A prediktív karbantartás (PdM) előrejelzi, hogy a karbantartásnak kerülnie kell a nem ütemezett állásidővel járó költségeket. Az eszközökhöz való csatlakozással és az eszközök által előállított adatok monitorozásával azonosíthatja azokat a mintákat, amelyek potenciális problémákhoz vagy hibákhoz vezetnek. Ezeket az elemzéseket ezután felhasználhatja a problémák megoldására, mielőtt azok bekövetkeznének. A berendezések vagy eszközök karbantartásra szoruló állapotának előrejelzése lehetővé teszi a berendezések élettartamának optimalizálását és az állásidő minimalizálását.
A PdM kinyeri azokat az adatokat, amelyeket a berendezés állít elő az üzlethelyiségben, majd ezekre a megállapításokra hat. A PdM ötlete az 1990-es évek elejére nyúlik vissza. A PdM kibővíti a rendszeres ütemezett megelőző karbantartást. Az érzékelőknek az adatok létrehozására való rendelkezésre állása, valamint az adatok gyűjtéséhez és elemzéséhez szükséges számítási erőforrások hiánya megnehezítette a PdM implementálását. Ma a dolgok internetes hálózatának (IoT), a felhőalapú számítástechnika, az adatelemzés és a gépi tanulás fejlődése miatt a PdM általánosan elterjedt lehet.
A PDM-hez olyan érzékelők adataira van szükség, amelyek figyelik a berendezést és más működési adatokat. A PdM rendszer elemzi az adatokat, és tárolja az eredményeket. Az emberek az elemzés alapján cselekszenek.
A cikkben szereplő háttér bemutatása után bemutatjuk, hogyan implementálhatja a PdM-megoldás különböző részeit a helyszíni adatok, az Azure Machine Tanulás és a gépi tanulási modellek kombinációjával. A PdM nagymértékben támaszkodik az adatokra a döntések meghozatalához, ezért először az adatgyűjtést tekintjük át. Az adatokat össze kell gyűjteni, majd fel kell használni a folyamatban lévő események kiértékelésére, valamint arra, hogy a jövőben jobb prediktív modelleket építsenek ki. Végül elmagyarázzuk, hogyan néz ki egy elemzési megoldás, beleértve az elemzési eredmények vizualizációját egy olyan jelentéskészítő eszközben, mint a Microsoft Power BI.
Karbantartási stratégiák
A gyártás történetében számos karbantartási stratégia jelent meg:
- A reaktív karbantartás elhárítja a problémákat azok bekövetkezése után.
- A megelőző karbantartás kijavítja a problémákat, mielőtt bekövetkeznének, ha a korábbi meghibásodási tapasztalatok alapján egy karbantartási ütemtervet követ.
- A PDM a problémákat is kijavítja, mielőtt azok bekövetkeznének, de a berendezés tényleges kihasználtságát veszi figyelembe a rögzített ütemezés helyett.
A három közül a PdM volt a legnehezebb az adatgyűjtésre, feldolgozásra és vizualizációra vonatkozó korlátozások miatt. Vizsgáljuk meg részletesebben ezeket a stratégiákat.
Reaktív karbantartás
A reaktív karbantartás csak akkor nyújtja az objektumot, ha az eszköz meghibásodik. Az öttengelyes CNC-megmunkáló központ motorja például csak akkor lesz szervizelve, ha nem működik. A reaktív karbantartás maximalizálja az összetevők élettartamát. Egyéb problémák mellett ismeretlen mennyiségű állásidőt és váratlan járulékos károkat is eredményez, amelyeket a hibás összetevők okoznak.
Megelőző karbantartás
Megelőző karbantartási szolgáltatások eszközei előre meghatározott időközönként. Az eszköz időköze általában az eszköz ismert meghibásodási gyakoriságán, előzményteljesítményén, szimulációin és statisztikai modellezésén alapul. A megelőző karbantartás előnye, hogy növeli az üzemidőt, kevesebb meghibásodást eredményez, és lehetővé teszi a karbantartást. A hátránya sok esetben az, hogy a lecserélt összetevő egy kis élet maradt. Ez túlkarbantartást és hulladékot eredményez. A tükrözés oldalán az alkatrészek az ütemezett karbantartás előtt meghibásodhatnak. Valószínűleg jól ismeri a megelőző karbantartást: minden egyes üzemóra (vagy más metrika) után leállítja a gépet, megvizsgálja, és lecseréli a kicserélendő alkatrészeket.
Pdm
A PdM modellek használatával jelzi előre, hogy egy objektum valószínűleg meghibásodik-e egy összetevővel, így az igény szerinti karbantartás ütemezhető. A PDM az üzemidő és az eszköz élettartamának maximalizálásával javítja a korábbi stratégiákat. Mivel a berendezést olyan időpontokban szervizeli, amelyek közel állnak az alkatrész maximális élettartamához, kevesebb pénzt költ a munkadarabok cseréjére. A hátránya az, hogy a PdM igény szerint történő végrehajtása nehezebb, mivel rugalmasabb és rugalmasabb szolgáltatásszervezést igényel. Térjen vissza az 5 tengelyes CNC-megmunkáló központ motorjára, a PdM segítségével a karbantartást kényelmes időpontban ütemezheti, amely közel esik a motor várható meghibásodási idejéhez.
A PdM különböző módjai
A gyártó a PdM használatával monitorozhatja saját gyártási műveleteit. Emellett olyan módokon is használhatja, amelyek új üzleti lehetőségeket és bevételi forrásokat biztosítanak. Példa:
- A gyártó a termékeihez pdM-szolgáltatásokat kínálva hozzáadott értéket az ügyfelei számára.
- A gyártó a termékeit szolgáltatásként nyújtott termékmodell keretében kínálja, amelyben az ügyfelek a vásárlás helyett feliratkoznak a termékre. Ebben a modellben a gyártó maximalizálni szeretné a termék üzemidejét, mivel a termék nem hoz létre bevételt, ha nem működik.
- A vállalat PdM-termékeket és -szolgáltatásokat biztosít más gyártók által gyártott termékekhez.
PdM-megoldás létrehozása
PdM-megoldás létrehozásához az adatokkal kezdjük. Ideális esetben az adatok normál működést és a berendezés állapotát mutatják meghibásodások előtt, alatt és után. Az adatok érzékelőkből, a berendezés-üzemeltetők által karbantartott jegyzetekből, a futtatási információkból, a környezeti adatokból, a gép specifikációiból és így tovább származnak. A rekordrendszerek lehetnek történészek, gyártási végrehajtási rendszerek, vállalati erőforrás-tervezés (ERP) stb. Az adatok különböző módokon érhetők el elemzésekhez. Az alábbi ábra a Csapat Adattudomány folyamatot (TDSP) szemlélteti. A folyamat a gyártáshoz van testre szabva, és kiválóan elmagyarázza a gépi tanulási modellek létrehozása és végrehajtása során felmerülő különböző aggodalmakat.
Az első feladat az előrejelezni kívánt hibák típusainak azonosítása. Ezt szem előtt tartva azonosíthatja azokat az adatforrásokat, amelyek releváns adatokkal rendelkeznek az adott hibatípusról. A folyamat a környezetből szerzi be az adatokat a rendszerbe. Az adattudósok kedvenc gépi tanulási eszközeikkel készítik elő az adatokat. Ezen a ponton készen állnak arra, hogy olyan modelleket hozzanak létre és tanítsanak be, amelyek különböző típusú problémákat képesek azonosítani. A modellek a következő kérdésekre válaszolnak:
- Az objektum esetében mi a valószínűsége annak, hogy a következő X órán belül bekövetkezik a hiba? Válasz: 0-100%
- Mi az eszköz fennmaradó hasznos élettartama? Válasz: X óra
- Szokatlan módon viselkedik ez az eszköz? Válasz: Igen vagy Nem
- Melyik eszközhöz van szükség a legsürgetőbb karbantartásra? Válasz: X objektum
A fejlesztés után a modellek a következő módon futtathatók:
- Maga a berendezés öndiagnosztika.
- Éleszköz a gyártási környezetben.
- Azure.
Az üzembe helyezés után továbbra is létre kell készítenie és fenntartania a PdM-megoldást.
Az Azure-ral betanítheti és tesztelheti a modelleket a választott technológián. Használhat GPU-kat, mezőre programozható kaputömböket (FPGA-kat), CPU-kat, nagy memóriás gépeket stb. Az Azure teljes mértékben magában foglalja az adatelemzők által használt nyílt forráskódú eszközöket, például az R-t és a Pythont. Az elemzés befejeződése után az eredmények megjeleníthetők az irányítópult más aspektusaiban vagy más jelentésekben. Ezek a jelentések megjelenhetnek egyéni eszközökben vagy olyan jelentéskészítő eszközökben, mint a Power BI.
Bármire is van szüksége a PdM-nek, az Azure rendelkezik a szilárd megoldás létrehozásához szükséges eszközökkel, méretezéssel és képességekkel.
Első lépések
A gyár padlóján található sok berendezés generál adatokat. A lehető leghamarabb kezdje el gyűjteni. A hibák bekövetkezésekor az adattudósok elemezzék az adatokat, hogy modelleket hozzanak létre a jövőbeli hibák észleléséhez. Ahogy a tudás a hibaészlelésről épül, váltsa át a prediktív módba, ahol az összetevőket a tervezett állásidő során kijavíthatja. A prediktív karbantartási modellezési útmutató szilárd útmutatót nyújt a megoldás gépi tanulási elemeinek elkészítéséhez.
Ha többet szeretne megtudni a modellek készítéséről, javasoljuk, hogy látogasson el az adatelemzés alapjaihoz a gépi tanuláshoz. Az Azure Machine Tanulás Learn modul bemutatja az Azure-eszközöket.
Összetevők
Az Azure Blob Storage skálázható és biztonságos objektumtároló strukturálatlan adatokhoz. Használhatja archívumokhoz, adattavakhoz, nagy teljesítményű számítástechnikához, gépi tanuláshoz és natív felhőbeli számítási feladatokhoz.
Az Azure Cosmos DB egy teljes mértékben felügyelt, rendkívül rugalmas, méretezhető NoSQL-adatbázis a modern alkalmazásfejlesztéshez. Nagyvállalati szintű biztonságot nyújt, és számos adatbázishoz, nyelvhez és platformhoz támogatja az API-kat. Ilyen például az SQL, a MongoDB, a Gremlin, a Table és az Apache Cassandra. Az Azure Cosmos DB kiszolgáló nélküli automatikus skálázási lehetőségei hatékonyan kezelik az alkalmazások kapacitásigényét.
Az Azure Data Lake Storage egy nagymértékben skálázható és biztonságos tárolási szolgáltatás a nagy teljesítményű elemzési számítási feladatokhoz. Az adatok általában több heterogén forrásból származnak, és strukturálhatók, részben strukturálhatók vagy strukturálatlanok. A Data Lake Storage Gen2 egyesíti a Data Lake Storage Gen1 képességeit a Blob Storage szolgáltatással, és fájlrendszerszemantikát, fájlszintű biztonságot és skálázást biztosít. Emellett a Blob Storage rétegzett tárolási, magas rendelkezésre állási és vészhelyreállítási képességeit is kínálja.
Az Azure Event Hubs egy nagy mértékben méretezhető adatstreamelési platform és eseménybetöltési szolgáltatás, amely másodpercenként több millió esemény fogadására és feldolgozására képes. Az Event Hubs képes az elosztott szoftverek és eszközök által generált események, adatok vagy telemetria feldolgozására és tárolására. Az eseményközpontba küldött adatok átalakíthatók és tárolhatók bármilyen valós idejű elemzési szolgáltató, kötegelési és tárolási adapter használatával. Az Event Hubs nagy léptékű, alacsony késésű közzétételi-feliratkozási képességeket biztosít, ami a big data-forgatókönyvekhez is megfelelő.
Az Azure IoT Edge felhőbeli számítási feladatokat helyez üzembe a peremeszközökön való futtatáshoz standard tárolókon keresztül. Az IoT Edge intelligens eszközei gyorsan és offline reagálhatnak, csökkentve a késést és a sávszélesség-használatot, valamint növelik a megbízhatóságot. A költségek korlátozásához előfeldolgozást és csak a szükséges adatok felhőbe küldését is megtehetik. Az eszközök AI- és gépi tanulási modulokat, Azure- és külső szolgáltatásokat, valamint egyéni üzleti logikát futtathatnak.
Az Azure IoT Hub egy teljes mértékben felügyelt szolgáltatás, amely megbízható és biztonságos kétirányú kommunikációt tesz lehetővé több millió IoT-eszköz és egy felhőalapú háttérrendszer között. Eszközenkénti hitelesítést, üzenet-útválasztást, más Azure-szolgáltatásokkal való integrációt és felügyeleti funkciókat biztosít az eszközök vezérléséhez és konfigurálásához.
Az Azure Machine Tanulás egy nagyvállalati szintű gépi tanulási szolgáltatás modellek gyors létrehozásához és üzembe helyezéséhez. Minden készségszinten kínál felhasználók számára alacsony kódszámú tervezőt, automatizált gépi tanulást és egy üzemeltetett Jupyter notebook környezetet, amely támogatja a különböző azonosítókat.
A gépi tanulás lehetővé teszi a számítógépek számára, hogy tanuljanak az adatokból és a tapasztalatokból, külön programozás nélkül. Az ügyfelek olyan AI-alkalmazásokat hozhatnak létre, amelyek intelligensen érzékelik, feldolgozzák és kezelik az információkat, bővítik az emberi képességeket, növelik a sebességet és a hatékonyságot, és segítenek a szervezeteknek abban, hogy többet érjenek el.
Az Azure Service Bus egy teljes körűen felügyelt vállalati üzenetközvetítő üzenetsorokkal és közzétételi feliratkozási témakörökkel. Alkalmazások, szolgáltatások és eszközök csatlakoztatására szolgál. Az Azure Relayrel együtt a Service Bus képes csatlakozni a távolról üzemeltetett alkalmazásokhoz és szolgáltatásokhoz.
Az Azure SQL sql-felhőadatbázisok családja, amely egységes felületet biztosít a teljes SQL-portfolióhoz, valamint az üzembe helyezési lehetőségek széles skáláját kínálja a peremhálózattól a felhőig.
Az Azure SQL-család részét képező Azure SQL Database egy teljes mértékben felügyelt platform szolgáltatásként (PaaS) adatbázismotorként. Mindig az SQL Server adatbázismotor legújabb stabil verzióján és a javított operációs rendszeren fut. Ez kezeli a legtöbb adatbázis-kezelési funkciót, beleértve a frissítést, a javítást, a biztonsági mentéseket és a monitorozást. Ez a legszélesebb körű SQL Server-motorkompatibilitást biztosítja, így az alkalmazások módosítása nélkül migrálhatja az SQL Server-adatbázisokat.
A Power BI egy üzleti elemzési eszközökből álló csomag, amely gazdag interaktív adatvizualizációk létrehozásához nyújt képességeket. Olyan szolgáltatásokat, alkalmazásokat és összekötőket tartalmaz, amelyek a nem kapcsolódó adatforrásokat koherens, vizuálisan modern és interaktív megállapításokká alakíthatják. A Power BI több száz adatforráshoz csatlakozhat, egyszerűbbé teheti az adatok előkészítését, és támogathatja az alkalmi elemzést.
Az Azure Data Explorer egy gyors és nagy mértékben méretezhető adatfeltárási szolgáltatás a napló- és telemetriaadatokhoz. Az Azure Data Explorerrel idősorozat-szolgáltatást fejleszthet. Az Azure Data Explorer natív támogatást nyújt több idősor létrehozásához, kezeléséhez és elemzéséhez, közel valós idejű monitorozási megoldásokkal és munkafolyamatokkal.
Az Azure Data Explorer az Azure IoT Hubról, az Azure Event Hubsból, az Azure Stream Analyticsből, a Power Automate-ből, az Azure Logic Appsből, a Kafkából, az Apache Sparkból és sok más szolgáltatásból és platformról is betölthet adatokat. A betöltés méretezhető, és nincsenek korlátok. Az Azure Data Explorer által támogatott betöltési formátumok közé tartozik a JSON, CSV, Avro, Parquet, ORC, TXT és egyéb formátumok.
Az Azure Data Explorer webes felhasználói felülete lehetővé teszi lekérdezések futtatását és adatvizualizációs irányítópultok készítését. Az Azure Data Explorer más irányítópult-szolgáltatásokkal is integrálható, például a Power BI, a Grafana és más, ODBC- és JDBC-összekötőket használó adatvizualizációs eszközökkel. A Power BI-hoz optimalizált natív Azure Data Explorer-összekötő támogatja a közvetlen lekérdezési vagy importálási módot, beleértve a lekérdezési paramétereket és a szűrőket. További információ: Adatvizualizáció az Azure Data Explorerrel.
Összegzés
A PdM javítja a megelőző karbantartási ütemterveket azáltal, hogy azonosítja azokat az összetevőket, amelyek vizsgálatára és javítására vagy cseréjére van lehetőség. A PdM-megoldások létrehozásához olyan gépekre van szükség, amelyek rendszerezettek és csatlakoztatva vannak ahhoz, hogy adatokat adjanak meg.
A Microsoft infrastruktúrája segít az eszközön, a peremhálózaton és a felhőben futó megoldások létrehozásában. Az első lépésekhez számos erőforrás áll rendelkezésre.
Első lépésként válassza ki az első 1-3 hibát, amelyet meg szeretne akadályozni, és kezdje el a felderítési folyamatot ezekkel az elemekkel. Ezután határozza meg, hogyan kérhet le olyan adatokat, amelyek segítenek azonosítani a hibákat. Kombinálja ezeket az adatokat azokkal a készségekkel, amelyeket az adatelemzés alapjaiból szerezhet a gépi tanuláshoz a PdM-modellek létrehozásához.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerző:
- Scott Seely | Szoftvertervező
Következő lépések
- Az Azure Blob Storage bemutatása
- Azure Cosmos DB-dokumentáció
- Az Azure Data Lake Storage Gen1 dokumentációja
- Az Azure Event Hubs dokumentációja
- Az Azure IoT Edge dokumentációja
- Az Azure IoT Hub dokumentációja
- Az Azure Machine Learning dokumentációja
- Az Azure Service Bus Üzenetkezelési dokumentációja
- Az Azure Relay dokumentációja
- Azure SQL-dokumentáció
- Power BI-dokumentáció
- Idősorelemzés az Azure Data Explorerben