Prædiktiv vedligeholdelse af støbeforme med akustisk AI

Udfordring

Uplanlagte nedbrud på sprøjtestøbeforme forstyrrer produktionen og driver vedligeholdelsesomkostningerne op. LEGO ønskede en prædiktiv klassifikationsmodel, der eliminerer uplanlagte stop og fortæller operatørerne, hvornår — og kun hvornår — formene skal smøres, baseret på lyddata fra akustiske sensorer.

Løsning

Et proof of concept viste, at der kunne udtrækkes værdifuld indsigt fra sensorpakkerne, og at den kunne generaliseres på tværs af forme.

• PoC-model. Et rekurrent neuralt netværk trænet på rå tids-spektrale lydfeatures fra testforme.
• Skalering på tværs af forme. Avanceret feature-ekstraktion — dynamic range control, synkronisering af samples, mel-spektrogrammer og Gaussian mixture-modeller — så ét feature-sæt kan bruges på alle forme.
• Vejen til produktion. Tuning af RNN-modellen på de udtrukne features og vurdering af deployment-muligheder i industriel skala (Raspberry Pi / ARM + Azure ML).

Resultater

• Lavere omkostninger til vedligeholdelsespersonale
• Lavere forbrug af reservedele
• Højere produktionsoutput takket være mindre nedetid
• Stabil produktion og forsyningskæde