AI-enhanced cyber-physical systems in automotive industry : integration of CPS and application artificial intelligence technologies in automotive paint shop process

Abstract

(English) Transformation of industrial processes to embrace Industry 4.0 revolution needs to use data: valuable data from different data sources, labelled data, semantic layers, metadata to understand better, universes, and data bases integration (relational and non-relational data bases, stored in physical servers or in the cloud, real-time plus historical data, etc.). With data analyses and Artificial Intelligence algorithms can be applied, resulting data brings new insights and can be used as inputs to new analyses and new algorithms. Multiplicity of data analyses and algorithms on the same data but changing the perspectives and the focus generate valuable insights that improve the knowledge in the industrial process. This thesis defines an ecosystem where all the data is integrated in the same Data Lake from the heterogeneous Industrial Cyber-Physical Systems in the industrial process. The car coating process is introduced for illustration purposes as it is found in it several disconnected contributions that, at the end, they are correlated and allow us to build an Ecosystem to integrate all the “Things” of the “Industrial Internet of Things (IIoT)” with data, advanced analytics and artificial intelligence. Paint shop process is a complex industrial process in terms of logistics, fabrication times, tact times, re-works in-line and out of line due to quality defects in the surface. How decisions in the Paint Shop affected (from a production point of view) to the rest of processes involved in car manufacturing (Body shop and Assembly lines) because of changes in cycle times, sequences, process incidences, etc. are to complex and need deeper analyses. This Thesis proposes an ecosystem that integrate eleven data sources involved in an industrial process in order to apply advanced analytics and artificial intelligence models. BiDrac Ecosystem is defined and implemented in the Paint Shop process of an automotive industrial plant. The Thesis is focused on maintenance area so first main objective is to integrate the Industrial Cyber-physical systems that were in two data sources not connected, from two control systems in the control room of the Shop. In the literature, studies are focused in parts of the ecosystem proposed in this thesis but there is a leak of studies based on real data from a real industrial process considering the data of the entire process, all Industrial Cyber-Physical systems, equipment and machines, and data from the different areas involved. The solution adopted includes the proposed data flow, that is designed as follows, data collected from the Technical Ubications and Equipments (installation) arrive to different data sources not integrated, then are pre-processed with an extract, transform and load (ETL) tool, to detect any abnormality or fault and each diagnosis and prognosis in data, and are stored into an edge computing Data Lake (BiDrac) with a new metadata layer target (label) and integrate them to priorize those data that are relevant for advanced monitoring and artificial intelligence modelization. The different phases of the BiDrac methodology are: (1) Ecosystem design and technical specification and requirements; (2) Research work to achieve project objectives and (3) The development of use cases analytics applying advanced analytics and artificial intelligence in order to validate and value of the proposed approach. The methodology is applied from general to specific. In this case, the specific industrial process of coating bodies, but this methodology can be applied to all industrial process over different industry sectors. The use of Artificial Intelligence techniques inside the BiDrac Ecosystem with all the data available to improve the knowledge that areas have in the process and to discover hidden knowledge with deeper analysis using the Digital Production Platform of the Volkswagen Group in the Cloud is demonstrated.

(Català) La transformació dels processos industrials per abraçar la revolució de la Indústria 4.0 necessita utilitzar dades: dades valuoses de diferents fonts de dades, dades etiquetades, capes semàntiques, metadades, universos i integració de bases de dades (bases de dades relacionals i no relacionals, emmagatzemades en servidors físics o en el núvol, temps real més dades històriques, etc.). L'anàlisi de dades i algoritmes d'Intel·ligència Artificial s'apliquen a les dades. Les dades resultants aporten nous coneixements i es poden utilitzar com a entrades a noves anàlisis i nous algoritmes. Multiplicitat d'anàlisis de dades i algoritmes sobre les mateixes dades però canviant les perspectives i l'enfocament generen coneixements valuosos que milloren el coneixement en el procés industrial. Aquesta tesi defineix un ecosistema on totes les dades s'integren en un mateix Data Lake a partir dels heterogenis Sistemes Ciberfísics Industrials en el procés industrial. El procés de Pintures s'introdueix a efectes il·lustratius ja que s'hi troben diverses aportacions desconnectades que, al final, es correlacionen i ens permeten construir un Ecosistema per integrar totes les "Coses" de la "Internet industrial de les coses (IIoT)" amb dades, analítica avançada i intel·ligència artificial. Pintures és un procés complex pel que fa a logística, temps de fabricació, temps de tacte, retreballs en línia i fora de línia a causa de defectes de qualitat a la superfície. Com van afectar les decisions en Pintures (des d'un punt de vista productiu) a la resta de processos de la fabricació d'automòbils a causa de canvis en els temps de cicle, seqüències, incidències de processos, etc. són complexes i necessiten anàlisis més profundes. Aquesta tesi proposa un ecosistema que integra onze fonts de dades implicades en un procés industrial per tal d'aplicar models avançats d'analítica i intel·ligència artificial. L'Ecosistema BiDrac es defineix i s'implementa en el procés d'una planta industrial d'automoció. La Tesi està enfocada a l'àrea de manteniment pel que el primer objectiu principal és integrar els sistemes Ciberfísics que es trobaven en dues fonts de dades no connectades, IS a la sala de control. En la literatura, els estudis se centren en parts de l'ecosistema proposat en aquesta tesi, però hi ha una falta d'estudis basats en dades reals d'un procés industrial real considerant les dades de tot el procés, tots els sistemes, equips i màquines ciberfísiques industrials, i dades de les diferents àrees implicades. La solució adoptada inclou el flux de dades proposat, que es dissenya de la següent manera, les dades recollides des de les Ubicacions Tècniques i Equips (instal·lació) arriben a diferents fonts de dades no integrades, després es preprocessen amb una eina d'extracció, transformació i càrrega (ETL), per detectar qualsevol anomalia o fallada i cada diagnòstic i pronòstic en les dades, i s'emmagatzemen en un Edge Computing Data Lake (BiDrac) amb una capa de metadades i integrar-les per a previncular les dades rellevants per al monitoratge avançat i la modelització de la intel·ligència artificial. Les diferents fases de la metodologia BiDrac són: (1) Disseny d'ecosistemes i especificació i requisits tècnics; (2) Treball de recerca per assolir els objectius del projecte i (3) El desenvolupament d'anàlisis de casos d'ús aplicant analítica avançada i intel·ligència artificial per tal de validar i valorar l'enfocament proposat. La metodologia s'aplica de general a específica. En aquest cas, el procés industrial específic de les carrosseries, però aquesta metodologia es pot aplicar a tots els processos industrials de diferents sectors industrials. Es demostra l'ús de tècniques d'Intel·ligència Artificial dins de l'Ecosistema BiDrac amb totes les dades disponibles per millorar el coneixement que les àrees tenen en el procés i descobrir coneixement ocult amb anàlisis més profundes utilitzant la Plataforma de Producció Digital del Grup Volkswagen en el Núvol.