开发人员利用云的力量提升汽车零部件制造质量

摘要

没有人希望自己的汽车出现转向或刹车故障，但在铝制零件生产出来的那一刻发现缺陷并不容易。为汽车零部件制造商Fagor Ederlan工作的开发人员的任务是构建一个系统，该系统可以使用现有的制造数据来预测质量问题。他们面临的挑战包括各种各样的遗留和专有设备、数据访问问题、庞大的数据量以及网络限制。使用微软Azure云解决方案和机器学习模型，一个联合开发团队能够创建一个原型解决方案，该方案可以更早地识别有缺陷的零件，同时节省网络带宽。最重要的是，它可以应用于组织全球系统中的不同机器和工厂。

通过这个项目，微软和Fagor Ederlan证明了，使用安全可靠的服务将数据发送到云端不必过于复杂。这使得可以进行近乎实时的data analysis（数据分析）并能够构建机器学习模型以提取见解。

该项目基于一台每毫秒进行测量的注塑机。在注塑过程中捕获的数据有助于构建机器学习模型，这些模型指示何时汽车零件的质量未达到标准。

汽车客户面临的独特技术挑战

Fagor Ederlan的机器具有控制软件，该软件将所有传感器的信息收集为CSV文件。对于每个零件，它都会从数据中计算平均值和其他统计值。为了最大限度地减少对机器的影响，开发了一个轻量级的Windows Service。每当它在文件夹中检测到一个新的CSV文件时，数据就会被发送到IoT Hub。

该过程的其余部分在Azure上进行。为了开发该服务，他们考虑了所有通信问题，创建了一个测试计划，并在最可能出现的情况下测试了该服务，例如网络中断和其他连接问题。

为了最大限度地减少这些挑战，团队减小了zip文件的大小，并在云端可用后删除了文件，提供了两个机器学习模型来收集数据。

自动化数据收集

该解决方案的目的是尽早识别铝制注塑机中的有缺陷零件。在注射过程中，机器每毫秒都会获取许多参数，例如速度、压力和注射器运行。这会创建一个800 KB的CSV文件，其中包含所有测量值，以及另一个包含平均值的文件。填充模具和冷却零件的过程需要60到90秒。当零件完成后，会对零件进行X射线和视觉检查，以检测有缺陷的零件。但最终的检查来自客户，通常发生在零件制造完成一个月后。

开发人员分享知识并解决公司的挑战

这次合作使开发人员能够找到将数据发送到云端的可靠解决方案，并增强了系统的安全性和可靠性。团队使用了Azure技术和Power BI来采取以下措施

• 将Windows Service连接到IoT Hub以收集和压缩CSV文档和其他直接传感器信息。
• 使用命令行模拟器在未部署在运行的机器内部的情况下测试完整的解决方案。
• 利用了两个Azure Functions：一个用于解压缩文件，另一个用于从曲线中提取特征。
• 使用了Stream Analytics来连接来自不同文件的数据，并向Azure机器学习模型提问
• 使用新数据重新训练了Azure机器学习模型。
• 使用Azure资源管理器模板多次部署该解决方案。
• 使用了Power BI仪表板来查看曲线，并使用经过Azure机器学习训练的模型实时查看每个零件的数据。

后续步骤

自动化文件上传和数据准备解决了Fagor Ederlan的关键问题。合作的结果也为解决将节省成本、时间和提高产品质量的问题打开了大门。Fagor Ederlan希望继续发展和改进使用IoT Hub、Stream Analytics和Azure Functions的系统可扩展性。

从GitHub上获取此项目的代码示例和架构图，动手实践Azure IoT Hub实验室，并使用Azure试用版开始构建物联网解决方案。