Modifica

Introduzione alla manutenzione predittiva nel settore della produzione

Azure Data Lake Storage
Hub eventi di Azure
Hub IoT Azure
Azure IoT Edge
Azure Machine Learning

La manutenzione predittiva (PdM) prevede che la manutenzione debba evitare costi associati a tempi di inattività non pianificati. Connettendosi ai dispositivi e monitorando i dati prodotti dai dispositivi, è possibile identificare i modelli che causano potenziali problemi o errori. È quindi possibile usare queste informazioni dettagliate per affrontare i problemi prima che si verifichino. La capacità di prevedere il momento in cui è necessario eseguire la manutenzione di attrezzature o risorse consente di ottimizzare la durata delle attrezzature e di ridurre al minimo i tempi di inattività.

PdM estrae informazioni dettagliate dai dati prodotti dall'attrezzatura sul pavimento del negozio e quindi agisce su queste informazioni dettagliate. L'idea del PdM torna ai primi anni '990. PdM aumenta regolarmente la manutenzione preventiva pianificata. All'inizio, l'indisponibilità dei sensori per generare dati e la mancanza di risorse di calcolo per raccogliere e analizzare i dati, ha reso difficile implementare PdM. Oggi, a causa di progressi in Internet of Things (IoT), cloud computing, analisi dei dati e Machine Learning, PdM può andare mainstream.

PdM richiede dati dai sensori che monitorano le apparecchiature e altri dati operativi. Il sistema manutenzione predittiva analizza i dati e archivia i risultati. L'uomo agisce in base all'analisi.

Dopo aver presentato alcuni background in questo articolo, viene illustrato come implementare le varie parti di una soluzione PdM usando una combinazione di dati locali, Azure Machine Learning e modelli di Machine Learning. Le decisioni di manutenzione predittiva si basano principalmente sui dati, pertanto si parlerà innanzitutto di raccolta dei dati. I dati devono essere raccolti e quindi usati per valutare ciò che accade ora, nonché usati per creare modelli predittivi migliori in futuro. Infine, viene illustrato come appare una soluzione di analisi, inclusa la visualizzazione dei risultati dell'analisi in uno strumento di report come Microsoft Power BI.

Strategie di manutenzione

Nella storia della produzione sono emerse diverse strategie di manutenzione:

  • La manutenzione reattiva corregge gli errori dopo che si sono verificati.
  • La manutenzione preventiva corregge gli errori prima che si verifichino seguendo una manutenzione pianificata che si basa sugli errori che si sono verificati in precedenza.
  • PdM risolve anche i problemi prima che si verifichino, ma considera l'utilizzo effettivo delle apparecchiature anziché lavorare da una pianificazione fissa.

Dei tre, PdM è stato il più difficile da raggiungere a causa di limitazioni sulla raccolta dati, l'elaborazione e la visualizzazione. Esaminiamo in dettaglio ognuna di queste strategie.

Manutenzione reattiva

Servizi di manutenzione reattivi l'asset solo quando l'asset ha esito negativo. Ad esempio, il motore del centro di lavorazione CNC a 5 assi viene usato solo quando si arresta il funzionamento. La manutenzione reattiva ottimizza la durata dei componenti. Introduce anche, tra gli altri problemi, quantità sconosciute di tempi di inattività e danni collaterali imprevisti causati da componenti non riusciti.

Diagramma che illustra la manutenzione reattiva.

Manutenzione preventiva

Risorse dei servizi di manutenzione preventiva a intervalli pre-determinati. L'intervallo per un asset è in genere basato sulla frequenza di errore nota dell'asset, sulle prestazioni storiche, sulle simulazioni e sulla modellazione statistica. Il vantaggio della manutenzione preventiva è che aumenta il tempo di attività, comporta un minor numero di errori e consente la pianificazione della manutenzione. Il lato negativo in molti casi è che il componente sostituito ha qualche vita lasciato. Questo comporta sprechi e manutenzione eccessiva. Sul lato capovolgimento, le parti possono non riuscire prima della manutenzione pianificata. Probabilmente si conosce la manutenzione preventiva: dopo ogni set di ore di operazione (o alcune altre metriche), si arresta il computer, controllarlo e sostituire tutte le parti che sono dovute a essere sostituite.

Diagramma che illustra la manutenzione preventiva.

Pdm

PdM usa i modelli per prevedere quando un asset ha esito negativo, in modo che la manutenzione just-in-time possa essere pianificata. PdM migliora le strategie precedenti ottimizzando sia il tempo di attività che la vita degli asset. Poiché l'attrezzatura viene eseguita in momenti vicini alla durata massima del componente, si spendono meno soldi sostituendo parti di lavoro. Il lato negativo è che la natura just-in-time di PdM è più difficile da eseguire poiché richiede un'organizzazione di servizi più reattiva e flessibile. Tornare al motore del centro di lavorazione CNC a 5 assi, con PdM si pianifica la sua manutenzione in un momento pratico che è vicino al tempo previsto di errore del motore.

Diagramma che illustra PdM.

Diversi modi in cui è possibile offrire PdM

Un produttore può usare PdM per monitorare le proprie operazioni di produzione. Può anche usarla in modi che forniscono nuove opportunità aziendali e flussi di ricavi. Ad esempio:

  • Un produttore aggiunge valore ai suoi clienti offrendo servizi PdM per i suoi prodotti.
  • Un produttore offre i suoi prodotti sotto un modello Product-as-a-Service in cui i clienti sottoscrivono il prodotto anziché acquistarlo. In questo modello, il produttore vuole ottimizzare il tempo di attività del prodotto, poiché il prodotto non genera ricavi quando non funziona.
  • Un'azienda fornisce prodotti e servizi PdM per i prodotti da altri produttori.

Creazione di una soluzione PdM

Per creare una soluzione PdM, iniziamo con i dati. Idealmente i dati mostrano la normale operazione e lo stato dell'apparecchiatura prima, durante e dopo gli errori. I dati provengono da sensori, note gestite dagli operatori di apparecchiature, eseguono informazioni, dati ambientali, specifiche del computer e così via. I sistemi di record possono includere storici, sistemi di esecuzione di produzione, pianificazione delle risorse aziendali (ERP) e così via. I dati vengono resi disponibili per l'analisi in diversi modi. Il diagramma seguente illustra il processo di Data Science team (TDSP). Il processo è personalizzato per la produzione e offre un ottimo lavoro per spiegare le varie preoccupazioni che si hanno durante la compilazione e l'esecuzione di modelli di Machine Learning.

Il diagramma riepiloga il processo di Data Science team.

La prima attività consiste nell'identificare i tipi di errori da prevedere. Con questo aspetto, si identificano quindi le origini dati che dispongono di dati pertinenti sul tipo di errore. La pipeline inserisce i dati nel sistema dall'ambiente in uso. I data scientist usano i propri strumenti di Machine Learning preferiti per preparare i dati. A questo punto, sono pronti per creare e eseguire il training di modelli che possono identificare diversi tipi di problemi. I modelli rispondono a domande come:

  • Per l'asset, qual è la probabilità che si verifichi un errore entro le prossime ore X? Risposta: 0-100%
  • Qual è la vita utile rimanente dell'asset? Risposta: X ore
  • La risorsa si comporta in modo anomalo? Risposta: sì o no
  • Quale risorsa richiede una manutenzione più urgente? Risposta: la risorsa X

Dopo aver sviluppato, i modelli possono essere eseguiti in:

  • L'attrezzatura stessa per la diagnostica automatica.
  • Dispositivo perimetrale nell'ambiente di produzione.
  • Azure.

Dopo la distribuzione, continuare a compilare e gestire la soluzione PdM.

Con Azure è possibile eseguire il training e testare i modelli sulla tecnologia preferita. È possibile usare GPU, matrici di gate programmabili da campo (FPGA), CPU, computer di memoria di grandi dimensioni e così via. Azure abbraccia completamente gli strumenti open source usati dai data scientist, ad esempio R e Python. Al completamento dell'analisi, i risultati possono essere visualizzati in altri facet del dashboard o in altri report. Questi report possono essere visualizzati in strumenti personalizzati o in strumenti di creazione di report come Power BI.

Indipendentemente dalle esigenze di PdM, Azure ha gli strumenti, la scalabilità e le funzionalità per creare una soluzione solida.

Introduzione

Un sacco di attrezzature trovate sul pavimento della fabbrica genera dati. Iniziare a raccoglierlo il prima possibile. Quando si verificano errori, i data scientist analizzano i dati per creare modelli per rilevare gli errori futuri. Man mano che le conoscenze si basa sul rilevamento degli errori, passare alla modalità predittiva in cui si correggeno i componenti durante i tempi di inattività pianificati. La Guida alla modellazione di manutenzione predittiva fornisce una procedura dettagliata solida per la creazione di parti di Machine Learning della soluzione.

Per visualizzare un esempio di soluzione, esaminare la soluzione, la guida e il playbook per Manutenzione predittiva nel settore aerospaziale. Per informazioni sulla creazione di modelli, è consigliabile visitare Le basi per l'analisi scientifica dei dati per Machine Learning. Il modulo Introduzione a Azure Machine Learning Learn introduce gli strumenti di Azure.

Componenti

  • Archiviazione BLOB di Azure è scalabile e sicura l'archiviazione degli oggetti per i dati non strutturati. È possibile usarlo per archivi, data lake, calcolo ad alte prestazioni, machine learning e carichi di lavoro nativi del cloud.

  • Azure Cosmos DB è un database NoSQL completamente gestito, altamente reattivo e scalabile per lo sviluppo di app moderne. Offre sicurezza di livello aziendale e supporta API per molti database, lingue e piattaforme. Alcuni esempi includono SQL, MongoDB, Gremlin, Table e Apache Cassandra. Opzioni di scalabilità automatica serverless in Azure Cosmos DB gestiscono in modo efficiente le richieste di capacità delle applicazioni.

  • Azure Data Lake Storage è un servizio di archiviazione altamente scalabile e sicuro per carichi di lavoro di analisi ad alte prestazioni. I dati provengono in genere da più origini eterogenee e possono essere strutturati, semistrutturati o non strutturati. Data Lake Storage Gen2 combina funzionalità di Data Lake Storage Gen1 con Archiviazione BLOB e fornisce semantiche del file system, sicurezza a livello di file e scalabilità. Offre anche le funzionalità di archiviazione a livelli, disponibilità elevata e ripristino di emergenza dell'archiviazione BLOB.

  • Hub eventi di Azure è una piattaforma di streaming di dati e un servizio di inserimento degli eventi estremamente scalabile, che consente di ricevere ed elaborare milioni di eventi al secondo. Hub eventi consente di elaborare e archiviare eventi, dati o dati di telemetria generati dal software distribuito e dai dispositivi. I dati inviati a un hub eventi possono essere trasformati e archiviati usando qualsiasi provider di analisi in tempo reale o adattatori di archiviazione e batch. Hub eventi offre funzionalità di pubblicazione-sottoscrizione a bassa latenza su larga scala, pertanto è appropriato per scenari con Big Data.

  • Azure IoT Edge distribuisce carichi di lavoro cloud da eseguire nei dispositivi perimetrali tramite contenitori standard. IoT Edge dispositivi intelligenti possono rispondere rapidamente e offline, riducendo la latenza e l'utilizzo della larghezza di banda e aumentando l'affidabilità. Possono anche limitare i costi pre-elaborando e inviando solo i dati necessari al cloud. I dispositivi possono eseguire moduli di intelligenza artificiale e machine learning, servizi di Azure e di terze parti e logica di business personalizzata.

  • hub IoT di Azure è un servizio completamente gestito che consente comunicazioni bidirezionali affidabili e sicure tra milioni di dispositivi IoT e un back-end basato sul cloud. Fornisce l'autenticazione per dispositivo, il routing dei messaggi, l'integrazione con altri servizi di Azure e funzionalità di gestione per controllare e configurare i dispositivi.

  • Azure Machine Learning è un servizio di Machine Learning di livello aziendale per la creazione e la distribuzione di modelli rapidamente. Fornisce agli utenti tutti i livelli di competenza con una finestra di progettazione a basso codice, machine learning automatizzato e un ambiente notebook Jupyter ospitato che supporta vari ID.

    Machine Learning consente ai computer di imparare dai dati e dalle esperienze e di agire senza essere programmati in modo esplicito. I clienti possono creare applicazioni di intelligenza artificiale che in modo intelligente, elaborano e agiscono sulle informazioni, aumentando le capacità umane, aumentando la velocità e l'efficienza e aiutando le organizzazioni a raggiungere di più.

  • Bus di servizio di Azure: broker di messaggi aziendale completamente gestito, con code di messaggi e argomenti di pubblicazione-sottoscrizione. Viene usato per connettere applicazioni, servizi e dispositivi. Insieme all'inoltro di Azure, il bus di servizio può connettersi a applicazioni e servizi ospitati in remoto.

  • Azure SQL è una famiglia di database cloud SQL che offre un'esperienza unificata per l'intero portfolio SQL e un'ampia gamma di opzioni di distribuzione dall'ambiente perimetrale al cloud.

  • Database SQL di Azure, parte della famiglia di Azure SQL, è un motore di database PaaS completamente gestito. Viene sempre eseguito sulla versione stabile più recente del motore di database SQL Server e del sistema operativo con patch. Gestisce la maggior parte delle funzioni di gestione del database, tra cui l'aggiornamento, l'applicazione di patch, i backup e il monitoraggio. Offre la compatibilità più ampia SQL Server motore, in modo da poter eseguire la migrazione dei database SQL Server senza modificare le app.

  • Power BI è una suite di strumenti di analisi aziendale che offre le funzionalità per creare visualizzazioni di dati interattive avanzate. Include servizi, app e connettori che possono trasformare origini non correlate dei dati in informazioni dettagliate coerenti, visivamente immersivi e interattive. Power BI può connettersi a centinaia di origini dati, semplificare la preparazione dei dati e supportare l'analisi ad hoc.

  • Esplora dati di Azure è un servizio di esplorazione dati rapido e a scalabilità elevata per dati di log e di telemetria. È possibile usare Azure Esplora dati per sviluppare un servizio serie temporali. Azure Esplora dati include il supporto nativo per la creazione, la manipolazione e l'analisi di più serie temporali con soluzioni e flussi di lavoro di monitoraggio quasi in tempo reale.

    Azure Esplora dati può inserire dati da hub IoT di Azure, Hub eventi di Azure, Analisi di flusso di Azure, Power Automate, App per la logica di Azure, Kafka, Apache Spark e molte altre piattaforme e servizi. L'inserimento è scalabile e non esistono limiti. I formati di inserimento supportati di Azure Esplora dati includono JSON, CSV, Avro, Parquet, ORC, TXT e altri formati.

  • L'interfaccia utente Web di Azure Esplora dati consente di eseguire query e creare dashboard di visualizzazione dei dati. Azure Esplora dati si integra anche con altri servizi dashboard come Power BI, Grafana e altri strumenti di visualizzazione dati che usano connettori ODBC e JDBC. Il connettore di Azure Esplora dati nativo ottimizzato per Power BI supporta query dirette o modalità di importazione, inclusi i parametri di query e i filtri. Per altre informazioni, vedere Visualizzazione dei dati con Azure Esplora dati.

Conclusione

PdM migliora le pianificazioni di manutenzione preventiva identificando componenti specifici per controllare e ripristinare o sostituire. Richiede computer instrumentati e connessi per fornire dati per la creazione di soluzioni PdM.

L'infrastruttura di Microsoft consente di creare soluzioni eseguite nel dispositivo, al bordo e nel cloud. Esistono molte risorse che consentono di iniziare.

Per iniziare, selezionare la parte superiore uno a tre errori che si desidera prevenire e avviare il processo di individuazione con tali elementi. Identificare quindi come ottenere i dati che consentono di identificare gli errori. Combinare i dati con le competenze ottenute dalle basi della data science per il corso di Machine Learning per creare i modelli PdM.

Autori di contributi

Questo articolo viene gestito da Microsoft. È stato originariamente scritto dai collaboratori seguenti.

Autore principale:

Passaggi successivi