Edytuj

Wprowadzenie do konserwacji predykcyjnej w produkcji

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

Konserwacja predykcyjna (PdM) przewiduje, że konserwacja wymaga uniknięcia kosztów związanych z nieplanowanym przestojem. Łącząc się z urządzeniami i monitorując dane, które generują urządzenia, można zidentyfikować wzorce, które prowadzą do potencjalnych problemów lub awarii. Następnie możesz użyć tych szczegółowych informacji, aby rozwiązać problemy przed ich wystąpieniami. Ta możliwość przewidywania, kiedy sprzęt lub zasoby wymagają konserwacji, pozwala zoptymalizować okres istnienia sprzętu i zminimalizować przestoje.

PdM wyodrębnia szczegółowe informacje z danych generowanych przez sprzęt na hali sklepowej, a następnie działa na podstawie tych szczegółowych informacji. Idea PdM sięga początku lat 90. PdM rozszerza regularnie zaplanowane konserwację zapobiegawczą. Na wczesnym etapie niedostępność czujników do generowania danych i brak zasobów obliczeniowych do zbierania i analizowania danych utrudniała zaimplementowanie narzędzia PdM. Obecnie ze względu na postępy w Internecie rzeczy (IoT), przetwarzanie w chmurze, analiza danych i uczenie maszynowe, pdM może przejść do głównego nurtu.

PdM wymaga danych z czujników, które monitorują sprzęt i inne dane operacyjne. System PdM analizuje dane i przechowuje wyniki. Ludzie działają na podstawie analizy.

Po wprowadzeniu pewnych informacji w tym artykule omówimy sposób implementowania różnych elementów rozwiązania PdM przy użyciu kombinacji danych lokalnych, usługi Azure Machine Edukacja i modeli uczenia maszynowego. Plik PdM w dużym stopniu opiera się na danych do podejmowania decyzji, więc zaczynamy od przyjrzenia się zbieraniu danych. Dane muszą być zbierane, a następnie używane do oceny tego, co dzieje się teraz, a także używane do tworzenia lepszych modeli predykcyjnych w przyszłości. Na koniec wyjaśnimy, jak wygląda rozwiązanie do analizy, w tym wizualizacja wyników analizy w narzędziu do raportowania, takiego jak Microsoft Power BI.

Strategie konserwacji

W historii produkcji pojawiło się kilka strategii konserwacji:

  • Reaktywna konserwacja rozwiązuje problemy po ich wystąpieniu.
  • Konserwacja zapobiegawcza rozwiązuje problemy przed ich wystąpieniem, postępując zgodnie z harmonogramem konserwacji w oparciu o wcześniejsze doświadczenie w awarii.
  • PdM rozwiązuje również problemy przed ich wystąpieniem, ale uwzględnia rzeczywiste wykorzystanie sprzętu zamiast pracy z ustalonym harmonogramem.

Spośród tych trzech pdM był najtrudniejszy do osiągnięcia ze względu na ograniczenia dotyczące zbierania, przetwarzania i wizualizacji danych. Przyjrzyjmy się dokładniej każdej z tych strategii.

Reaktywna konserwacja

Reaktywne usługi konserwacji zasób tylko wtedy, gdy zasób ulegnie awarii. Na przykład silnik 5-osiowego centrum obróbki CNC jest serwisowany tylko wtedy, gdy przestanie działać. Konserwacja reaktywna maksymalizuje okres istnienia składników. Wprowadzono również między innymi nieznane ilości przestojów i nieoczekiwane szkody uboczne spowodowane awariami składników.

Diagram ilustrujący reaktywną konserwację.

Konserwacja zapobiegawcza

Zasoby usług konserwacji prewencyjnej w wstępnie określonych odstępach czasu. Interwał zasobu jest zwykle oparty na znanej częstotliwości awarii zasobu, historycznej wydajności, symulacji i modelowania statystycznego. Zaletą konserwacji zapobiegawczej jest to, że zwiększa czas pracy, skutkuje mniejszą liczbą awarii i pozwala na zaplanowanie konserwacji. Wadą w wielu przypadkach jest to, że zastąpiony składnik ma pewne życie w lewo. Skutkuje to nadmierną konserwacją i odpadami. Po drugiej stronie części mogą zakończyć się niepowodzeniem przed zaplanowaną konserwacją. Prawdopodobnie dobrze znasz konserwację zapobiegawczą: po każdej godzinie pracy (lub innej metryce) zatrzymasz maszynę, przejmiesz ją i zastąp wszystkie części, które mają zostać zastąpione.

Diagram ilustrujący konserwację zapobiegawczą.

Pdm

Funkcja PdM używa modeli do przewidywania, kiedy zasób prawdopodobnie nie powiedzie się, dzięki czemu można zaplanować konserwację just in time. PdM poprawia się w poprzednich strategiach, maksymalizując zarówno czas pracy, jak i żywotność aktywów. Ponieważ serwisujesz sprzęt w czasie zbliżonym do maksymalnego okresu istnienia składnika, wydajesz mniej pieniędzy na wymianę części roboczych. Wadą jest to, że just in time charakter pdM jest trudniejszy do wykonania, ponieważ wymaga bardziej elastycznej i elastycznej organizacji usług. Wracając do silnika 5-osiowego centrum obróbki CNC, z PdM planujesz jego konserwację w dogodnym czasie, który jest zbliżony do oczekiwanego czasu awarii silnika.

Diagram ilustrujący plik PdM.

Różne sposoby oferowana jest funkcja PdM

Producent może używać pdM do monitorowania własnych operacji produkcyjnych. Może również używać go w sposób, który zapewnia nowe możliwości biznesowe i strumienie przychodów. Na przykład:

  • Producent zwiększa wartość dla swoich klientów, oferując usługi PdM dla swoich produktów.
  • Producent oferuje swoje produkty w modelu Product-as-a-Service, w którym klienci subskrybują produkt zamiast go kupować. W ramach tego modelu producent chce zmaksymalizować czas pracy produktu, ponieważ produkt nie generuje przychodów, gdy nie działa.
  • Firma świadczy produkty i usługi PdM dla produktów produkowanych przez innych producentów.

Tworzenie rozwiązania pdM

Aby utworzyć rozwiązanie PdM, zaczynamy od danych. W idealnym przypadku dane przedstawiają normalne działanie i stan sprzętu przed awariami, w trakcie i po awarii. Dane pochodzą z czujników, notatek utrzymywanych przez operatorów sprzętu, informacji o przebiegu, danych środowiskowych, specyfikacji maszyn itd. Systemy rekordów mogą obejmować historyków, systemy wykonywania produkcji, planowanie zasobów przedsiębiorstwa (ERP) itd. Dane są udostępniane do analizy na różne sposoby. Na poniższym diagramie przedstawiono proces Nauka o danych zespołu (TDSP). Proces jest dostosowywany do produkcji i doskonale sprawdza się w celu wyjaśnienia różnych problemów, które ma podczas kompilowania i wykonywania modeli uczenia maszynowego.

Diagram podsumowuje proces Nauka o danych zespołu.

Pierwszym zadaniem jest zidentyfikowanie typów niepowodzeń, które chcesz przewidzieć. Mając to na uwadze, należy zidentyfikować źródła danych, które mają odpowiednie dane dotyczące tego typu awarii. Potok pobiera dane do systemu ze środowiska. Analitycy danych używają swoich ulubionych narzędzi uczenia maszynowego do przygotowywania danych. Na tym etapie są one gotowe do tworzenia i trenowania modeli, które mogą identyfikować różne typy problemów. Modele odpowiadają na pytania, takie jak:

  • Jakie jest prawdopodobieństwo wystąpienia awarii w ciągu następnych X godzin dla zasobu? Odpowiedź: 0–100%
  • Jaki jest pozostały okres eksploatacji zasobu? Odpowiedź: X godzin
  • Czy ten zasób zachowuje się w nietypowy sposób? Odpowiedź: Tak lub Nie
  • Który zasób wymaga najpilniejszej obsługi? Odpowiedź: Zasób X

Po utworzeniu modele mogą być uruchamiane w następujących systemach:

  • Sam sprzęt do samodzielnej diagnostyki.
  • Urządzenie brzegowe w środowisku produkcyjnym.
  • Platforma Azure.

Po wdrożeniu będziesz nadal kompilować i obsługiwać rozwiązanie PdM.

Za pomocą platformy Azure możesz trenować i testować modele w wybranej technologii. Można użyć procesorów GPU, macierzy bramowych programowalnych w terenie (FPGA), procesorów CPU, dużych maszyn pamięci itd. Platforma Azure w pełni korzysta z narzędzi typu open source używanych przez analityków danych, takich jak R i Python. Po zakończeniu analizy wyniki mogą być wyświetlane w innych aspektach pulpitu nawigacyjnego lub w innych raportach. Te raporty mogą być wyświetlane w narzędziach niestandardowych lub w narzędziach raportowania, takich jak power BI.

Niezależnie od potrzeb pdM platforma Azure ma narzędzia, skalę i możliwości tworzenia solidnego rozwiązania.

Wprowadzenie

Wiele urządzeń znalezionych na hali produkcyjnej generuje dane. Rozpocznij zbieranie go tak szybko, jak to możliwe. W miarę występowania awarii analitycy danych analizują dane w celu utworzenia modeli w celu wykrywania przyszłych awarii. Gdy wiedza opiera się na wykrywaniu błędów, przejdź do trybu predykcyjnego, w którym naprawiasz składniki podczas planowanego przestoju. Przewodnik po modelowaniu konserwacji predykcyjnej zawiera solidny przewodnik tworzenia elementów uczenia maszynowego rozwiązania.

Jeśli chcesz dowiedzieć się więcej na temat tworzenia modeli, zalecamy zapoznanie się z tematem Podstawy nauki o danych na potrzeby uczenia maszynowego. W module Wprowadzenie do usługi Azure Machine Edukacja Learn przedstawiono narzędzia platformy Azure.

Składniki

  • Usługa Azure Blob Storage jest skalowalnym i bezpiecznym magazynem obiektów dla danych bez struktury. Można go używać do archiwów, magazynów danych, obliczeń o wysokiej wydajności, uczenia maszynowego i obciążeń natywnych dla chmury.

  • Usługa Azure Cosmos DB to w pełni zarządzana, wysoce elastyczna, skalowalna baza danych NoSQL na potrzeby nowoczesnego tworzenia aplikacji. Zapewnia zabezpieczenia klasy korporacyjnej i obsługuje interfejsy API dla wielu baz danych, języków i platform. Przykłady obejmują sql, MongoDB, Gremlin, Table i Apache Cassandra. Bezserwerowe, automatyczne opcje skalowania w usłudze Azure Cosmos DB efektywnie zarządzają wymaganiami dotyczącymi pojemności aplikacji.

  • Azure Data Lake Storage to wysoce skalowalna i bezpieczna usługa magazynu dla obciążeń analitycznych o wysokiej wydajności. Dane zazwyczaj pochodzą z wielu heterogenicznych źródeł i mogą być ustrukturyzowane, częściowo ustrukturyzowane lub nieustrukturyzowane. Usługa Data Lake Storage Gen2 łączy funkcje usługi Data Lake Storage Gen1 z usługą Blob Storage i udostępnia semantyka systemu plików, zabezpieczenia na poziomie plików i skalowanie. Oferuje również warstwowy magazyn, wysoką dostępność i odzyskiwanie po awarii usługi Blob Storage.

  • Azure Event Hubs to wysoce skalowalna platforma przesyłania strumieniowego danych i usługa pozyskiwania zdarzeń, która umożliwia odbieranie i przetwarzanie milionów zdarzeń na sekundę. Usługa Event Hubs pozwala przetwarzać i przechowywać zdarzenia, dane lub dane telemetryczne generowane przez rozproszone oprogramowanie i urządzenia. Dane wysyłane do centrum zdarzeń można przekształcać i przechowywać przy użyciu dowolnego dostawcy analizy w czasie rzeczywistym lub kart wsadowych i magazynowych. Usługa Event Hubs zapewnia możliwości publikowania i subskrybowania z małymi opóźnieniami na dużą skalę, co sprawia, że jest ona odpowiednia dla scenariuszy danych big data.

  • Usługa Azure IoT Edge wdraża obciążenia w chmurze do uruchamiania na urządzeniach brzegowych za pośrednictwem standardowych kontenerów. Inteligentne urządzenia usługi IoT Edge mogą reagować szybko i w trybie offline, zmniejszając opóźnienia i użycie przepustowości oraz zwiększając niezawodność. Mogą również ograniczyć koszty przez wstępne przetwarzanie i wysyłanie tylko niezbędnych danych do chmury. Urządzenia mogą uruchamiać moduły sztucznej inteligencji i uczenia maszynowego, usługi platformy Azure i usługi innych firm oraz niestandardową logikę biznesową.

  • Azure IoT Hub to w pełni zarządzana usługa, która umożliwia niezawodną i bezpieczną dwukierunkową komunikację między milionami urządzeń IoT a zapleczem opartym na chmurze. Zapewnia uwierzytelnianie poszczególnych urządzeń, routing komunikatów, integrację z innymi usługami platformy Azure oraz funkcje zarządzania w celu kontrolowania i konfigurowania urządzeń.

  • Usługa Azure Machine Edukacja to usługa uczenia maszynowego klasy korporacyjnej służąca do szybkiego tworzenia i wdrażania modeli. Zapewnia ona użytkownikom na wszystkich poziomach umiejętności projektanta niskiego poziomu kodu, zautomatyzowanego uczenia maszynowego i hostowanego środowiska notesu Jupyter, które obsługuje różne środowiska IDE.

    Uczenie maszynowe umożliwia komputerom uczenie się na podstawie danych i doświadczeń oraz działanie bez konieczności faktycznego programowania. Klienci mogą tworzyć aplikacje sztucznej inteligencji, które inteligentnie wykrywają, przetwarzają i działają na temat informacji, rozszerzają możliwości człowieka, zwiększają szybkość i wydajność oraz pomagają organizacjom osiągnąć więcej.

  • Usługa Azure Service Bus to w pełni zarządzany broker komunikatów przedsiębiorstwa z kolejkami komunikatów i tematami publikowania i subskrybowania. Służy do łączenia aplikacji, usług i urządzeń. Razem z usługą Azure Relay usługa Service Bus może łączyć się ze zdalnymi aplikacjami i usługami.

  • Azure SQL to rodzina baz danych w chmurze SQL, która zapewnia ujednolicone środowisko dla całego portfolio SQL i szeroką gamę opcji wdrażania od brzegu do chmury.

  • Usługa Azure SQL Database, część rodziny usługi Azure SQL, to w pełni zarządzany aparat bazy danych platformy jako usługi (PaaS). Zawsze działa w najnowszej stabilnej wersji aparatu bazy danych programu SQL Server i poprawionego systemu operacyjnego. Obsługuje większość funkcji zarządzania bazami danych, w tym uaktualnianie, stosowanie poprawek, tworzenie kopii zapasowych i monitorowanie. Zapewnia ona najszerszą zgodność aparatu programu SQL Server, dzięki czemu można migrować bazy danych programu SQL Server bez konieczności zmieniania aplikacji.

  • Usługa Power BI to zestaw narzędzi do analizy biznesowej, który zapewnia możliwości tworzenia zaawansowanych interaktywnych wizualizacji danych. Obejmuje ona usługi, aplikacje i łączniki, które mogą przekształcić niepowiązane źródła danych w spójne, atrakcyjne wizualnie i interaktywne szczegółowe informacje. Usługa Power BI może łączyć się z setkami źródeł danych, upraszczać przygotowywanie danych i obsługiwać analizę ad hoc.

  • Azure Data Explorer to szybka i wysoce skalowalna usługa eksploracji danych na potrzeby danych dzienników i danych telemetrycznych. Usługi Azure Data Explorer można używać do tworzenia usługi szeregów czasowych. Usługa Azure Data Explorer oferuje natywną obsługę tworzenia, manipulowania i analizowania wielu szeregów czasowych z niemal rzeczywistymi rozwiązaniami do monitorowania i przepływami pracy.

    Usługa Azure Data Explorer może pozyskiwać dane z usług Azure IoT Hub, Azure Event Hubs, Azure Stream Analytics, Power Automate, Azure Logic Apps, Kafka, Apache Spark i wielu innych usług i platform. Pozyskiwanie jest skalowalne i nie ma żadnych ograniczeń. Obsługiwane formaty pozyskiwania w usłudze Azure Data Explorer obejmują formaty JSON, CSV, Avro, Parquet, ORC, TXT i inne formaty.

  • Internetowy interfejs użytkownika usługi Azure Data Explorer umożliwia uruchamianie zapytań i tworzenie pulpitów nawigacyjnych wizualizacji danych. Usługa Azure Data Explorer integruje się również z innymi usługami pulpitu nawigacyjnego, takimi jak Power BI, Grafana i inne narzędzia do wizualizacji danych korzystające z łączników ODBC i JDBC. Zoptymalizowany natywny łącznik usługi Azure Data Explorer dla usługi Power BI obsługuje tryb zapytania bezpośredniego lub importu, w tym parametry zapytania i filtry. Aby uzyskać więcej informacji, zobacz Wizualizacja danych za pomocą usługi Azure Data Explorer.

Podsumowanie

Narzędzie PdM usprawnia harmonogramy konserwacji prewencyjnej, identyfikując określone składniki w celu sprawdzenia i naprawy lub wymiany. Wymaga ona maszyn, które są instrumentowane i połączone, aby dostarczać dane do tworzenia rozwiązań PdM.

Infrastruktura firmy Microsoft może pomóc w tworzeniu rozwiązań uruchamianych na urządzeniu, na urządzeniach brzegowych i w chmurze. Istnieje wiele zasobów, które ułatwiają rozpoczęcie pracy.

Aby rozpocząć, wybierz od góry jeden do trzech niepowodzeń, które chcesz zapobiec i rozpocząć proces odnajdywania z tymi elementami. Następnie zidentyfikuj sposób pobierania danych, które pomagają zidentyfikować błędy. Połącz te dane z umiejętnościami uzyskanymi z podstaw nauki o danych na potrzeby uczenia maszynowego, aby tworzyć modele PdM.

Współautorzy

Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następujących współautorów.

Główny autor:

Następne kroki