (Long Short Therm Memory). Do predykcji zachowania linii produkcyjnej wykorzystano dostępne dane dostarczane przez czujniki do sterownika IPC Siemens, takie jak: wilgotność, temperatura, informacja o dozowaniu wykorzystywanych do wytwarzania jaj i wody i długość przebywania makaronu w każdej z centrali suszarni. Nauczony zachowań rzeczywistej linii produkcyjnej model systemu analitycznego generuje ze skutecznością 80% sygnał o prawdopodobnym wystąpieniu anomalii. Oznacza to, że sieć neuronowa na podstawie nietypowych przebiegów parametrów w suszarni jest w stanie przewidzieć możliwość wystąpienia awarii z osiemdziesięcioprocentową skutecznością.

Jak działa system predykcji?

W architekturze stworzonego przez Brainhint systemu analitycznego wyróżnić można kilka kluczowych elementów: sterownik PLC, IPC, system SCADA oraz interfejsy graficzne dostarczające danych wynikowych dla nadzorcy i operatora.

Do sterownika PLC podłączone zostały czujniki z linii produkcyjnej gromadzące m.in. informacje o temperaturze i wilgotności. Dane te trafiają do systemu SCADA, który zajmuje się agregacją i obserwacją informacji o produkcji. Zagregowane dane trafiają następnie do systemu analitycznego działającego na serwerze Linux. Dane wynikowe przekazywane są do urządzenia operatorskiego poprzez interfejs graficzny oraz poprzez powiadomienie sygnałem dźwiękowo-wizualnym. Dane o predykcji mogą zostać również wyświetlone bezpośrednio w systemie SCADA. Z kolei do systemu nadzorcy dostarczane są analizy danych historycznych, informacje o konfiguracji czułości systemu oraz parametryzacji modeli.

Kluczową informacją pozyskiwaną z systemu są powiadomienia e-mail o anomaliach. Za każdym razem, gdy wynik modelu wskazuje na nietypowe zdarzenie na linii produkcyjnej, wyzwalany jest alarm, który trafia do operatora w postaci powiadomienia pojawiającego się w jego skrzynce poczty elektronicznej. Docelowo powiadomienia o awarii mają być widoczne także w wizualizacjach na panelach operatorów suszarni. Po 15 minutach od wystąpienia sytuacji nietypowej dostarczane są także kompleksowe raporty z podsumowaniem sytuacji występującej po każdym alarmie. Zawiera on wykresy przebiegu wilgotności, temperatury oraz informacje o przebiegu procesu dozowania 15 minut przed i 15 minut po wygenerowaniu alarmu. Pomagają one w lepszym rozeznaniu przez operatora, czy wygenerowany alarm był zasadny.

Do innych istotnych funkcji systemu należy także możliwość przekrojowego zbadania jakości partii. Podsumowanie to generowane jest wówczas, gdy porcja makaronu, dla której wyzwolony został alarm, opuszcza suszarnię. Wykres zbiorczy pokazuje, w jakich warunkach dana porcja makaronu była suszona. Występowanie nietypowego zachowania zaznaczone jest na nim kolorem żółty.

Dzięki przekazywanym przez system danym możliwa będzie także analiza warunków w jakich suszona jest konkretna porcja makaronu. By prześledzić pełny przebieg warunków produkcji operator może przewijać ekran za pomocą suwaka. Dane analityczne służą także do sprawniejszej kontroli jakości produktów końcowych. Dalsze prace nad systemem umożliwią rozwijanie opracowanego rozwiązania w celu jego pełnej implementacji w praktyce przemysłowej.

Artykuł ukazał się w czasopiśmie Eurologistics nr 3/2021