تشهد صناعة التصنيع تغييرات ثورية حيث يعتمد عدد متزايد من الشركات أرضيات المصانع الذكية التي تمكنها الذكاء الاصطناعي والتعلم الآلي. توفر هذه المقالة نظرة عامة على بنية لتمكين الكشف عن الشذوذ في الوقت الحقيقي للأحزمة الناقلة.
بناء الأنظمة
قم بتنزيل ملف Visio لهذه البنية.
سير العمل
Data source
مستشعر جمع البيانات المتطور هو مكون أساسي لإنترنت الأشياء (IoT). تقوم أجهزة الاستشعار بجمع البيانات التمثيلية من العالم المادي وترجمتها إلى أصول بيانات رقمية. يمكن أن تقيس أجهزة الاستشعار أي جانب من جوانب العالم المادي. تسمح معايرة أجهزة الاستشعار بتكييفها مع الوظائف الخاصة بالتطبيق. في مجموعة البيانات هذه، تتم معايرة أجهزة الاستشعار لقياس درجة الحرارة والاهتزازات بدقة.
في معظم طوابق المصنع، تعمل الأحزمة الناقلة على جداول زمنية. هناك حاجة إلى الكشف عن الحالات الشاذة لدرجة الحرارة والاهتزازات عند تشغيل الحزام الناقل. يتم استخدام واجهة برمجة تطبيقات السلسلة الزمنية لالتقاط حالة الحزام الناقل وترحيلها.
الاستيعاب
نوصي ب Azure IoT Hub لتدفق البيانات من مستشعرات IoT وتوصيل أجهزة IoT. لاستيعاب البيانات من واجهة برمجة تطبيقات السلسلة الزمنية وتنسيق البيانات، نوصي ب Azure Data Factory.
متجر
البيانات التي يتم جمعها من مستشعرات IoT (درجة الحرارة والاهتزازات) وواجهة برمجة تطبيقات السلسلة الزمنية (حالة الحزام الناقل) كلها سلسلة زمنية. بيانات السلاسل الزمنية هي مجموعة من الملاحظات التي تم الحصول عليها من خلال القياسات المتكررة بمرور الوقت. يتم جمع هذه البيانات كملفات مسطحة. يتم وضع علامة على كل ملف ثابت بمعرف مستشعر IoT وتاريخ ووقت التجميع وتخزينه في Azure Data Lake.
الذكاء الاصطناعي / التعلم الآلي - إعداد البيانات والتدريب
إعداد البيانات هو عملية جمع البيانات ودمجها وتنظيمها وتنظيمها بحيث يمكن استخدامها لبناء نماذج التعلم الآلي والمعلومات المهنية (BI) والتحليلات وتطبيقات تصور البيانات.
يتم استخدام Azure Databricks لإعداد البيانات قبل استخدام البيانات لإنشاء نماذج. يوفر Azure Databricks مساحة عمل تفاعلية تمكن التعاون بين مهندسي البيانات وعلماء البيانات ومهندسي التعلم الآلي. في سير عمل التحليلات، يتم استخدام Azure Databricks لقراءة البيانات من Azure Data Lake لإجراء تشابك البيانات واستكشاف البيانات.
تدريب النموذج هو عملية استخدام خوارزمية التعلم الآلي لتعلم الأنماط استنادا إلى البيانات واختيار نموذج مناسب لإجراء التنبؤات.
يتم استخدام Azure التعلم الآلي لتدريب النموذج. Azure التعلم الآلي هي خدمة سحابية تعمل على تسريع وإدارة دورة حياة مشروع التعلم الآلي. تتضمن دورة الحياة التدريب ونشر النماذج وإدارة عمليات التعلم الآلي (MLOps).
الذكاء الاصطناعي / التعلم الآلي - الاستدلال
استنتاج التعلم الآلي هو عملية تغذية نقاط البيانات غير المرئية سابقا في نموذج التعلم الآلي لحساب الإخراج، مثل النتيجة الرقمية. في هذه الحالة، يتم استخدامه لتحديد ما إذا كانت بيانات الإدخال شاذة.
تم تضمين سجل النموذج في Azure التعلم الآلي. يتم استخدامه لتخزين النماذج وإصدارها في Azure. يسهل سجل النموذج تنظيم النماذج المدربة وتتبعها.
بعد تدريب نموذج التعلم الآلي، يجب نشر النموذج بحيث يمكن تغذية البيانات المتوفرة حديثا من خلاله للاستدلال. هدف النشر الموصى به هو نقطة نهاية مدارة من Azure.
حمل العمل التحليلي
يتم حفظ نتائج تسجيل النموذج مرة أخرى في أنظمة التحليلات، في هذه الحالة Azure Data Lake، حيث تم جمع بيانات الإدخال. يساعد هذا في تحديد مصادر النتائج إلى الواجهة الأمامية وفي مراقبة النموذج وإعادة التدريب.
استهلاك نموذج الواجهة الأمامية
يمكنك استهلاك النتائج المسجلة عبر تطبيق أو على النظام الأساسي ل Power BI . في هذا السيناريو، الذي يوفر الاستدلال في الوقت الحقيقي بمجرد اكتشاف الحالات الشاذة، يمكنك توجيه التنبيهات إلى المساهمين من خلال واجهات برمجة تطبيقات إدارة الأحداث المخصصة من Microsoft أو الجهات الخارجية التي تتم استضافتها في Azure أو في أي مكان آخر.
المكونات
- Azure IoT Hub عبارة عن مجموعة من الخدمات السحابية التي تديرها Microsoft والتي تقوم بتوصيل مليارات أصول IoT ومراقبتها والتحكم فيها.
- Azure Data Factory هي خدمة تكامل بيانات مستندة إلى السحابة تعمل على أتمتة حركة البيانات وتحويلها.
- Azure Data Lake هي خدمة تخزين بيانات لا حدود لها لبيانات الإسكان في أشكال وتنسيقات مختلفة. يوفر تكاملا سهلا مع أدوات التحليلات في Azure. لديها دعم الأمان والمراقبة على مستوى المؤسسة. يمكنك استخدامه للأرشيفات وبحيرات البيانات والحوسبة عالية الأداء والتعلم الآلي وأحمال العمل السحابية الأصلية. يوفر هذا الحل مخزن بيانات محلي لبيانات التعلم الآلي وذاكرة تخزين مؤقت للبيانات المتميزة لتدريب نموذج التعلم الآلي.
- Azure Databricks هو نظام أساسي لتحليل البيانات تم تحسينه لنظام Azure الأساسي. وهو يوفر ثلاث بيئات لتطوير تطبيقات كثيفة البيانات: Databricks SQL وDatabricks Data Science & Engineering وDatabricks التعلم الآلي.
- Azure التعلم الآلي هي خدمة التعلم الآلي على مستوى المؤسسة لتسهيل تطوير النموذج ونشره في مجموعة واسعة من حسابات هدف التعلم الآلي. فهو يوفر للمستخدمين على جميع مستويات المهارات مصمما منخفض التعليمات البرمجية والتعلم الآلي الآلي وبيئة دفتر ملاحظات Jupyter مستضافة تدعم بيئات التطوير المتكاملة المختلفة.
- نقاط نهاية Azure التعلم الآلي هي نقاط نهاية HTTPS التي يمكن للعملاء الاتصال بها لتلقي إخراج الاستدلال (تسجيل) لنموذج مدرب. توفر نقطة النهاية URI تسجيل ثابت مع مصادقة الرمز المميز للمفتاح.
- Power BI هو برنامج Azure كخدمة (SaaS) لتحليلات الأعمال والرؤى الشاملة والتفاعلية بصريا. يوفر مجموعة غنية من الموصلات لمصادر البيانات المختلفة، وقدرات التحويل السهلة، والتصور المتطور.
البدائل
- يوفر Azure التعلم الآلي نمذجة البيانات ونشرها في هذا الحل. يمكنك أيضا إنشاء الحل في Azure Databricks، باستخدام نهج التعليمات البرمجية أولا.
- Azure Event Hubs هو بديل مناسب ل IoT Hub لاستيعاب البيانات الضخمة. تم تصميم كل من Event Hubs وIoT Hub لاستيعاب البيانات على نطاق واسع.
- يمكنك تنظيم البيانات في Azure Cosmos DB أو قاعدة بيانات Azure SQL بدلا من Data Lake. يمكنك استخدام Data Factory للتقسيم المرحلي للبيانات وتحليلها.
- لاستكشاف البيانات، يمكنك استخدام Azure Synapse Analytics كبديل ل Azure Databricks.
- يمكنك استخدام Grafana بدلا من Power BI للتصور.
- يمكنك استخدام خدمة Azure Kubernetes (AKS) كبديل لنقاط النهاية المدارة إذا كنت تريد المزيد من التحكم في طبقة الحوسبة هذه.
تفاصيل السيناريو
تمكن أرضيات المصنع الذكية الأنظمة التعاونية من توفير استجابات في الوقت الحقيقي للظروف المتغيرة ومتطلبات العملاء في جميع أنحاء شبكة التوريد.
تستخدم الذكاء الاصطناعي والتعلم الآلي بطرق فريدة في جميع أنحاء قطاع التصنيع. أكثر هذه التطبيقات تأثيرا هي الصيانة التنبؤية ومنع الأخطاء. على وجه التحديد، الكشف عن الحالات الشاذة في درجة الحرارة والاهتزازات للمحركات المرفقة بالأحزمة الناقلة يقلل من تكاليف الصيانة والإصلاح ووقت الإصلاح، والحاجة إلى مخزون قطع الغيار. كما أنه يزيد من وقت تشغيل الآلات. إن إدخال الصيانة التنبؤية والوقاية من الأخطاء يوفر ملايين الدولارات سنويا، وفي بعض الحالات ينقذ الأرواح عن طريق إبعاد الموظفين من الحالات الخطيرة.
يمكنك تحقيق الصيانة التنبؤية بعدة طرق، بما في ذلك التعلم الآلي المستند إلى القواعد والإشراف عليه وغير الخاضع للإشراف. يتطلب التعلم الآلي المستند إلى القواعد مستويات عتبة معروفة. عندما تكون التسميات متاحة للحالات الشاذة، فإن التعلم الآلي الخاضع للإشراف هو الخيار الأكثر قابلية للتطبيق. إذا لم تكن هناك تسميات متاحة للكشف عن السلوك الشاذ، فإن الكشف عن الشذوذ غير الخاضع للإشراف هو أفضل طريقة. أيا كانت المنهجية، فإن نتيجة النموذج هي التنبؤ بما إذا كانت البيانات الواردة شاذة.
نظرا لأن أجهزة الاستشعار تلتقط البيانات في الوقت الحقيقي، يجب أن يكون الكشف عن الحالات الشاذة قادرا على اكتشاف الحالات الشاذة على الفور. يمكنك معالجة المخاطر المحتملة التي قد لا يتم الكشف عليها قبل تصعيدها.
عينة من بيانات حالة الحزام والاهتزاز والحرارة الناقلة
البيانات اللازمة للحفاظ على المحركات المرفقة بالأحزمة الناقلة تنبؤيا هي درجة الحرارة والاهتزازات وحالة الحزام الناقل. يتم تقديم بيانات العينة هنا.
حالة الحزام الناقل: في معظم أرضيات المصنع، يتم تشغيل الأحزمة الناقلة على جداول زمنية محددة. لا يلزم الكشف عن الشذوذ في درجة الحرارة والاهتزاز إلا عند تشغيل الحزام الناقل. تشير قيمة الحزام الناقل الصفري إلى أن الحزام الناقل غير نشط. تعني قيمة واحدة أنها نشطة. يوضح هذا الرسم البياني النموذجي كيفية تسجيل حالة الحزام الناقل:
درجة الحرارة: يمكن لأجهزة الاستشعار المرفقة بالأحزمة الناقلة وأرضية المصنع تسجيل درجة حرارة المحرك وتحديد خط الأساس لدرجة الحرارة المحيطة. تتأثر درجة الحرارة موسميا بسبب التعرض لأشعة الشمس وإعدادات تكييف الهواء والعديد من العوامل الأخرى. تحتاج إلى معالجة الجانب الموسمي من درجة الحرارة. هناك العديد من الطرق للقيام بذلك. إحدى الطرق، إذا أخذنا درجة حرارة المحرك كمثال، هي طرح درجة الحرارة المحيطة الأساسية لأرضية المصنع من درجة حرارة المحرك:
(درجة الحرارة المعدلة = درجة حرارة المحرك - درجة الحرارة المحيطة)
يظهر هذا الرسم البياني النموذجي درجات الحرارة المسجلة من المحركات ودرجة الحرارة الأساسية المحيطة:
يوضح الرسم البياني النموذجي التالي كيفية ضبط درجة الحرارة من محرك الحزام الناقل للموسمية باستخدام درجة الحرارة المحيطة لأرضية المصنع. كما يظهر الحالات الشاذة، باللون الأحمر، التي يتم الكشف عنها بواسطة نموذج يستخدم البنية المقترحة في هذه المقالة.
الاهتزازات: تجمع أجهزة الاستشعار الاهتزازات ك RMS (مربع الوسط الجذر) للموجة النصفية الجيوب الأنفية. نظرا لأن RMS يمثل المنطقة وليس قيمة الذروة، تحتاج إلى تحويل RMS إلى ذروة قبل اختبار الحالات الشاذة. يوضح هذا الرسم البياني النموذجي كيفية جمع بيانات ذروة الاهتزاز بواسطة أداة استشعار متصلة بمحرك:
يوضح هذا الرسم البياني النموذجي حالات شذوذ الاهتزاز، باللون الأحمر، التي يتم الكشف عنها بواسطة نموذج يستخدم البنية المقترحة في هذه المقالة:
حالات الاستخدام المحتملة
يمكنك تطبيق هذا الحل على السيناريوهات التالية:
- التصنيع. الصيانة التنبؤية والوقاية من الأخطاء للأحزمة الناقلة.
- صناعة الطاقة. الصيانة التنبؤية للأحزمة الناقلة للتعدين ركيز، ذات الصلة على وجه التحديد لتعدين الركز تحت الأرض، والتعدين ركيز الصب المفتوح، ومعالجة الركز.
- Healthcare. الصيانة التنبؤية للأحزمة الناقلة المستخدمة للمنتجات الصيدلانية والتعبئة الطبية.
- الطعام والسفر والضيافة. الصيانة التنبؤية للأحزمة الناقلة المستخدمة لإنتاج الأغذية وتغليفها.
الاعتبارات
تطبق هذه الاعتبارات ركائز إطار العمل جيد التصميم في Azure، وهي مجموعة من المبادئ التوجيهية التي يمكنك استخدامها لتحسين جودة حمل العمل. لمزيد من المعلومات، راجع Microsoft Azure Well-Architected Framework.
تم اختيار التقنيات في هذه البنية لقابلية التوسع والتوافر، بهدف إدارة التكاليف والتحكم فيها.
يمكن أن يساعدك Azure Industrial IoT في تسريع مسارك لتحديث المصنع المتصل. أيضا، يمكن أن يساعدك Azure Digital Twins على نمذجة البيئات المادية المتصلة في إعداد التصنيع. لمزيد من المعلومات، راجع هذه الموارد:
الموثوقيه
تضمن الموثوقية أن التطبيق الخاص بك يمكن أن يفي بالالتزامات التي تتعهد بها لعملائك. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم للموثوقية.
توفر المكونات في هذه البنية قابلية وصول عالية. ومع ذلك، تتكون مهام التعلم الآلي والتحليلات من جزأين: التدريب ونشر الإنتاج.
لا تتطلب الموارد المطلوبة للتدريب عادة توفرا عاليا. لنشر الإنتاج، يتم دعم قابلية الوصول العالية بشكل كامل من قبل نقاط نهاية Azure التعلم الآلي.
الأمان
ويوفر عامل الأمان ضمانات للحماية من الهجمات المتعمدة واستغلال البيانات والأنظمة القيمة الخاصة بك. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم للأمان.
يوفر هذا السيناريو أمانا محسنا مضمنا في المكونات. كما يوفر الأذونات التي يمكنك إدارتها عبر مصادقة Microsoft Entra أو التحكم في الوصول المستند إلى الدور. ضع في اعتبارك أفضل ممارسات Azure التعلم الآلي التالية لأمان المؤسسة لإنشاء مستويات أمان مناسبة.
إدارة أمان مركز IoT والوصول إليه الذي يتفاعل مع مستشعرات IoT باتباع إرشادات الأساس في أساس أمان Azure ل Azure IoT Hub.
راجع الموارد التالية لمزيد من المعلومات حول ميزات الأمان لهذه البنية:
- توزيع خدمات Azure المخصصة في الشبكات الظاهرية
- أمان المؤسسة وحوكمتها ل Azure التعلم الآلي
- نظرة عامة على ركيزة الأمان
تحسين التكلفة
يتعلق تحسين التكلفة بالبحث عن طرق لتقليل النفقات غير الضرورية وتحسين الكفاءة التشغيلية. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم لتحسين التكلفة.
- لتحسين التكاليف، تستند قابلية توسع الموارد إلى حمل عمل التحليلات وأحمال عمل التدريب والتوزيع.
- اختر مستوى التسعير المناسب لمركز IoT وأحجام الحوسبة المناسبة للتعلم الآلي ومكونات معالجة البيانات.
- لتقدير تكلفة تنفيذ هذا الحل، استخدم حاسبة تسعير Azure، مع إدخال الخدمات الموضحة في هذه المقالة. يمكن أن تكون نظرة عامة على ركيزة تحسين التكلفة مفيدة أيضا.
التميز التشغيلي
يغطي التميز التشغيلي العمليات التي تنشر تطبيقا وتبقيه قيد التشغيل في الإنتاج. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم للتميز التشغيلي.
اتبع إرشادات MLOps لتوحيد وإدارة دورة حياة التعلم الآلي الشاملة القابلة للتطوير عبر مساحات عمل متعددة. قبل الانتقال إلى الإنتاج، تأكد من أن الحل المنفذ يدعم الاستدلال المستمر مع دورات إعادة التدريب وإعادة التوزيع التلقائي للنماذج. فيما يلي بعض الموارد التي يجب مراعاتها:
كفاءة الأداء
كفاءة الأداء هي قدرة حمل العمل الخاص بك على التوسع لتلبية الطلبات التي يضعها المستخدمون عليه بطريقة فعالة. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم لكفاءة الأداء.
- يمكن توسيع معظم المكونات في هذا السيناريو لأعلى أو لأسفل استنادا إلى مستويات نشاط التحليل.
- يمكنك قياس Azure التعلم الآلي استنادا إلى حجم البيانات وموارد الحوسبة الضرورية لتدريب النموذج. للنشر، يمكنك توسيع نطاق موارد الحوسبة استنادا إلى خدمة التحميل والتهديف المتوقعة ومتطلبات زمن الانتقال مع خدمة AKS.
- يمكنك قياس وضبط مركز IoT وAzure Data Factory للتعامل مع استيعاب البيانات الكبيرة.
- لمزيد من المعلومات حول تصميم حلول قابلة للتطوير، راجع قائمة التحقق من كفاءة الأداء.
المساهمون
يتم تحديث هذه المقالة وتعديلها بواسطة Microsoft. وهي مكتوبة في الأصل من قبل المساهمين التاليين.
الكتاب الرئيسيون:
- ماناسا رامالينغا | مهندس حلول السحابة الرئيسي، فريق CSA الوطني الأمريكي
مساهمون آخرون:
- مايكل ألبرتس | كاتب تقني
- شاريتا باساني | مهندس حلول سحابي أول، فريق CSA الوطني الأمريكي
لمشاهدة ملفات تعريف LinkedIn غير العامة، سجل الدخول إلى LinkedIn.
الخطوات التالية
- ماذا يُقصد بالتعلم الآلي من Azure؟
- تعقب نماذج التعلم الآلي باستخدام MLflow والتعلم الآلي من Azure
- وثائِق Azure Databricks
- ما هو Azure Data Factory؟
- مقدمة حول Azure Storage Blob
- مقدمة إلى الجيل الثاني من تخزين Azure Data Lake
- وثائق Azure IoT Edge
- وثائق Azure IoT Hub
- وثائق Azure Time Series Insights
- ما هو Power BI؟
- الكشف عن الحالات الشاذة في بياناتك وتصورها باستخدام عرض توضيحي لواجهة برمجة تطبيقات Anomaly Detector - Jupyter Notebook
- تحديد الحالات الشاذة عن طريق توجيه البيانات عبر IoT Hub إلى نموذج التعلم الآلي المضمن في Azure Stream Analytics
- الوصفة: الصيانة التنبؤية مع الخدماتِ المعرفية للبيانات الضخمة