Automated anomaly detection for smart manufacturing

Customer Scenario: Company A chuyên mảng sản xuất Automative Car ở Nhật, có hàng triệu con robot hàn linh kiện tự động ở nhiều chi nhánh trên khắp nước Nhật; đang mất 1-2 tỷ đô la mỗi năm do thời gian ngừng hoạt động của các thiết bị không theo kế hoạch mà họ đặt ra. Con người, công nhân nhà máy không thể quản lý thủ công, biết được con robot nào đang active/deactive.

Vào một ngày đẹp trời, sếp kêu bạn vào phòng, nhiệm vụ của bạn là xây dựng giải pháp phát hiện bất thường cho dây chuyền sản xuất hàn linh kiện motor tại một cơ sở Yokohama của họ.

Hình ví dụ minh họa về dây chuyền sản xuất của Mitsubishi, hãng xe hàng đầu JP. ( hình ảnh minh họa về 1 con robot hàn, lắp ráp linh kiện cho Oto )

Hình bên dưới là Kiến trúc hệ thống từ Workshop của AWS về mảng IoT:

AWS IoT SiteWise: Sử dụng để thu thập và theo dõi dữ liệu cảm biến từ robot hàn trong thời gian thực. Dữ liệu sẽ được chuyển từ thiết bị qua giao thức OPC UA lên AWS IoT SiteWise. (Machine-to-Cloud)
Amazon Lookout for Equipment: Sử dụng để phân tích dữ liệu cảm biến từ các thiết bị và phát hiện các hành vi bất thường. Đây sẽ là dịch vụ chính để huấn luyện mô hình phát hiện bất thường dựa trên dữ liệu từ các cảm biến của robot hàn. Khá tương đồng AWS SageMaker.
Amazon CloudWatch/ AWS Lambda / AWS SNS: Để theo dõi các cảnh báo và gửi thông báo qua email hoặc tin nhắn khi phát hiện có bất thường.
AWS IoT Core: Có thể tích hợp để quản lý các thiết bị IoT và luồng dữ liệu từ các thiết bị đến AWS IoT SiteWise.
Grafana:Trang quản trị, hiển thị chi tiết tất cả thông tin, trạng thái của từng robot.

Architecture trên chỉ mô tả cách giao tiếp đơn giản trên thiết bị IoT với AWS. Trên thực tế AWS IoT Sitewise Edge sẽ gửi dữ liệu đến Kinesis Data Stream -> Kinesis Firehouse, IoT Sitewise sẽ đọc dữ liệu tại các Stream. Mỗi Stream sẽ có nhiều Shard, mỗi Shard sẽ tương ứng với từng Factory Unit, nên gần như có thể monitoring near real-time.

Thử implement architecture, sau khi trải qua 7749 vấn đề tìm ẩn về các giao thức máy móc, thì đây là dashboard khi 1 con máy hàn hoạt động bình thường.

Vào một ngày mưa bão, làm sao để hệ thống biết những con robot nào, mã ID bao nhiêu, vị trí ở đâu, nhiệm vụ của nó là gì…… xảy ra bất thường (an anomaly detection) mà gửi thông báo cho người vận hành ở xưởng để xử lý.

->>> Giải pháp là dùng Lookout for Equiment để “dạy cho nó học”. (train an anomaly detection model). Datasets đầu vào sẽ được lưu ở S3 để training cho model.

Tiếp theo mình sẽ test case error, dump data cho con robot xảy ra lỗi (Tăng chỉ số nhiệt độ, dòng điện…vượt quá ngưỡng cho phép.)

Hiện tại, thì chỉ số dump data của con robot ID555 đã được gửi đến AWS Iot Sitewise, chủ vận hành sẽ nhận được thông báo ngay lập tức để đi đến kiểm tra.