Прогнозное обслуживание (PdM) предполагает, что обслуживание должно избежать затрат, связанных с незапланированных простоев. Подключаясь к устройствам и отслеживая данные, создаваемые устройствами, можно определить шаблоны, которые приводят к потенциальным проблемам или сбоям. Затем эти сведения можно использовать для устранения проблем до их возникновения. Возможность спрогнозировать, когда оборудованию или ресурсам потребуется обслуживание, позволяет оптимизировать время существования оборудования и свести к минимуму простой.
PdM извлекает аналитические сведения из данных, созданных оборудованием на цехе, а затем действует на эти аналитические сведения. Идея PdM возвращается к началу 1990-х годов. PdM расширяет регулярно запланированное профилактическое обслуживание. На раннем этапе недоступность датчиков для создания данных и отсутствие вычислительных ресурсов для сбора и анализа данных затрудняло реализацию PdM. Сегодня, из-за прогресса в Интернете вещей, облачных вычислений, аналитики данных и машинного обучения PdM может пойти в основной формат.
PdM требует данных от датчиков, отслеживающих оборудование и другие операционные данные. Система PdM анализирует данные и сохраняет результаты. Пользователи действуют на основе анализа.
В этой статье мы обсудим, как реализовать различные части решения PdM с помощью сочетания локальных данных, Машинное обучение Azure и моделей машинного обучения. Принятие решений в PdM в значительной степени основывается на данных, поэтому мы начнем с рассмотрения сбора данных. Данные необходимо собирать, а затем использовать для оценки того, что происходит сейчас, а также для создания более прогнозных моделей в будущем. Наконец, мы объясним, как выглядит решение для анализа, включая визуализацию результатов анализа в средстве отчетности, например Microsoft Power BI.
Стратегии обслуживания
В истории производства появились несколько стратегий обслуживания:
- Реактивное обслуживание устраняет проблемы после их возникновения.
- Профилактическое обслуживание устраняет проблемы до их возникновения, следуя расписанию обслуживания, основанному на предыдущем опыте обнаружения неисправностей.
- PdM также устраняет проблемы перед их возникновением, но рассматривает фактическое использование оборудования вместо работы с фиксированным расписанием.
Из трех, PdM был самым трудным для достижения из-за ограничений на сбор, обработку и визуализацию данных. Давайте рассмотрим каждую из этих стратегий более подробно.
Реактивное обслуживание
Службы реактивного обслуживания актива только в том случае, если ресурс завершается сбоем. Например, двигатель 5 оси CNC обслуживается только при остановке работы. Реактивное обслуживание обеспечивает максимальное время существования компонентов. Он также представляет, среди других вопросов, неизвестные суммы простоя и непредвиденный побочный ущерб, вызванный сбоем компонентов.
Профилактики
Ресурсы служб профилактического обслуживания с предопределенными интервалами. Интервал для ресурса обычно основан на известной частоте сбоя ресурса, исторической производительности, имитации и статистическом моделировании. Преимущество профилактического обслуживания заключается в том, что он увеличивает время простоя, приводит к меньшему сбою и позволяет планировать обслуживание. Недостатком во многих случаях является то, что замененный компонент оставил некоторую жизнь. Это приводит к избыточному обслуживанию и издержкам. На боковой стороне части части могут завершиться сбоем до запланированного обслуживания. Возможно, вы хорошо знаете профилактическое обслуживание: после каждого набора часов операции (или другой метрики), вы останавливаете машину, проверяете его и заменяете все части, которые должны быть заменены.
Pdm
PdM использует модели для прогнозирования, когда ресурс, скорее всего, завершится сбоем компонента, поэтому можно запланировать простое обслуживание. PdM улучшает предыдущие стратегии, максимизируя время работы и жизнь активов. Так как вы обслуживаете оборудование иногда близко к максимальному времени существования компонента, вы тратите меньше денег на замену рабочих частей. Недостатком является то, что JIT-характер PdM сложнее выполнять, так как он требует более гибкой и гибкой организации служб. Вернитесь к мотору 5-осного центра CNC, с PdM вы планируете его обслуживание в удобное время, близкое к ожидаемому времени сбоя двигателя.
Различные способы, которыми можно предложить PdM
Производитель может использовать PdM для мониторинга собственных производственных операций. Он также может использовать его таким образом, чтобы обеспечить новые бизнес-возможности и потоки доходов. Например:
- Производитель добавляет ценность для своих клиентов, предлагая услуги PdM для своих продуктов.
- Производитель предлагает свои продукты под моделью Product-as-Service, в которой клиенты подписываются на продукт вместо приобретения. В рамках этой модели производитель хочет максимально увеличить время работы продукта, так как продукт не создает доход, когда он не работает.
- Компания предоставляет продукты и услуги PdM для продуктов, производимых другими производителями.
Создание решения PdM
Чтобы создать решение PdM, мы начнем с данных. В идеале данные показывают нормальную работу и состояние оборудования до, во время и после сбоев. Данные поступают из датчиков, заметок, поддерживаемых операторами оборудования, сведениями о выполнении, экологическими данными, спецификациями компьютера и т. д. Системы записи могут включать историков, производственные системы выполнения, планирование корпоративных ресурсов (ERP) и т. д. Данные становятся доступны для анализа различными способами. На следующей схеме показан процесс Обработка и анализ данных команды (TDSP). Процесс настраивается для производства и выполняет отличную работу по объяснении различных проблем, которые возникают при создании и выполнении моделей машинного обучения.
Первая задача — определить типы сбоев, которые вы хотите прогнозировать. Учитывая это, вы определите источники данных, имеющие соответствующие данные об этом типе сбоя. Конвейер получает данные в систему из среды. Специалисты по обработке и анализу данных используют свои любимые средства машинного обучения для подготовки данных. На этом этапе они готовы создавать и обучать модели, которые могут выявлять различные типы проблем. Модели отвечают на такие вопросы:
- Для ресурса какова вероятность того, что сбой возникает в течение следующих X часов? Ответ: 0–100 %
- Какова оставшаяся полезная жизнь актива? Ответ: X часов
- Работает ли этот ресурс необычным способом? Ответ: "Да" или "Нет"
- Каким ресурсам требуется наиболее срочное обслуживание? Ответ: ресурс X
После разработки модели могут выполняться:
- Само оборудование для самостоятельного диагностика.
- Пограничное устройство в производственной среде.
- Azure.
После развертывания вы продолжите сборку и обслуживание решения PdM.
С помощью Azure можно обучать и тестировать модели на основе выбранной технологии. Вы можете использовать графические процессоры, программируемые массивы шлюзов (FPGAs), ЦП, компьютеры с большой памятью и т. д. Azure полностью охватывает средства с открытым исходным кодом, которые используют специалисты по обработке и анализу данных, такие как R и Python. После анализа результаты могут отображаться в других аспектах панели мониторинга или в других ресурсах. Эти отчеты могут отображаться в пользовательских средствах или в средствах создания отчетов, таких как Power BI.
Независимо от потребностей PdM в Azure есть средства, масштаб и возможности создания твердого решения.
Начало работы
Много оборудования, найденного на заводской площадке, создает данные. Начните собирать его как можно скорее. По мере возникновения сбоев специалисты по обработке и анализу данных анализируют данные для создания моделей для обнаружения будущих сбоев. При создании знаний о обнаружении сбоев перейдите в прогнозный режим, где вы исправляете компоненты во время запланированного простоя. Руководство по моделированию прогнозного обслуживания предоставляет твердое пошаговое руководство по созданию частей решения машинного обучения.
Если вам нужно узнать о создании моделей, рекомендуется посетить основы обработки и анализа данных для машинного обучения. Общие сведения о модуле Машинное обучение Azure Learn представлены в средствах Azure.
Компоненты
Хранилище BLOB-объектов Azure масштабируемое и безопасное хранилище объектов для неструктурированных данных. Его можно использовать для архивов, озер данных, высокопроизводительных вычислений, машинного обучения и облачных рабочих нагрузок.
Azure Cosmos DB — это полностью управляемая, масштабируемая база данных NoSQL для современной разработки приложений. Он обеспечивает безопасность корпоративного уровня и поддерживает API для многих баз данных, языков и платформ. Примерами являются SQL, MongoDB, Gremlin, Table и Apache Cassandra. Бессерверные параметры автоматического масштабирования в Azure Cosmos DB эффективно управляют требованиями к емкости приложений.
Azure Data Lake Storage — это масштабируемая и безопасная служба хранения для высокопроизводительных аналитических рабочих нагрузок. Данные обычно берутся из нескольких разнородных источников и могут быть структурированы, полуструктурированными или неструктурированными. Data Lake Storage 2-го поколения объединяет возможности Data Lake Storage 1-го поколения с служба хранилища BLOB-объектов и обеспечивает семантику файловой системы, безопасность на уровне файлов и масштабирование. Он также предлагает многоуровневые хранилища, высокий уровень доступности и аварийное восстановление больших двоичных объектов служба хранилища.
Центры событий Azure — это высокомасштабируемая платформа потоковой передачи данных и служба приема событий, принимающая и обрабатывающая миллионы событий в секунду. Центры событий могут обрабатывать и сохранять события, данные и телеметрию, созданные распределенным программным обеспечением и устройствами. Данные, отправленные в концентратор событий, можно преобразовать и сохранить с помощью любого поставщика аналитики в режиме реального времени или пакетной обработки и адаптеров хранилища. Центры событий предоставляют возможности публикации и подписки с низкой задержкой в большом масштабе, что делает их подходящими для сценариев работы с большими данными.
Azure IoT Edge развертывает облачные рабочие нагрузки для запуска на пограничных устройствах с помощью стандартных контейнеров. Интеллектуальные устройства IoT Edge могут быстро и автономно реагировать, уменьшать задержку и использование пропускной способности, а также повышать надежность. Кроме того, они могут ограничить затраты путем предварительной обработки и отправки только необходимых данных в облако. Устройства могут запускать модули ИИ и машинного обучения, службы Azure и сторонние службы и настраиваемую бизнес-логику.
Центр Интернета вещей Azure — это полностью управляемая служба, которая обеспечивает надежную и безопасную двунаправленную связь между миллионами устройств Интернета вещей и облачной серверной частью. Она обеспечивает проверку подлинности на устройство, маршрутизацию сообщений, интеграцию с другими службами Azure и функциями управления для управления и настройки устройств.
Машинное обучение Azure — это служба машинного обучения корпоративного уровня для быстрого создания и развертывания моделей. Он предоставляет пользователям на всех уровнях навыков с помощью конструктора с низким кодом, автоматизированного машинного обучения и размещенной среды записной книжки Jupyter, поддерживающей различные идентификаторы.
Машинное обучение позволяет компьютерам изучать данные и интерфейсы и работать без явного программирования. Клиенты могут создавать приложения искусственного интеллекта, которые интеллектуально чувствуют, обрабатывают и действуют на основе информации, расширения возможностей человека, повышения скорости и эффективности, а также помогают организациям достичь большего числа.
Служебная шина Azure — это полностью управляемый брокер сообщений корпоративного типа с поддержкой очередей сообщений и разделов публикации и подписки. Он используется для подключения приложений, служб и устройств. Вместе с Azure Relay служебная шина может подключаться к удаленным размещенным приложениям и службам.
Azure SQL — это семейство облачных баз данных SQL, которое предоставляет единый интерфейс для всего портфеля решений SQL, а также широкий выбор вариантов развертывания, от пограничных решений до облака.
База данных SQL Azure — входит в состав семейства Azure SQL, является полностью управляемым ядром СУБД, предоставляемым в режиме “платформа как услуга (PaaS)”. Он всегда выполняется в последней стабильной версии ядра СУБД SQL Server и исправленной ОС. Она обрабатывает большинство функций управления базами данных, включая обновление, исправление, резервное копирование и мониторинг. Она обеспечивает самую широкую совместимость подсистемы SQL Server, чтобы можно было перенести базы данных SQL Server без изменения приложений.
Power BI — это набор средств бизнес-аналитики, которые предоставляют возможности для создания расширенных интерактивных визуализаций данных. Она включает службы, приложения и соединители, которые могут превратить несвязанные источники данных в последовательные, визуально иммерсивные и интерактивные аналитические сведения. Power BI может подключаться к сотням источников данных, упрощать подготовку данных и поддерживать нерегламентированный анализ.
Azure Data Explorer — это быстрая и высокомасштабируемая служба для изучения данных журналов и телеметрии. Вы можете использовать azure Data Обозреватель для разработки службы временных рядов. Azure Data Обозреватель включает встроенную поддержку создания, манипуляции и анализа нескольких временных рядов с решениями мониторинга и рабочими процессами практически в режиме реального времени.
Данные Azure Обозреватель могут получать данные из Центр Интернета вещей Azure, Центры событий Azure, Azure Stream Analytics, Power Automate, Azure Logic Apps, Kafka, Apache Spark и многих других служб и платформ. Прием является масштабируемым, и нет ограничений. Поддерживаемые форматы приема данных Azure Обозреватель включают JSON, CSV, Avro, Parquet, ORC, TXT и другие форматы.
Веб-интерфейс azure Data Обозреватель позволяет выполнять запросы и создавать панели мониторинга визуализации данных. Azure Data Обозреватель также интегрируется с другими службами мониторинга, такими как Power BI, Grafana и другие средства визуализации данных, использующие соединители ODBC и JDBC. Оптимизированный собственный соединитель azure Data Обозреватель для Power BI поддерживает прямой запрос или режим импорта, включая параметры и фильтры запросов. Дополнительные сведения см. в статье "Визуализация данных с помощью Azure Data Обозреватель".
Заключение
PdM улучшает расписания профилактического обслуживания, определяя определенные компоненты для проверки и восстановления или замены. Для создания решений PdM требуются компьютеры, которые инструментируются и подключены к ним.
Инфраструктура Майкрософт поможет вам создавать решения, которые выполняются на устройстве, на пограничном устройстве и в облаке. Существует множество ресурсов, которые помогут вам приступить к работе.
Чтобы начать, выберите первый из трех сбоев, которые вы хотите предотвратить и начать процесс обнаружения с этими элементами. Затем определите, как получить данные, которые помогают выявить сбои. Объедините эти данные с навыками, полученными из основы обработки и анализа данных для машинного обучения для создания моделей PdM.
Соавторы
Эта статья поддерживается корпорацией Майкрософт. Первоначально он был написан следующими участник.
Автор субъекта:
- Скотт Силли | Архитектор программного обеспечения
Следующие шаги
- Общие сведения о хранилище BLOB-объектов Azure
- Документация по Azure Cosmos DB
- Документация по Azure Data Lake Storage 1-го поколения
- документация по Центры событий Azure
- Документация по Azure IoT Edge
- Документация по Центру Интернета вещей Azure
- Документация по машинному обучению Azure
- документация по обмену сообщениями Служебная шина Azure
- Документация по Azure Relay
- Документация по SQL Azure
- Документация по Power BI
- Анализ временных рядов в azure Data Обозреватель