Ventil 2 / 2024 • Letnik 30 104 NADZOR PROIZVODNIH PROCESOV 1 Uvod Nadzorni sistemi so ključni za zagotavljanje visoke kakovosti izdelkov in maksimiranje izkoriščenosti proizvodnih virov. Vendar pa je njihova implemen- tacija draga, zato so redko na unikatnih strojih. Naš cilj je pomagati proizvodnim podjetjem, da dose- žejo nadzor nad široko paleto proizvodnih strojev brez invazivnih posegov ali vplivov na osnovno de- lovanje stroja. Spremljanje procesov je ključno za uspešno proi- zvodnjo, saj podjetjem omogoča, da zagotovi- jo učinkovito delovanje proizvodnih procesov. To vključuje zbiranje in analizo podatkov z različnih stopenj proizvodnega procesa. S tem lahko pod- jetja hitro ugotovijo morebitna odstopanja ali ne- pravilnosti, ki lahko vplivajo na kakovost izdelka ali donosnost proizvodnje [1, 2]. S spremljanjem proizvodnih procesov lahko podje- tja hitro ugotovijo težave in jih odpravijo, kar vodi k večji produktivnosti, nižjim stroškom in višji kako- vosti izdelkov. Spremljanje procesov je ključni vidik sodobne proizvodnje, katerega pomen je izjemno pomemben [3]. Večina strojev, ki so na voljo na trgu, je zasnova- nih za ponavljajoče se naloge in je opremljena z osnovnimi notranjimi alarmnimi sistemi. Ti alarmni sistemi so običajno vgrajeni v krmilni sistem stroja, ki ustvari alarm, ko notranja spremenljivka preseže zgornjo ali spodnjo mejo. Te rešitve imajo več pasti. Prvič: te rešitve niso zmo- žne zaznati šibkih začetnih napak, saj se običajno odzovejo, ko je napaka že v zreli fazi. Drugič: te reši- tve ne upoštevajo medsebojne povezave med spre- menljivkami procesa, zato ne morejo zanesljivo skle- pati o osnovnem vzroku. Tretjič: proizvajalci pogosto omejujejo dostop končnega uporabnika do notranjih spremenljivk nadzornih sistemov, zaradi česar je iz- vajanje diagnostične funkcionalnosti težko brez so- delovanja ponudnika strojev, ki pa za to zahtevajo doplačilo. Prav tako je treba upoštevati, da še vedno obstaja veliko strojev brez vgrajenih diagnostičnih funkcij, na primer stroji starejše generacije [4]. Pri našem raziskovalnem delu si prizadevamo raz- viti nove splošne metode za nadzorovanje proizvo- dnih procesov v kosovni industriji ter drugih visoko ponovljivih procesih. Naš cilj je zagotoviti široko uporabo nadzornega sistema, ki ne bo zahteval velikih posegov v obstoječe proizvodne sisteme in bo omogočal uporabo minimalno invazivne ali že prisotne merilne opreme. Poleg tega si želimo izkoristiti obstoječe signale na liniji, ne da bi bilo Žiga Stržinar, mag. inž., Institut Jožef Stefan, Ljubljana in Univerza v Ljubljani, Fakulteta za elektrotehniko; dr. Boštjan Pregelj, univ. dipl. inž., Institut Jožef Stefan, Ljubljana; prof. dr. Igor Škrjanc, univ. dipl. inž., Univerza v Ljubljani, Fakulteta za elektrotehniko u poraba metode rojenja z la Stnim odzivom v minimalno invazivnem nadzornem SiS temu Žiga Stržinar, Boštjan Pregelj, Igor Škrjanc Izvleček: Nadzor proizvodnih procesov je ključni dejavnik za zagotavljanje kakovosti, maksimiranje izrabe proizvo- dnih sredstev in izboljšanje drugih kazalnikov uspešnosti. Visoka cena uvedbe nadzornega sistema pa je pogosto ovira, zato so ti sistemi tipično na voljo le na množično proizvedenih strojih, medtem ko so na unikatnih strojih na voljo le v omejenem obsegu. S ciljem spodbujanja širše uporabe nadzornih sistemov dajemo prednost uporabi minimalno invazivne ali že obstoječe merilne opreme, s čimer omogočamo upo- rabo nadzornega sistema tudi na unikatnih strojih, ki predstavljajo večino proizvodnih sredstev. V našem prispevku se osredotočamo na domeno ponovljivih se industrijskih procesov s poudarkom na kosovni pro- izvodnji. Predstavljamo predlagano zaporedje opravil, ki omogočajo odkrivanje anomalij v realnem času. V prispevku predstavimo metodo mehkega rojenja z lastnim odzivom, ki omogoča klasifikacijo časovnih vrst. Pristop temelji na zgoščeni predstavitvi vsakega razreda z omejenim številom prototipov. Metodo demonstriramo za zaznavanje aktiviranja različnih pnevmatskih aktuatorjev. Ključne besede: analiza časovnih vrst, klasifikacija časovnih vrst, mehki sistemi, zaznavanje dogodkov Ventil 2 / 2024 • Letnik 30 potrebno dodajanje dodatnih senzorjev ali pa upo- raba neinvazivnih senzorjev, ki ne bodo vplivali na delovanje opazovane naprave. Naš cilj je razviti splošni nadzorni sistem, ki bo pri- meren za širok nabor cikličnih naprav v kosovni proizvodnji ter bo omogočal zanesljivo odkriva- nje morebitnih napak v proizvodnem procesu. Pri tem želimo izkoristiti podatke, ki jih pridobivamo iz proizvodnih procesov, in jih analizirati na način, ki nam bo omogočal zaznavanje napak v zgodnji fazi ter njihovo odpravo, preden povzročijo večje težave. Za dosego tega cilja se bomo osredotočili na razvoj in uporabo splošnih metod za nadzorovanje proi- zvodnih procesov ter na uporabo minimalno inva- zivne ali že prisotne merilne opreme. S tem bomo omogočili široko uporabo našega nadzornega sis- tema na različnih napravah v kosovni industriji ter drugih visoko ponovljivih procesih, hkrati pa zmanj- šali stroške in čas za integracijo in prilagajanje sis- tema na posamezne proizvodne procese. Predstavili bomo predlog zasnove minimalno in- vazivnega nadzornega sistema, ki je sestavljen iz različnih komponent, med drugim tudi metode za klasifikacijo časovnih vrst. V prispevku bomo prika- zali uporabo te metode na primeru meritev tlaka v pnevmatskih komponentah. Klasifikacija časovnih vrst je pomemben korak v za- stavljenem nadzornem sistemu. Klasifikacijo opra- vljamo na segmentih časovne vrste, ki predstavljajo smiselne korake delovanja opazovanega stroja. Klasifikacija časovnih vrst (TSC) je aktivno podro- čje raziskav [5]. Njen naraščajoči pomen je posledi- ca eksplozije virov podatkov, ki ustvarjajo časovne vrste: internet stvari (IoT), industrija 4.0, finančni sektor [6], zdravstvene in medicinske naprave [7], vremenske postaje in monitorji kakovosti zraka, GPS-loggerji itd. Aplikacije TSC vključujejo odkriva- nje napak [8–10], prepoznavanje predmetov, analizo porabe energije [11], analizo prometnih vzorcev [12] in odkrivanje raztresenih voznikov [13]. V proizvodnji obstaja več primerov uporabe klasifikacije časovnih vrst: (1) odkrivanje napak na obdelovancih, (2) spre- mljanje strojev za preventivno in napovedno vzdr- ževanje, (3) odkrivanje nepričakovanih/nepravilnih operacij strojev, (4) kategorizacija obdelovancev. Metode TSC se delijo v več kategorij. Izbira kate- gorije metod je odvisna od lastnosti časovnih vrst, ki jih želimo klasificirati. Pregledi kategorij metod klasifikacije časovnih vrst so na voljo v [14]. Za po- trebe nadzornega sistema, opisanega v poglavju 2, je relevantna kategorija metod, ki opazujejo obliko celotne časovne vrste. Na tem področju se največ pozornosti posveča alternativnim (elastičnim) me- ram razdalje [14, 15]. V našem delu se osredotočimo na drug del teh metod – na klasifikator. Predlagamo alternativni klasifikator: metodo rojenja z lastnim odzivom. V prispevku predstavimo predlog zasnove mini- malno invazivnega nadzornega sistema. V poglav- ju 2 predstavimo koncept minimalno invazivnega nadzornega sistema, ki ga nameravamo razviti. V poglavju 3 predstavimo metodo rojenja z lastnim odzivom, ki jo nameravamo uporabiti za klasifika- cijo časovnih vrst, pridobljenih iz meritev tlaka v pnevmatskih komponentah. Rezultati metode so prikazani v poglavju 4. V poglavju 5 predstavimo zaključek in povzetek prispevka. 2 Minimalno invaziven nadzorni sistem Za zagotavljanje natančnega in učinkovitega nad- zora cikličnih naprav v proizvodnji je bil razvit kon- cept minimalno invazivnega nadzornega sistema. V tem poglavju bomo predstavili osnovne elemente tega sistema ter njegove prednosti pri zagotavlja- nju visoke kakovosti izdelkov in zmanjševanju stro- škov proizvodnje. Shemo predlaganega nadzorne- ga sistema prikazuje slika 1. V fazi učenja (modri tok) se učijo modeli za identifikacijo elementarnih vzorcev, segmentacijo, model DES, model za klasi- fikacijo. Ena od posebnosti zastavljenega modela je zmožnost razvoja –evolucije končnih modelov tudi po začetni fazi učenja. S tem se zastavljeni sistem lahko prilagaja spremembam v opazovanem proce- su ter te spremembe uspešno obravnava. Z namenom čim širše uporabnosti sistema se osre- dotočamo na uporabo signalov, ki so vseprisotni v industrijskih okoljih (npr. tlaki v pnevmatskih kom- ponentah) in katerih zajem ne vpliva na delovanje opazovanega sistema (npr. podatek o odmiku, lo- kaciji, hitrosti orodja). V časovnih vrstah v kosovni industriji se pogosto pojavljajo ponavljajoči se vzorci, ki predstavljajo ci- kle stroja. Ti vzorci niso strogo periodični, saj lah- ko že med obdelavo enega kosa ali skupine kosov pride do odstopanj zaradi variabilnosti v človeškem posegu, manjših nastavitev ali ročnega polaganja kosov. Namen metode za identifikacijo elementar- nega vzorca je označiti te ponavljajoče se vzorce v kontinuiranih meritvah ter za vsako pojavitev dolo- čiti začetno in končno točko. Po detekciji elementarnih vzorcev se ti lahko na- dalje razdelijo na posamezne segmente, kjer vsak segment predstavlja neko akcijo opazovanega sis- tema oziroma stroja. Metodologija razdelitve na se- gmente (segmentacija) je težavno opravilo, ki nima splošne rešitve, saj je odvisna od narave procesa in predpostavk o pomenu segmentov. Po segmentaciji je potreben korak klasifikacije vsa- kega od zaznanih segmentov. Metoda za klasifika- cijo razvršča časovne vrste v enega od možnih ra- zredov. Tako lahko namesto zaporedja segmentov naprej obdelujemo zaporedje razredov. Vsak razred lahko interpretiramo kot stanje ali dogodek (pre- hod med stanji procesa), odvisno od narave opazo- vanega sistema. NADZOR PROIZVODNIH PROCESOV 105 Ventil 2 / 2024 • Letnik 30 106 NADZOR PROIZVODNIH PROCESOV Po klasifikaciji pridobljenih segmentov imamo na voljo zaporedje dogodkov, ki lahko služi kot osnova za gradnjo modela DES (angl. Discrete Event Sy- stem) v fazi učenja ali za nadzor delovanja opazo- vanega sistema v fazi spremljanja. Z analizo zaporedja dogodkov in časov med dogod- ki lahko nadzorujemo delovanje stroja ter zaznamo in diagnosticiramo odstopanja, ko do njih pride. 3 Metoda rojenja z lastnim odzivom Metoda rojenja z lastnim odzivom (angl. Eigenre- sponse fuzzy clustering, EFC) [16] je metoda za kla- sifikacijo časovnih vrst. Spada v kategorijo metod za klasifikacijo, ki za razvrstitev časovne vrste upo- števajo celotno časovno vrsto (ne le podintervale ali statistične lastnosti) ter se osredotočajo na obli- ko časovne vrste (angl. Whole-series classification [14]). Za klasifikacijo v tej kategoriji se najpogoste- je uporablja klasifikator najbližjega soseda (angl. Nearest Neighbour, 1NN) z različnimi elastičnimi merami razdalje, npr. metodo časovnega popače- nja (DTW – Dynamic Time Warping [17]) ali njene izpeljanke [18–20]. Med pomanjkljivostmi takega klasifikatorja so: 1. v pomnilniku hrani celotno učno množico, 2. »naučenega« modela na moremo enostavno predstaviti uporabniku, 3. računska kompleksnost klasifikacije, sploh pri kompleksnih elastičnih merah, narašča z veliko- stjo učne množice. Da bi zaobšli te pomanjkljivosti, predlagamo upora- bo metode EFC, predstavljene v nadaljevanju. Slika 2 prikazuje fazo učenja te metode. V fazi učenja se učna množica X={X 0 ∪ X 1 ∪ ... ∪X i ∪ ... X n } razdeli na posamezne razrede X i . Za vsak razred podatkov se z metodo mehkega rojenja (fuzzy c- -means clustering – FCM [21, 22]) pridobijo ključni vzorci – prototipi, ki opisujejo razpon vzorcev zno- traj razreda. Za vsakega od k razredov pridobimo c prototipov. Primer s k = 4 in c = 4 je prikazan na sliki 3. Nabor naučenih prototipov in njihova razvrstitev med razrede predstavlja naučen model metode ro- jenja z lastnim odzivom. Prototipe razredov imenu- jemo lastni odzivi (angl. eigenresponses). Potem ko je model naučen, ga lahko uporabimo za klasifikacijo novih časovnih vrst. V [16] je predla- ganih več pristopov h klasifikaciji. Pri klasifikaciji uporabimo naučene lastne odzive. Klasifikacija se lahko izvede s pomočjo izračuna razdalje časovne vrste do prototipov, z rekonstrukcijo ali z izraču- nom mehke pripadnosti novega vzorca rojem, ki jih definirajo prototipi. Pri klasifikaciji z rekonstrukcijo se lastni odzivi vsa- kega razreda uporabijo kot bazne funkcije za re- konstrukcijo iskane časovne vrste. Časovna vrsta se razvrsti v tisti razred, katerega lastni odzivi so pri re- konstrukciji dosegli najmanjši pogrešek (npr. MSE). Slika 1 : Shema minimalno invazivnega nadzornega sistema Slika 2 : Faza učenja metode rojenja z lastnim odzivom Ventil 2 / 2024 • Letnik 30 NADZOR PROIZVODNIH PROCESOV 107 Za klasifikacijo lahko uporabimo tudi neposredno razdaljo do lastnih odzivov. Ta primer je podoben uporabi 1NN, le da se za vsak razred v učni množici ohranijo le ključne časovne vrste (lastni odzivi ra- zreda). Pri klasifikaciji z izračunom mehke pripadnosti vzorca rojem, ki jih definirajo lastni odzivi (naučen EFC-model), se uporabi pripadnost μ ij : 𝜇𝜇 𝑖𝑖𝑖𝑖 = ( ∑ ( 𝑑𝑑 ( 𝐱𝐱 𝐣𝐣 − 𝐯𝐯 𝐢𝐢 ) 𝑑𝑑 ( 𝐱𝐱 𝐣𝐣 − 𝐯𝐯 𝐥𝐥 ) ) 1 𝜂𝜂 − 1 𝐶𝐶 𝑙𝑙 ∈ 𝐶𝐶 ) − 1 (1) (1) C je množica rojev, l je indeks roja, i je indeks roja, do katerega izračunavamo pripadnost, j je indeks vzorca, v i je prototip l-tega roja, η je parameter. 4 Rezultati in diskusija Da demonstriramo delovanje metode, jo preizkusi- mo na podatkih iz resničnega sistema. Gre za te- stno napravo na končni postaji v proizvodnji mo- torjev e-koles, ki je opremljena z merilcem tlaka v pnevmatskih komponentah. Naprava med testira- njem elektromotorjev proži več aktuatorjev, kar se pozna na tlačnih meritvah. En cikel naprave (test enega motorja) je prikazan na sliki 4. Za evalvacijo smo uporabili 280 časovnih vrst z označenimi 13 različnimi koraki, ki jih je izvedla te- stna naprava. Predstavljeni klasifikator je pravilno razvrstil vse časovne vrste, medtem ko je referenč- ni klasifikator skupine »whole series TSC« napačno razvrstil 7 časovnih vrst (2,5-odstotna napaka). Poleg izboljšanja klasifikacijske natančnosti pa opi- sana metoda nudi še nekaj izboljšav:  bolj kompaktna predstavitev učne množice – zmanjšana poraba spomina;  faza klasifikacije je neodvisna od velikosti izvir- ne učne množice, računska kompleksnost ne narašča z večanjem količine učnih podatkov;  izboljšana možnost vizualizacije modela ter ra- zložljivost rezultatov. Metodo smo preizkusili tudi na večjem številu javno do- stopnih podatkovnih setov. Uporabili smo UCR Archive [23]. Podatkovni seti v arhivu so razdeljeni v kategorije. Pričakovano metoda doseže najboljše rezultate v kate- goriji obrisi (shape outlines), v kateri se časovne vrste razlikujejo po obliki celotne časovne vrste. 5 Zaključek Predstavljena je zasnova minimalno invazivnega nadzornega sistema, ki je osredotočen na splošnost ter uporabo obstoječih signalov ali minimalno inva- zivnih senzorjev, ki ne vplivajo na proces. Zastavlje- no zaporedje omogoča razdelitev časovne vrste v segmente, primerne za nadaljnjo obdelavo. Cilj nadzornega sistema je detekcija napačnih zapore- dij akcij ter degradacije v časovnih parametrih pre- hodov stanj sistema. Predstavljeni nadzorni sistem za delovanje potrebuje številne metode strojnega učenja, predvsem metode analize časovnih vrst – segmentacije, klasifikacije ter rojenja – ter metode za analizo diskretnih dogodkov. Predstavljena je bila metoda za klasifikacijo časovnih vrst – metoda rojenja z lastnim odzivom, ki s pomo- čjo mehkega rojenja pridobi lastne odzive razredov časovnih vrst. Na tej podlagi lahko v fazi klasifikacije razvrščamo časovne vrste. Primer uporabe metode je razpoznava korakov testne naprave na podlagi meritev tlaka v pnevmatskih komponentah. Viri [1] S. Cavalieri in M. G. Salafia. A model for predic- tive maintenance based on asset administrati- on shell. Sensors, zv. 20, št. 21, str. 6028, 2020. [2] H. Lasi, P. Fettke in sod. Industry 4.0. Business & information systems engineering, zv. 6, št. 4, str. 239–242, 2014. [3] A. V. Bogoviz, A. A. Kurilova in sod. Artificial intelligence as the core of production of the future: Machine learning and intellectual deci- sion supports. V Advances in Mathematics for Industry 4.0, str. 235–256. Elsevier, 2021. [4] P. Burggräf, J. Wagner in sod. Performance assessment methodology for ai-supported decision-making in production management. Slika 3 : Časovne vrste štirih razredov (angl. class) za vsak razred so določeni po trije (c = 3) prototipi – lastni odzivi. Slika 4 : Normirane tlačne meritve enega cikla napra- ve. Z izmenjujočo se barvo ozadja označeni posame- zni koraki delovanja naprave. Ventil 2 / 2024 • Letnik 30 108 NADZOR PROIZVODNIH PROCESOV Procedia CIRP, zv. 93, str. 891–896, 2020. [5] Ž. Stržinar, B. Pregelj in I. Škrjanc. Overview of some methods in the field of time series analysis. V Proceedings of the 29. Internati- onal Electrotechnical and Computer Science Conference ERK 2020, Portorož, Slovenia. 2020. Original title: Pregled nekaterih metod na področju analize časovnih vrst. [6] T.-c. Fu, F.-l. Chung in sod. Representing finan- cial time series based on data point importan- ce. Engineering Applications of Artificial Intel- ligence, zv. 21, št. 2, str. 277–300, 2008. [7] E. J. d. S. Luz,W. R. Schwartz in sod. Ecg-ba- sed heartbeat classification for arrhythmia detection: A survey. Computer methods and programs in biomedicine, zv. 127, str. 144–164, 2016. [8] B. Pregelj, A. Debenjak in sod. Diagnostic sy- stem for end-of-line quality control of Pedalec electric bike drives. V Procceedings of the 11. AIG conference, Maribor, Slovenia. 2019. [9] Ž. Stržinar. Modelling and fault detection in heating,ventilation, and air conditioning sy- stems. Magistrsko delo, University of Ljublja- na, Faculty of Electrical Engineering, 2017. Ori- ginal title: Modeliranje in zaznavanje napak v klimatskih sistemih. [10] G. Andonovski, S. Blažič in I. Škrjanc. Partial cloudbased evolving method for fault detecti- on of HVAC system. V 2018 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), str. 1–6. IEEE, 2018. [11] B. Ellert, S. Makonin in F. Popowich. Appliance water disaggregation via non-intrusive load monitoring (nilm). V Smart City 360°, str. 455– 467. Springer, 2016. [12] V. Guralnik in J. Srivastava. Event detection from time series data. V Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, str. 33–42. 1999. [13] R. Mercer, S. Ucar in E. Keogh. Shape-based telemetry approach for distracted driving be- havior detection. V 2021 IEEE Conference on Standards for Communications and Networ- king (CSCN), str. 118–123. IEEE, 2021. [14] A. Bagnall, J. Lines in sod. The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data Mining and Knowledge Disco- very, zv. 31, št. 3, str. 606–660, 2017. [15] J. Large, A. Bagnall in sod. On Time Series Clas- sification with Dictionary-Based Classifiers. Intelligent Data Analysis, zv. 23, št. 5, str. 1073– 1089, 2019. [16] Ž. Stržinar, B. Pregelj in I. Škrjanc. Soft sensor for non-invasive detection of process events based on eigenresponse fuzzy clustering. Applied Soft Computing, zv. 132, str. 109859, 2023. [17] M. Müller. Dynamic time warping. Informati- on retrieval for music and motion, str. 69–84, 2007. [18] Y.-S. Jeong, M. K. Jeong in O. A. Omitaomu. Weighted dynamic time warping for time se- ries classification. Pattern recognition, zv. 44, št. 9, str. 2231–2240, 2011. [19] T. Górecki in M. Łuczak. Using derivatives in time series classification. Data Mining and Knowledge Discovery, zv. 26, št. 2, str. 310–331, 2013. [20] T. Górecki in M. Łuczak. Non-isometric trans- forms in time series classification using dtw. Knowledge-Based Systems, zv. 61, str. 98–108, 2014. [21] J. C. Dunn. A fuzzy relative of the isodata pro- cess and its use in detecting compact well-se- parated clusters. 1973. [22] J. C. Bezdek, R. Ehrlich in W. Full. Fcm: The fuz- zy c-means clustering algorithm. Computers & Geosciences, zv. 10, št. 2-3, str. 191–203, 1984. [23] H. A. Dau, E. Keogh in sod. The ucr time se- ries classification archive, 2018. https://www. cs.ucr.edu/~eamonn/time_series_data_2018/. Zahvala Delo je bilo izvedeno v okviru raziskovalnega programa Sistemi in vodenje, P2-0001 in projek- ta L2-4454. Using Eigenresponse Fuzzy Clustering in a minimal-invasive supervisory system Abstract: Effective supervision of production processes is critical to ensuring product quality, maximizing production as- set utilization, and improving overall performance metrics. However, the cost of implementing control systems can be prohibitively high, with such systems typically only being available on mass-produced machines. As a result, control systems are often unavailable on unique machines, which represent the majority of production assets. In order to promote wider use of control systems, our research focuses on utilizing minimally invasive or existing measuring equipment to enable control system implementation on unique machines. Specifically, we concentrate on repeatable industrial processes, with a particular emphasis on batch production. We propose a sequence of tasks that enable real-time detection of anomalies during operation. In this paper, we present a method for time series classification called Eigenresponse Fuzzy Clustering, which uses a condensed rep- resentation of each class with a limited number of prototypes known as Eigenresponses. We demonstrate the effectiveness of this method in detecting the actuation of various pneumatic actuators. Keywords: Time series analysis, Time series classification, Fuzzy systems; Event detection;