تحرير

مشاركة عبر

مُقدمة في الصيانة التنبؤية في التصنيع

Azure Data Lake Storage
Azure Event Hubs
Azure IoT Hub
Azure IoT Edge
Azure Machine Learning

تتوقع الصيانة التنبؤية (PdM) احتياجات الصيانة لتجنب التكاليف المرتبطة بالتوقف غير المخطط له. من خلال الاتصال بالأجهزة ومراقبة البيانات التي تنتجها الأجهزة، يمكنك تحديد الأنماط التي تؤدي إلى مشاكل أو فشل محتمل. يمكنك بعد ذلك استخدام هذه الأفكار لمعالجة المشاكل قبل حدوثها. تتيح لك هذه القدرة على التنبؤ عندما تحتاج المعدات أو الأصول إلى الصيانة تحسين مدة بقاء المعدات وتقليل وقت التعطل عن العمل.

تستخرج PdM نتيجة تحليلات من البيانات التي تنتجها المعدات الموجودة في حالة العمل ثم تعمل على هذه الأفكار. تعود فكرة PdM إلى أوائل التسعينيات. تزيد PdM من الصيانة الوقائية المجدولة بانتظام. في وقت مبكر، أدى عدم توفر أجهزة الاستشعار لتوليد البيانات، ونقص الموارد الحسابية لجمع البيانات وتحليلها، إلى صعوبة تنفيذ PdM. اليوم، نظرًا للتطورات في إنترنت الأشياء (IoT)، والحوسبة السحابية، وتحليلات البيانات، والتعلم الآلي، يمكن أن تصبح PdM سائدة.

تتطلب PdM بيانات من أجهزة الاستشعار التي تراقب المعدات وبيانات تشغيلية أخرى. يقوم نظام PdM بتحليل البيانات وتخزين النتائج. يتصرف البشر بناءً على التحليل.

بعد تقديم بعض المعلومات الأساسية في هذه المقالة، نناقش كيفية تنفيذ الأجزاء المختلفة من حل PdM باستخدام مجموعة من البيانات المحلية وAzure Machine Learning ونماذج التعلم الآلي. تعتمد PdM بشكل كبير على البيانات لاتخاذ القرارات، لذلك نبدأ بالنظر في جمع البيانات. يجب جمع البيانات ثم استخدامها لتقييم ما يحدث الآن، وكذلك استخدامها لإنشاء نماذج تنبؤية أفضل في المستقبل. أخيرًا، نشرح كيف يبدو حل التحليل، بما في ذلك تصور نتائج التحليل في أداة إعداد التقارير مثل Microsoft Power BI.

استراتيجيات الصيانة

على مدار تاريخ التصنيع، ظهرت العديد من استراتيجيات الصيانة:

  • تعمل الصيانة التفاعلية على إصلاح المشاكل بعد حدوثها.
  • تعمل الصيانة الوقائية على إصلاح المشاكل قبل حدوثها من خلال اتباع جدول الصيانة بناءً على تجربة الفشل السابقة.
  • تعمل PdM أيضًا على إصلاح المشاكل قبل حدوثها، ولكنها تأخذ في الاعتبار الاستخدام الفعلي للمعدات بدلاً من العمل وفقًا لجدول زمني ثابت.

من بين الثلاثة، كانت PdM هي الأصعب في تحقيقها بسبب القيود المفروضة على جمع البيانات ومعالجتها وتصورها. دعونا نلقي نظرة على كل من هذه الاستراتيجيات بمزيد من التفصيل.

الصيانة التفاعلية

خدمات الصيانة التفاعلية للأصل فقط عند فشل الأصل. على سبيل المثال، لا تتم صيانة محرك مركز صناعة الجهاز CNC المكون من 5 محاور إلا عندما يتوقف عن العمل. تزيد الصيانة التفاعلية من مدة بقاء المكونات. كما أنها تقدم، من بين أمور أخرى، كميات غير معروفة من وقت التعطل عن العمل والأضرار الجانبية غير المتوقعة التي تسببها المكونات الفاشلة.

رسم تخطيطي يوضح الصيانة التفاعلية.

الصيانة الوقائية

أصول خدمات الصيانة الوقائية على فاصل زمني محدد مسبقًا. عادةً ما يعتمد الفاصل الزمني للأصل على تكرار الفشل المعروف والأداء التاريخي والتقليد والنمذجة الإحصائية للأصل. تتمثل ميزة الصيانة الوقائية في أنها تزيد من وقت التشغيل، وتؤدي إلى حدوث أعطال أقل، وتتيح التخطيط للصيانة. الجانب السلبي في كثير من الحالات هو أن المكون المستبدَل له بعض الحياة المتبقية. هذا يؤدي إلى زيادة الصيانة والنفايات. على الجانب الآخر، يمكن أن تتعطل الأجزاء قبل الصيانة المجدولة. ربما تعرف الصيانة الوقائية جيدًا: بعد كل ساعات محددة من التشغيل (أو بعض القياسات الأخرى)، تقوم بإيقاف الجهاز وتفحصه واستبدال أي أجزاء من المقرر استبدالها.

رسم تخطيطي يوضح الصيانة الوقائية.

PdM

تستخدم PdM النماذج للتنبؤ بالوقت الذي يحتمل فيه فشل أحد المكونات، بحيث يمكن جدولة الصيانة في الوقت المناسب. تعمل PdM على تحسين الاستراتيجيات السابقة من خلال زيادة وقت التشغيل وعمر الأصول إلى أقصى حد. نظرًا لأنك تقوم بصيانة المعدات في أوقات قريبة من الحد الأقصى لمدة بقاء المكون، فإنك تنفق أموالًا أقل لاستبدال أجزاء العمل. الجانب السلبي هو أن طبيعة PdM في الوقت المناسب هي أكثر صعوبة في التنفيذ لأنها تتطلب مؤسسة خدمات أكثر استجابة ومرونة. بالعودة إلى محرك مركز تصنيع الجهاز CNC المكون من 5 محاور، مع PdM، يمكنك جدولة صيانته في وقت مناسب يقترب من وقت الفشل المتوقع للمحرك.

رسم تخطيطي يوضح PdM.

طرق مختلفة يمكن من خلالها تقديم PdM

يمكن للشركة المصنعة استخدام PdM لمراقبة عمليات التصنيع الخاصة بها. ويمكن أيضًا استخدامها بطرق توفر فرص عمل جديدة وتدفقات إيرادات. على سبيل المثال:

  • تضيف الشركة المصنعة قيمة لعملائها من خلال تقديم خدمات PdM لمنتجاتها.
  • تقدم الشركة المصنعة منتجاتها بموجب نموذج المنتج كخدمة حيث يشترك العملاء في المنتج بدلاً من شرائه. في ظل هذا النموذج، تريد الشركة المصنعة زيادة وقت تشغيل المنتج إلى أقصى حد، نظرًا لأن المنتج لا يدر إيرادات عندما لا يعمل.
  • توفر إحدى الشركات منتجات وخدمات PdM للمنتجات المصنعة من قبل الشركات المصنعة الأخرى.

إنشاء حل PdM

لإنشاء حل PdM، نبدأ بالبيانات. من الناحية المثالية، تُظهر البيانات التشغيل الطبيعي وحالة المعدات قبل حالات الفشل وأثناءها وبعدها. تأتي البيانات من أجهزة الاستشعار والملاحظات التي يحتفظ بها عمال تشغيل المعدات وتشغيل المعلومات والبيانات البيئية ومواصفات الجهاز وما إلى ذلك. يمكن أن تشمل أنظمة التسجيل المؤرخين وأنظمة تنفيذ التصنيع وتخطيط موارد المؤسسة (ERP) وما إلى ذلك. يتم توفير البيانات للتحليلات بعدة طرق. يوضح الرسم التخطيطي التالي عملية علم بيانات الفريق (TDSP). تم تخصيص العملية للتصنيع وتقوم بعمل ممتاز في شرح الاهتمامات المختلفة التي يواجهها المرء عند بناء نماذج التعلم الآلي وتنفيذها.

يلخص الرسم التخطيطي عملية علوم بيانات الفريق.

مهمتك الأولى هي تحديد أنواع الفشل التي تريد توقعها. مع وضع ذلك في الاعتبار، يمكنك بعد ذلك تحديد مصادر البيانات التي تحتوي على بيانات ذات صلة حول نوع الفشل هذا. تحصل البنية الأساسية لبرنامج ربط العمليات التجارية على البيانات في النظام من بيئتك. يستخدم علماء البيانات أدوات التعلم الآلي المفضلة لديهم لإعداد البيانات. في هذه المرحلة، يكونون جاهزين لإنشاء وتدريب النماذج التي يمكنها تحديد أنواع متنوعة من المشاكل. النماذج تجيب على أسئلة مثل:

  • بالنسبة للأصل، ما هو احتمال حدوث فشل خلال X ساعة القادمة؟ الجواب: 0-100%
  • ما هو العمر الإنتاجي المتبقي للأصل؟ الجواب: X ساعة
  • هل هذا الأصل يعمل بطريقة غير عادية؟ الإجابة: نعم أو لا
  • ما هي الأصول التي تتطلب الخدمة بشكل عاجل؟ الجواب: الأصل X

بمجرد تطوير النماذج، يمكن تشغيلها في:

  • المعدات نفسها للتشخيص الذاتي.
  • جهاز الحافة في بيئة التصنيع.
  • Azure.

بعد التوزيع، ستستمر في إنشاء حل PdM وصيانتها.

باستخدام Azure، يمكنك تدريب النماذج واختبارها وفقًا للتقنية التي تختارها. يمكنك استخدام GPU، وصفائف البوابات المنطقية القابلة للبرمجة (FPGA)، وCPU، وأجهزة الذاكرة الكبيرة، وما إلى ذلك. يحتضن Azure تمامًا الأدوات لمصدر مفتوح التي يستخدمها علماء البيانات، مثل R وPython. عند اكتمال التحليل، يمكن عرض النتائج في جوانب أخرى من لوحة المعلومات أو في تقارير أخرى. يمكن أن تظهر هذه التقارير في أدوات مخصصة أو في أدوات إعداد التقارير مثل Power BI.

مهما كانت احتياجاتك الخاصة بـ PdM، فإن Azure لديه الأدوات، والقياس، والإمكانيات لإنشاء حل قوي.

الشروع في العمل

ينتج عن الكثير من المعدات الموجودة في أرض المصنع لتوليد البيانات. ابدأ في جمعها في أسرع وقت ممكن. عند حدوث حالات الفشل، اطلب من علماء البيانات تحليل البيانات لإنشاء نماذج لاكتشاف حالات الفشل المستقبلية. مع اكتساب المعلومات لاكتشاف حالات الفشل، انتقل إلى الوضع التنبئي حيث تقوم بإصلاح المكونات أثناء فترة التعطل المخطط لها. يوفر Predictive Maintenance Modeling Guide إرشادات قوية لإنشاء أجزاء التعلم الآلي من الحل.

إذا كنت تريد معرفة المزيد حول إنشاء النماذج، فإننا نوصي بزيارة أسس علم البيانات للتعلم الآلي. تعرّفك الوحدة النمطية Introduction to Azure Machine Learning على أدوات Azure.

المكونات

  • Azure Blob Storage عبارة عن تخزين عنصر آمن وقابل للتطوير للبيانات غير المنظمة. يمكنك استخدامه للأرشيفات وبحيرات البيانات والحوسبة عالية الأداء والتعلم الآلي وأحمال العمل السحابية الأصلية.

  • Azure Cosmos DB عبارة عن قاعدة بيانات NoSQL خدمة مدارة بشكل كامل وذات استجابة عالية وقابلة لتغيير الحجم لتطوير التطبيقات الحديثة. توفر أماناً على مستوى المؤسسات وتدعم واجهات برمجة التطبيقات للعديد من قواعد البيانات واللغات والأنظمة الأساسية. ومن الأمثلة على ذلك SQL وMongoDB وGremlin وTable وApache Cassandra. تعمل خيارات التحجيم التلقائي بلا خادم في Azure Cosmos DB على إدارة متطلبات السعة للتطبيقات بكفاءة.

  • Azure Data Lake Storage هي خدمة تخزين آمنة وقابلة للتطوير بشكل كبير لأحمال عمل التحليلات عالية الأداء. تأتي البيانات عادةً من مصادر متعددة غير متجانسة، وقد تكون منظمة أو شبه منظمة أو غير منظمة. يجمع Data Lake Storage Gen2 بين إمكانيات Data Lake Storage Gen1 مع Blob Storage، ويوفر دلالات نظام الملفات، وأمان على مستوى الملف، والقياس. ولكنها توفر أيضًا التخزين المتدرج وقابلية الوصول العالية وقدرات الإصلاح بعد كارثة لـ Blob Storage.

  • تعد Azure Event Hubs نظامًا أساسيًا لدفق البيانات قابل للتحجيم بدرجة كبيرة وخدمة دفق الأحداث، وهي قادرة على تلقي ومعالجة ملايين الأحداث في الثانية. يمكن لـ Event Hubs معالجة الأحداث أو البيانات أو بيانات تتبع الاستخدام التي تنتجها البرامج والأجهزة الموزعة وتخزينها. يمكن تحويل البيانات المرسلة إلى مركز الأحداث وتخزينها باستخدام أي موفر تحليلات في الوقت الحقيقي أو محولات تجميع وتخزين. توفر Event Hubs إمكانات التوزيع والاشتراك بزمن انتقال منخفض على نطاق واسع، مما يجعلها مناسبة لسيناريوهات البيانات الضخمة.

  • يوزع Azure IoT Edge أحمال العمل السحابية للتشغيل على أجهزة الحافة عبر الحاويات القياسية. يمكن لأجهزة IoT Edge الذكية الاستجابة بسرعة وبدون اتصال بالإنترنت، مما يقلل من استخدام زمن الانتقال والنطاق الترددي ويزيد الموثوقية. يمكنه أيضًا الحد من التكاليف عن طريق المعالجة المسبقة وإرسال البيانات الضرورية فقط إلى السحابة. يمكن للأجهزة تشغيل الوحدات النمطية للذكاء الاصطناعي والتعلم الآلي، وخدمات Azure والجهات الخارجية، ومنطق الأعمال المخصص.

  • Azure IoT Hub هي خدمة مدارة بشكل كامل تتيح اتصالات ثنائية الاتجاه موثوقة وآمنة بين الملايين من أجهزة إنترنت الأشياء ونهاية خلفية مستند إلى السحابة. توفر مصادقة لكل جهاز وتوجيه الرسائل والتكامل مع خدمات Azure الأخرى وميزات الإدارة للتحكم في الأجهزة وتكوينها.

  • Azure Machine Learning هي خدمة تعلم آلي على مستوى المؤسسة لبناء النماذج ونشرها بسرعة. إنها توفر للمستخدمين على جميع مستويات المهارة مصممة برمز منخفض وتعلم آلي تلقائي وبيئة دفاتر Jupyter مستضافة تدعم IDEs المختلفة.

    يمكّن التعلم الآلي أجهزة الكمبيوتر من التعلم من البيانات والتجارب والتصرف دون أن تكون مبرمجة بشكل صريح. يمكن للعملاء إنشاء تطبيقات الذكاء الاصطناعي التي تستشعر المعلومات وتعالجها وتتصرف بناءً عليها بذكاء، وتزيد من القدرات البشرية، وتزيد السرعة والكفاءة، وتساعد المؤسسات على تحقيق المزيد.

  • Azure Service Busهو وسيط رسائل مؤسسي مُدار بالكامل مع قوائم انتظار الرسائل وموضوعات النشر والاشتراك. يتم استخدامه لتوصيل التطبيقات والخدمات والأجهزة. جنبًا إلى جنب مع Azure Relay، يمكن لـ Service Bus الاتصال بالتطبيقات والخدمات المستضافة عن بُعد.

  • Azure SQL هي عائلة من قواعد بيانات SQL السحابية التي تُوفر تجربة مُوحدة لمجموعة SQL بأكملها، ومجموعة واسعة من خيارات التوزيع من الحافة إلى السحابة.

  • Azure SQL Database، هي جزءٌ من عائلة Azure SQL، وهي عبارة عن نظام أساسي مُدار بالكامل كمحرك للنظام الأساسي كخدمة (PaaS). يتم تشغيلها دائمًا على أحدث إصدار ثابت من محرك قاعدة بيانات SQL Server ونظام التشغيل المصحح. إنها تتعامل مع معظم وظائف إدارة قواعد البيانات نيابة عنك، بما في ذلك الترقية والتصحيح والنسخ الاحتياطي والمراقبة. فهي توفر أوسع توافق لمحرك SQL Server، بحيث يمكنك ترحيل قواعد بيانات SQL Server دون تغيير تطبيقاتك.

  • Power BI عبارة عن مجموعة من أدوات تحليلات الأعمال التي توفر القدرات اللازمة لإنشاء تصورات بيانات تفاعلية غنية. تتضمن الخدمات والتطبيقات والموصلات التي يمكنها تحويل مصادر البيانات غير ذات الصلة إلى نتيجة تحليلات مترابطة وغامرة مرئية وتفاعلية. يمكن لـ Power BI الاتصال بمئات من مصادر البيانات وتبسيط إعداد البيانات ودعم التحليل المخصص.

  • Azure Data Explorer هي خدمة استكشاف بيانات سريعة وقابلة لتغيير الحجم بدرجة كبيرة لبيانات السجل والقياس عن بُعد. يمكنك استخدام Azure Data Explorer لتطوير خدمة التسلسل الزمني. Azure Data Explorer يتضمن دعماً أصلياً لإنشاء تسلسلات زمنية متعددة ومعالجتها وتحليلها باستخدام حلول المراقبة ومهام سير العمل في الوقت الحقيقي تقريباً.

    يمكن لـ Azure Data Explorer جلب البيانات من Azure IoT Hub ومراكز الأحداث وAzure Stream Analytics وPower Automate وAzure Logic Apps وKafka وApache Spark والعديد من الخدمات والأنظمة الأساسية الأخرى. الابتلاع قابل لتغيير الحجم، وليس هناك حدود. تتضمن تنسيقات عرض Azure Data Explorer المدعومة JSON وCSV وAvro وParquet وORC وTXT وتنسيقات أخرى.

  • تتيح لك واجهة مستخدم ويب Azure Data Explorer تشغيل الاستعلامات وإنشاء لوحات معلومات تصور البيانات. يتكامل Azure Data Explorer أيضا مع خدمات لوحة المعلومات الأخرى مثل Power BI وGrafana وأدوات تصور البيانات الأخرى التي تستخدم موصلات ODBC وJDBC. يدعم موصل Azure Data Explorer الأصلي المحسن لـ Power BI الاستعلام المباشر أو وضع الاستيراد، بما في ذلك معلمات الاستعلام وعوامل التصفية. لمزيد من المعلومات، راجع تصور البيانات باستخدام Azure Data Explorer.

الخاتمة

تعمل PdM على تحسين جداول الصيانة الوقائية من خلال تحديد مكونات معينة للفحص والإصلاح أو الاستبدال. إنها تتطلب أجهزة مزودة بأدوات ومتصلة لتوفير البيانات لبناء حلول PdM.

يمكن أن تساعدك البنية الأساسية لـ Microsoft في إنشاء حلول تعمل على الجهاز وعلى الحافة وفي السحابة. هناك العديد من الموارد لمساعدتك على البدء.

للبدء، اختر أول واحد إلى ثلاث حالات فشل تريد منعها وابدأ عملية الاكتشاف الخاصة بك بهذه العناصر. بعد ذلك، حدد كيفية الحصول على البيانات التي تساعد في تحديد حالات الفشل. اجمع بين هذه البيانات والمهارات التي تحصل عليها من الدورة التدريبية أسس علم البيانات للتعلم الآلي لبناء نماذج PdM الخاصة بك.

المساهمون

تحتفظ Microsoft بهذه المقالة. وهي مكتوبة في الأصل من قبل المساهمين التاليين.

الكاتب الرئيسي:

الخطوات التالية