预测性维护 (PdM) 可预测维护需求，以避免计划外停机产生的成本。 通过连接到设备以及监视设备生成的数据，可确定导致发生潜在问题或故障的模式。 然后，在这些问题发生之前，可以使用这些见解来解决问题。 这一预测设备或资产何时需要进行维护的功能，使用户能够优化设备生存期并最大限度地减少停机时间。
PdM 从车间的设备所生成的数据中提取见解，并依照这些见解执行操作。 PdM 的概念可以追溯到 1990 年代初期。 PdM 增强了定期安排的预防性维护。 早期，传感器无法生成数据，并且缺少计算资源来收集和分析数据，使得难以实现 PdM。 今天，由于物联网 (IoT)、云计算、数据分析和机器学习的进步，PdM 可以成为主流。
PdM 需要来自监视设备和其他操作的数据的传感器的数据。 Pdm 系统将分析这些数据并存储结果。 人们基于这些分析采取措施。
本文中介绍一些背景知识后，我们将探讨如何结合使用本地数据、Azure 机器学习和机器学习模型来实现各个部分的 PdM 解决方案。 Pdm 在进行决策时非常依赖于数据，因此，我们先来了解数据收集。 必须收集数据，然后将其用于评估现在发生的情况，并用于在以后生成预测性更好的模型。 最后，我们将阐释分析解决方案的具体内容，其中包括在报表工具（如 Power BI）中可视化分析结果。
维护策略
在制造业的历史上，出现了几种维护策略：
- 响应式维护在问题出现后修复问题。
- 预防性维护按照基于以前发生的故障的维护计划在问题出现前修复问题。
- PdM 还可在问题出现前修复问题，但会考虑设备的实际使用情况，而不是使用固定的计划。
在以上三种维护策略中，PdM 是最难实现的维护策略，这是因为在数据收集、处理和可视化方面存在限制。 接下来详细介绍这些策略。
反应性维护
仅当资产发生故障时，反应性维护才会服务资产。 例如，只有在你的 5 轴 CNC 加工中心的电机停止工作时才对其进行维护。 反应性维护在最大程度上延长组件的生存期。 除其他问题外，它还引入了未知数量的停机时间和由故障组件引起的意外附带损坏。
预防性维护
预防性维护在预先确定的间隔内服务资产。 资产的间隔通常基于资产的已知故障频率、历史性能、模拟和统计建模。 预防性维护策略的优点是，它增加了正常运行时间、减少了故障次数并可对维护进行计划。 在许多情况下，其缺点是被替换的组件可能还具有一些生存期。 此结果导致过度维护和浪费。 另一方面，部件在计划的维护到来前仍可能出现故障。 你可能对预防性维护了如指掌：在每个设定的运行时间（或其他一些指标）之后，停止计算机，检查它，并更换任何要更换的部件。
PdM
PdM 使用模型来预测资产何时可能发生故障，以便可以计划即时维护。 PdM 通过最大化运行时间和资产生存期，在以前的策略之上进行了改进。 因为你在接近组件最大生存期的时候维护设备，所以替换工作部件的成本会更低。 缺点是 PdM 的即时特性更难执行，因为它要求的服务组织的响应性更好，更为灵活。 回到 5 轴 CNC 加工中心的电机，使用 PdM，可以在接近电机预期故障时间的方便时间安排其维护。
可按照不同方法提供 PdM
制造商可以使用 PdM 来监视其自己的制造操作。 它还可以通过提供新的商机和收入来源的方式使用它。 例如：
- 制造商通过为其产品提供预测性维护服务为其客户增添价值。
- 制造商在产品即服务模式下提供其产品，在这种模式下，客户订阅产品而不是购买产品。 在这种模式下，制造商希望最大限度地延长产品的运行时间，因为产品在不工作时不会产生收入。
- 一家公司为其他制造商生产的产品提供 PdM 产品和服务。
生成 PdM 解决方案
为构建 PdM 解决方案，我们从数据开始。 理想情况下，数据显示正常运行以及设备在故障之前、期间和之后的状态。 数据来自传感器、由设备操作员维护的记录、运行信息、环境数据、机器规格等。 记录系统可以包括历史学家、制造执行系统、企业资源规划 (ERP) 等。 可以各种方式对这些数据进行分析。 下图演示了团队数据科学过程 (TDSP)。 该过程针对生产进行了自定义，可以很好地解释在生成和执行机器学习模型时的各种问题。
你的首要任务是确定想要预测的故障类型。 明确这一点后，然后确定具有与该故障类型相关的数据的数据源。 管道将数据从你的环境引入系统。 数据科学家将使用其最喜欢的机器学习工具来准备数据。 此时，他们已准备好创建并训练模型，以识别不同类型的问题。 该模型将回答以下问题：
- 在接下来的 X 小时内资产发生故障的概率是多少？ 回答：0-100%
- 资产的剩余使用生存期是多少？ 回答：X 小时
- 该资产的行为是否异常？ 回答：是或否
- 哪种资产最急需服务？ 回答：资产 X
开发后，模型可以在以下设备中运行：
- 用于自我诊断的设备自身。
- 制造环境中的边缘设备。
- Azure。
部署后，继续生成和维护 PdM 解决方案。
使用 Azure，你可以根据选择的技术训练和测试模型。 可以使用 GPU、现场可编程门阵列 (FPGA)、CPU、大型内存计算机等。 Azure 完全支持数据科学家使用的开源工具，如 R 和 Python。 分析完成后，结果可显示在仪表板的其他分面或显示在其他报表中。 这些报表可以显示在自定义工具或报表工具（例如 Power BI）中。
无论你的 PdM 需要什么内容，Azure 都能提供生成可靠解决方案所需的工具、扩展和功能。
入门
在工厂车间发现的许多设备都会生成数据。 尽快开始收集这些数据。 发生故障时，让数据科学家分析数据，以创建能够检测未来故障的模型。 随着有关故障检测方面的知识的增加，将移至预测模式，该模式在计划的停机期间修复组件。 使用 PySpark 的预测性维护提供了构建解决方案机器学习部分的演练。
如需了解如果构建模型，建议访问机器学习数据科学基础。 Azure 机器学习简介 Learn 模块介绍了 Azure 工具。
组件
Azure Blob 存储是适用于非结构化数据的可缩放安全对象存储。 可将它用于存档、数据湖、高性能计算、机器学习和云原生工作负载。
Azure Cosmos DB 是完全托管、快速响应、可缩放的 NoSQL 数据库，适用于新式应用开发。 它提供企业级安全性并支持许多数据库、语言和平台的 API。 示例包括 SQL、MongoDB、Gremlin、表和 Apache Cassandra。 Azure Cosmos DB 中的无服务器自动缩放选项可以有效管理应用程序的容量需求。
Azure Data Lake Storage 是一种高度可缩放且安全的存储服务，适用于高性能分析工作负载。 这些数据通常来自多个异构源，可以是结构化的、半结构化的或非结构化的。 Azure Data Lake Storage Gen2 将 Azure Data Lake Storage Gen1 功能与 Blob 存储组合起来，并提供文件系统语义、文件级安全性和缩放功能。 它还提供 Blob 存储的分层存储、高可用性和灾难恢复功能。
Azure 事件中心是高度可缩放的数据流式处理平台和事件引入服务，能够每秒接收和处理数百万事件。 事件中心可以处理和存储分布式软件和设备生成的事件、数据或遥测。 发送到事件中心的数据可以使用任何实时分析提供程序或批处理和存储适配器进行转换和存储。 事件中心以低延迟大规模提供发布-订阅功能，这使得它适用于大数据方案。
Azure IoT Edge 将部署可通过标准容器在边缘设备上运行的云工作负载。 IoT Edge 智能设备可以快速、脱机响应、降低延迟和带宽使用率，并提高可靠性。 它们还可以通过预处理和仅将必要的数据发送到云来限制成本。 设备可以运行 AI 和机器学习模块、Azure 和第三方服务以及自定义业务逻辑。
Azure IoT 中心是一项托管服务，可在数百万个 IoT 设备和一个基于云的后端之间实现安全可靠的双向通信。 它提供基于设备的身份验证、消息路由、与其他 Azure 服务的集成以及管理功能，用于控制和配置设备。
Azure 机器学习是一项企业级机器学习服务，可以快速生成和部署模型。 它为各种技能级别的用户提供低代码设计器、自动化机器学习，以及支持各种 IDE 的托管 Jupyter 笔记本环境。
Azure 机器学习使计算机能够从数据和经验中学习，无需经过显式编程便可操作。 客户可以构建智能感知、处理信息并根据信息采取行动的 AI 应用程序，增强人类能力，提高速度和效率，并帮助组织实现更多目标。
Azure 服务总线是一个完全托管的企业消息代理，其中包含消息队列和发布订阅主题。 它用于连接应用程序、服务和设备。 与 Azure 中继一起，服务总线可以连接到远程托管的应用程序和服务。
Azure SQL，这是一系列 SQL 云数据库，可为整个 SQL 项目组合提供统一的体验，以及从边缘到云的各种部署选项。
Azure SQL 数据库，它属于 Azure SQL 系列的一部分，是一种完全托管的平台即服务 (PaaS) 数据库引擎。 它始终在最新稳定版本的 SQL Server 数据库引擎和已修补的 OS 上运行。 它可处理大多数数据库管理功能，包括升级、修补、备份和监视。 它提供最广泛的 SQL Server 引擎兼容性，因此可以在不更改应用的情况下迁移 SQL Server 数据库。
Power BI 是一组业务分析工具，提供创建丰富交互式数据可视化效果的功能。 它包括服务、应用和连接器，可以将不相关的数据源转化为连贯、视觉沉浸式和交互式见解。 Power BI 可以连接到数百个数据源，简化数据准备并支持即席分析。
Azure 数据资源管理器是一项快速且高度可缩放的数据探索服务，适用于日志和遥测数据。 可以使用 Azure 数据资源管理器开发时间序列服务。 Azure 数据资源管理器包括对具有准实时监视解决方案和工作流的多个时序的创建、操作和分析的本机支持。
Azure 数据资源管理器可以从 Azure IoT 中心、Azure 事件中心、Azure 流分析、Power Automate、Azure 逻辑应用、Kafka、Apache Spark 以及许多其他服务和平台引入数据。 引入是可缩放的，并且没有限制。 支持的 Azure 数据资源管理器引入格式包括 JSON、CSV、Avro、Parquet、ORC、TXT 和其他格式。
Azure 数据资源管理器 Web UI 让你可以运行查询和构建数据可视化仪表板。 Azure 数据资源管理器还与其他仪表板服务（如 Power BI、Grafana）和其他使用 ODBC 和 JDBC 连接器的数据可视化工具集成。 适用于 Power BI 的优化本机 Azure 数据资源管理器连接器支持直接查询或导入模式，包括查询参数和筛选器。 有关详细信息，请参阅使用 Azure 数据资源管理器进行数据可视化。
结束语
PdM 通过识别要检查和维修或更换的特定组件来改进预防性维护计划。 它需要经过检测和已建立连接的计算机，为构建 PdM 解决方案提供数据。
Microsoft 的基础结构有助于构建在设备、边缘和云中运行的解决方案。 有许多可帮助你入门的资源。
若要开始，请选择你想要阻止的 1-3 个故障，并使用这些项开始发现过程。 然后，确定如何获取有助于识别故障的数据。 将这些数据与从机器学习数据科学基础课程中获得的技能相结合，构建 PdM 模型。
作者
本文由 Microsoft 维护， 它最初是由以下贡献者撰写的。
主要作者：
- Scott Seely | 软件架构师
后续步骤
- Azure Blob 存储简介
- Azure Cosmos DB 文档
- Azure Data Lake Storage Gen1 文档
- Azure 事件中心文档
- Azure IoT Edge 文档
- Azure IoT 中心文档
- Azure 机器学习文档
- Azure 服务总线消息传送文档
- Azure 中继文档
- Azure SQL 文档
- Power BI 文档
- Azure 数据资源管理器中的时序分析