Prediktivní údržba (PdM) předpokládá, že údržba se musí vyhnout nákladům spojeným s nenaplánovaným výpadkem. Připojením k zařízením a monitorováním dat, která zařízení vytvářejí, můžete identifikovat vzory, které vedou k potenciálním problémům nebo selháním. Tyto přehledy pak můžete použít k řešení problémů dříve, než k nim dojde. Tato schopnost předpovědět, kdy zařízení nebo prostředky potřebují údržbu, umožňuje optimalizovat životnost zařízení a minimalizovat prostoje.
PdM extrahuje přehledy z dat vytvořených vybavením v obchodě a pak funguje na těchto přehledech. Myšlenka PdM se vrátí na začátek roku 1990. PdM rozšiřuje pravidelně plánovanou preventivní údržbu. V rané fázi je nedostupnost senzorů, která generují data, a nedostatek výpočetních prostředků pro shromažďování a analýzu dat, takže je obtížné implementovat PdM. Díky pokrokům v internetu věcí (IoT), cloud computingu, analýze dat a strojovém učení může PdM přejít do hlavní fáze.
PdM vyžaduje data ze senzorů, které monitorují zařízení, a další provozní data. Systém PdM analyzuje data a ukládá výsledky. Lidé se chovají na základě analýzy.
Po představení určitého pozadí v tomto článku probereme, jak implementovat různé části řešení PdM pomocí kombinace místních dat, azure machine Učení a modelů strojového učení. PdM spoléhá hodně na data, abychom se mohli rozhodovat, takže začneme tím, že se podíváme na shromažďování dat. Data se musí shromažďovat a pak používat k vyhodnocení toho, co se teď děje, a také k vytváření lepších prediktivních modelů v budoucnu. Nakonec vysvětlíme, jak vypadá analytické řešení, včetně vizualizace výsledků analýzy v nástroji pro vytváření sestav, jako je Microsoft Power BI.
Strategie údržby
V historii výroby se objevilo několik strategií údržby:
- Reaktivní údržba opravuje problémy po jejich výskytu.
- Preventivní údržba řeší problémy dříve, než k nim dojde, a to podle plánu údržby na základě předchozích zkušeností se selháním.
- PdM také řeší problémy před jejich výskytem, ale považuje skutečné využití zařízení místo práce z pevného plánu.
Z těchto tří je pdM nejobtížnější z důvodu omezení shromažďování, zpracování a vizualizace dat. Pojďme se podrobněji podívat na každou z těchto strategií.
Reaktivní údržba
Reaktivní údržba obsluhuje prostředek pouze v případě, že se prostředek nezdaří. Například motor 5osého CNC strojního centra je obsluhován pouze tehdy, když přestane fungovat. Reaktivní údržba maximalizuje životnost součástí. Kromě jiných problémů přináší také neznámé objemy výpadků a neočekávané škody v zajištění způsobené neúspěšnými součástmi.
Preventivní údržba
Prostředky preventivní údržby v předem určených intervalech. Interval aktiva je obvykle založený na známé frekvenci selhání aktiva, historickém výkonu, simulacích a statistickém modelování. Výhodou preventivní údržby je, že zvyšuje dobu provozu, vede k menšímu počtu selhání a umožňuje plánování údržby. Nevýhodou v mnoha případech je, že nahrazená komponenta má nějakou životnost. Výsledkem je nadměrná údržba a plýtvání. Na opačné straně můžou části selhat před plánovanou údržbou. Pravděpodobně znáte dobře preventivní údržbu: po každé nastavené době provozu (nebo některé jiné metriky), zastavíte stroj, zkontrolujete ho a nahradíte všechny části, které mají být nahrazeny.
Pdm
PdM používá modely k predikci, kdy má asset pravděpodobně selhání komponenty, aby bylo možné naplánovat údržbu za běhu. PdM vylepšuje předchozí strategie maximalizací doby provozu a životnosti prostředků. Vzhledem k tomu, že zařízení obsluhujete v časech, které jsou blízko maximální životnosti komponent, strávíte méně peněz výměnou pracovních částí. Nevýhodou je, že povaha PdM za běhu je obtížnější provést, protože vyžaduje responzivní a flexibilnější organizaci služeb. Zpět na motor 5osého CNC strojního centra s PdM naplánujete údržbu v pohodlný čas, který je blízko očekávaného času selhání motoru.
Různé způsoby, jak se dá pdM nabídnout
Výrobce může pomocí pdM monitorovat své vlastní výrobní operace. Může ho také používat způsoby, které poskytují nové obchodní příležitosti a streamy výnosů. Příklad:
- Výrobce přidává hodnotu pro své zákazníky tím, že nabízí služby PdM pro své produkty.
- Výrobce nabízí své produkty v rámci modelu product-as-a-Service, ve kterém se zákazníci přihlašují k odběru produktu místo jeho nákupu. V rámci tohoto modelu chce výrobce maximalizovat dobu provozu produktu, protože produkt negeneruje výnosy, když nefunguje.
- Společnost poskytuje produkty a služby PdM pro produkty vyrobené jinými výrobci.
Vytvoření řešení PdM
Abychom vytvořili řešení PdM, začneme s daty. V ideálním případě data zobrazují normální provoz a stav zařízení před, během a po selhání. Data pocházejí ze senzorů, poznámky udržované operátory zařízení, informace o provozu, údaje o životním prostředí, specifikace strojů atd. Systémy záznamu mohou zahrnovat historky, systémy provádění výroby, plánování podnikových zdrojů (ERP) atd. Data jsou k dispozici pro analýzu různými způsoby. Následující diagram znázorňuje proces TDSP (Team Datová Věda Process). Tento proces je přizpůsobený pro výrobu a má vynikající úlohu při vysvětlení různých aspektů, které se týkají vytváření a spouštění modelů strojového učení.
Vaším prvním úkolem je identifikovat typy selhání, které chcete předpovědět. S ohledem na to pak identifikujete zdroje dat, které mají relevantní data o daném typu selhání. Kanál získá data do systému z vašeho prostředí. Datoví vědci používají k přípravě dat své oblíbené nástroje strojového učení. V tuto chvíli jsou připravení vytvářet a trénovat modely, které dokážou identifikovat různé typy problémů. Modely odpovídají na otázky, jako jsou:
- Jaká je pravděpodobnost selhání aktiva během příštích X hodin? Odpověď: 0-100 %
- Jaký je zbývající životnost aktiva? Odpověď: X hodiny
- Chová se tento prostředek neobvyklým způsobem? Odpověď: Ano nebo Ne
- Který prostředek vyžaduje nejnaléhavější údržbu? Odpověď: Asset X
Po vytvoření můžou modely běžet v:
- Samotné vybavení pro samodiagnostiku.
- Hraniční zařízení ve výrobním prostředí.
- Azure
Po nasazení budete dál sestavovat a udržovat řešení PdM.
S Azure můžete trénovat a testovat modely na zvolené technologii. Můžete použít GPU, programovatelná hradlová pole (FPGA), procesory, velké paměťové počítače atd. Azure plně využívá opensourcové nástroje, které používají datoví vědci, jako je R a Python. Po dokončení analýzy se výsledky dají zobrazit v jiných omezujících vlastnostích řídicího panelu nebo v jiných sestavách. Tyto sestavy se můžou zobrazovat ve vlastních nástrojích nebo v nástrojích pro vytváření sestav, jako je Power BI.
Bez ohledu na to, co váš pdM potřebuje, Azure nabízí nástroje, škálování a možnosti pro vytvoření solidního řešení.
Začínáme
Velké množství vybavení, které se nachází v výrobní podlahě, generuje data. Začněte ho shromažďovat co nejdříve. Při výskytu selhání analyzují datoví vědci data, aby vytvořili modely pro detekci budoucích selhání. Při sestavování znalostí o detekci selhání přejděte do prediktivního režimu, ve kterém opravíte komponenty během plánovaných výpadků. Průvodce modelováním prediktivní údržby poskytuje solidní návod k vytváření částí řešení strojového učení.
Pokud se potřebujete dozvědět o vytváření modelů, doporučujeme navštívit základy datových věd pro strojové učení. Modul Úvod do Azure Machine Učení Learn vás seznámí s nástroji Azure.
Komponenty
Azure Blob Storage je škálovatelné a zabezpečené úložiště objektů pro nestrukturovaná data. Můžete ho použít pro archivy, datová jezera, vysokovýkonné výpočetní prostředí, strojové učení a úlohy nativní pro cloud.
Azure Cosmos DB je plně spravovaná a vysoce responzivní škálovatelná databáze NoSQL pro vývoj moderních aplikací. Poskytuje zabezpečení na podnikové úrovni a podporuje rozhraní API pro mnoho databází, jazyků a platforem. Mezi příklady patří SQL, MongoDB, Gremlin, Table a Apache Cassandra. Bezserverové možnosti automatického škálování ve službě Azure Cosmos DB efektivně spravují požadavky na kapacitu aplikací.
Azure Data Lake Storage je široce škálovatelná a zabezpečená služba úložiště pro vysoce výkonné analytické úlohy. Data obvykle pocházejí z více heterogenních zdrojů a mohou být strukturovaná, částečně strukturovaná nebo nestrukturovaná. Data Lake Storage Gen2 kombinuje funkce Data Lake Storage Gen1 se službou Blob Storage a poskytuje sémantiku systému souborů, zabezpečení na úrovni souborů a škálování. Nabízí také vrstvené úložiště, vysokou dostupnost a možnosti zotavení po havárii služby Blob Storage.
Azure Event Hubs je vysoce škálovatelná platforma streamování dat a služba pro příjem událostí, která dokáže přijímat a zpracovávat miliony událostí za sekundu. Služba Event Hubs dokáže zpracovávat a ukládat události, data nebo telemetrické údaje produkované distribuovaným softwarem a zařízeními. Data odesílaná do centra událostí je možné transformovat a ukládat pomocí libovolného poskytovatele analýz v reálném čase nebo adaptérů dávkování a úložiště. Služba Event Hubs poskytuje funkce publikování a odběru s nízkou latencí v masivním měřítku, což je vhodné pro scénáře s velkými objemy dat.
Azure IoT Edge nasazuje cloudové úlohy pro spouštění na hraničních zařízeních prostřednictvím standardních kontejnerů. Inteligentní zařízení IoT Edge můžou rychle a offline reagovat, snížit latenci a využití šířky pásma a zvýšit spolehlivost. Můžou také omezit náklady předzpracováním a odesíláním pouze nezbytných dat do cloudu. Zařízení můžou spouštět moduly umělé inteligence a strojového učení, služby Azure a služby třetích stran a vlastní obchodní logiku.
Azure IoT Hub je plně spravovaná služba, která umožňuje spolehlivou a zabezpečenou obousměrnou komunikaci mezi miliony zařízení IoT a cloudovým back-endem. Poskytuje ověřování podle zařízení, směrování zpráv, integraci s dalšími službami Azure a funkce správy pro řízení a konfiguraci zařízení.
Azure Machine Učení je služba strojového učení na podnikové úrovni pro rychlé sestavování a nasazování modelů. Poskytuje uživatelům na všech úrovních dovedností návrháře s nízkým kódem, automatizované strojové učení a hostované prostředí poznámkového bloku Jupyter, které podporuje různé prostředí IDEs.
Machine learning umožňuje počítačům učit se z dat a zkušeností a jednat bez explicitního naprogramování. Zákazníci můžou vytvářet aplikace umělé inteligence, které inteligentně vycítají, zpracovávají a zpracovávají informace, rozšiřují lidské schopnosti, zvyšují rychlost a efektivitu a pomáhají organizacím dosahovat více.
Azure Service Bus je plně spravovaný podnikový zprostředkovatel zpráv s frontami zpráv a tématy publikování a odběru. Slouží k připojení aplikací, služeb a zařízení. Společně se službou Azure Relay se service Bus může připojit k vzdáleně hostovaným aplikacím a službám.
Azure SQL je řada cloudových databází SQL, která poskytuje jednotné prostředí pro celé portfolio SQL a širokou škálu možností nasazení z hraničních zařízení do cloudu.
Azure SQL Database, která je součástí řady Azure SQL, je plně spravovaný databázový stroj PaaS (Platforma jako služba). Vždy běží na nejnovější stabilní verzi databázového stroje SQL Serveru a opraveného operačního systému. Zpracovává většinu funkcí správy databází za vás, včetně upgradu, oprav, zálohování a monitorování. Poskytuje nejširší kompatibilitu modulu SQL Serveru, takže můžete migrovat databáze SQL Serveru beze změny aplikací.
Power BI je sada nástrojů pro obchodní analýzy, které poskytují možnosti pro vytváření bohatých interaktivních vizualizací dat. Zahrnuje služby, aplikace a konektory, které můžou převést nesouvisející zdroje dat na koherentní, vizuálně imerzivní a interaktivní přehledy. Power BI se může připojit ke stovkám zdrojů dat, zjednodušit přípravu dat a podporovat ad hoc analýzu.
Azure Data Explorer je rychlá a vysoce škálovatelná služba pro zkoumání dat protokolů a telemetrie. Azure Data Explorer můžete použít k vývoji služby časových řad. Azure Data Explorer zahrnuje nativní podporu pro vytváření, manipulaci a analýzu více časových řad s řešeními a pracovními postupy monitorování téměř v reálném čase.
Azure Data Explorer dokáže ingestovat data z Azure IoT Hubu, Azure Event Hubs, Azure Stream Analytics, Power Automate, Azure Logic Apps, Kafka, Apache Spark a mnoha dalších služeb a platforem. Příjem dat je škálovatelný a neexistují žádná omezení. Mezi podporované formáty příjmu dat v Azure Data Exploreru patří JSON, CSV, Avro, Parquet, ORC, TXT a další formáty.
Webové uživatelské rozhraní Azure Data Exploreru umožňuje spouštět dotazy a vytvářet řídicí panely vizualizace dat. Azure Data Explorer se také integruje s dalšími službami řídicího panelu, jako jsou Power BI, Grafana a další nástroje pro vizualizaci dat, které používají konektory ODBC a JDBC. Optimalizovaný nativní konektor Azure Data Exploreru pro Power BI podporuje přímý dotaz nebo režim importu, včetně parametrů dotazu a filtrů. Další informace najdete v tématu Vizualizace dat pomocí Azure Data Exploreru.
Závěr
PdM zlepšuje plány preventivní údržby tím, že identifikuje konkrétní komponenty pro kontrolu a opravu nebo nahrazení. Vyžaduje, aby počítače, které jsou instrumentované a připojené k poskytování dat pro vytváření řešení PdM.
Infrastruktura Microsoftu vám může pomoct sestavovat řešení, která běží na zařízení, na hraničních zařízeních a v cloudu. Existuje mnoho zdrojů, které vám pomůžou začít.
Začněte tím, že vyberete první až tři selhání, kterým chcete zabránit a zahájit proces zjišťování s těmito položkami. Pak určete, jak získat data, která pomáhají identifikovat selhání. Zkombinujte tato data s dovednostmi, které získáte z kurzu Základy datových věd pro strojové učení , abyste mohli vytvářet modely PdM.
Přispěvatelé
Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.
Hlavní autor:
- Scott Seely | Softwarový architekt
Další kroky
- Seznámení se službou Azure Blob Storage
- Dokumentace ke službě Azure Cosmos DB
- Dokumentace ke službě Azure Data Lake Storage Gen1
- Dokumentace ke službě Azure Event Hubs
- Dokumentace k Azure IoT Edge
- Dokumentace ke službě Azure IoT Hub
- Dokumentace ke službě Azure Machine Learning
- Dokumentace ke zasílání zpráv služby Azure Service Bus
- Dokumentace ke službě Azure Relay
- Dokumentace k Azure SQL
- Dokumentace pro řešení Power BI
- Analýza časových řad v Azure Data Exploreru