Visszajelzés Szerkesztés

Bevezetés a gyártás prediktív karbantartásába

Data Lake Storage
Event Hubs
IoT Hub
IoT Edge
Machine Learning

A prediktív karbantartás (PdM) előrejelzi, hogy a karbantartásnak kerülnie kell a nem ütemezett állásidővel járó költségeket. Az eszközökhöz való csatlakozással és az eszközök által előállított adatok monitorozásával azonosíthatja azokat a mintákat, amelyek potenciális problémákhoz vagy hibákhoz vezetnek. Ezután ezeket az elemzéseket felhasználhatja a problémák megoldására, mielőtt azok bekövetkeznének. A berendezések vagy eszközök karbantartásra szoruló állapotának előrejelzése lehetővé teszi a berendezések élettartamának optimalizálását és az állásidő minimalizálását.

A PdM kinyeri azokat az adatokat, amelyeket a berendezés állít elő az üzlethelyiségben, majd ezekre a megállapításokra hat. A PdM ötlete az 1990-es évek elejére nyúlik vissza. A PdM a rendszeres ütemezett megelőző karbantartást bővíti. Az érzékelőknek az adatok létrehozására való rendelkezésre állása, valamint az adatok gyűjtéséhez és elemzéséhez szükséges számítási erőforrások hiánya megnehezítette a PdM implementálását. Napjainkban az eszközök internetes hálózatának (IoT), a felhőalapú számítástechnikának, az adatelemzésnek és a gépi tanulásnak köszönhetően a PdM általánosan elterjedt.

A PDM-hez olyan érzékelők adataira van szükség, amelyek figyelik a berendezést, valamint egyéb működési adatokat. A PdM rendszer elemzi az adatokat, és tárolja az eredményeket. Az emberek az elemzés alapján cselekszenek.

Miután bemutattunk néhány hátteret ebben a cikkben, bemutatjuk, hogyan valósítható meg egy PdM-megoldás különböző részei a helyszíni adatok, Azure Machine Learning és gépi tanulási modellek kombinációjával. A PdM nagy mértékben támaszkodik az adatokra a döntések meghozatalához, ezért az adatgyűjtéssel kezdjük. Az adatokat összegyűjteni kell, majd fel kell használni a folyamatban lévő események kiértékeléséhez, valamint a jövőbeli jobb prediktív modellek létrehozásához. Végül elmagyarázzuk, hogyan néz ki egy elemzési megoldás, beleértve az elemzési eredmények vizualizációját egy olyan jelentéskészítő eszközben, mint a Microsoft Power BI.

Karbantartási stratégiák

A gyártás történetében számos karbantartási stratégia jelent meg:

  • A reaktív karbantartás megoldja a problémákat azok bekövetkezése után.
  • A megelőző karbantartás kijavítja a problémákat, mielőtt bekövetkeznének, ha a korábbi meghibásodási tapasztalatok alapján karbantartási ütemezést követ.
  • A PdM a problémákat még azok bekövetkezése előtt kijavítja, de a rögzített ütemezés helyett figyelembe veszi a berendezés tényleges kihasználtságát.

A három közül a PdM volt a legnehezebb az adatgyűjtésre, feldolgozásra és vizualizációra vonatkozó korlátozások miatt. Vizsgáljuk meg részletesebben ezeket a stratégiákat.

Reaktív karbantartás

A reaktív karbantartás csak akkor nyújtja az objektumot, ha az eszköz meghibásodik. Az öttengelyes CNC-megmunkáló központ motorját például csak akkor szervizelik, ha leáll. A reaktív karbantartás maximalizálja az összetevők élettartamát. Emellett többek között ismeretlen mennyiségű állásidőt és váratlan fedezeti kárt is eredményez, amelyeket a hibás összetevők okoznak.

Diagram that illustrates reactive maintenance.

Megelőző karbantartás

Megelőző karbantartási szolgáltatások eszközei előre meghatározott időközönként. Az eszköz időköze általában az eszköz ismert meghibásodási gyakoriságán, előzményteljesítményén, szimulációin és statisztikai modellezésén alapul. A megelőző karbantartás előnye, hogy növeli az üzemidőt, kevesebb meghibásodást eredményez, és lehetővé teszi a karbantartást. A hátránya sok esetben az, hogy a lecserélt összetevőnek van egy kis élettartama. Ez túlkarbantartást és hulladékot eredményez. A tükrözés oldalán az alkatrészek az ütemezett karbantartás előtt meghibásodhatnak. Valószínűleg jól ismeri a megelőző karbantartást: minden meghatározott üzemóra (vagy más metrika) után leállítja a gépet, megvizsgálja, és lecseréli a lecserélni kívánt alkatrészeket.

Diagram that illustrates preventive maintenance.

Pdm

A PdM modelleket használ annak előrejelzésére, hogy egy objektum valószínűleg meghibásodik-e egy összetevővel, így az igény szerinti karbantartás ütemezhető. A PDM az üzemidő és az eszköz élettartamának maximalizálásával javítja a korábbi stratégiákat. Mivel a berendezést olyan időszakokban szervizeli, amelyek közel állnak az alkatrész maximális élettartamához, kevesebb pénzt költ a munkadarabok cseréjére. A hátránya az, hogy a PdM igény szerint történő végrehajtása nehezebb, mivel rugalmasabb és rugalmasabb szolgáltatásszervezést igényel. Térjen vissza az 5 tengelyes CNC megmunkáló központ motorjára, a PdM segítségével a karbantartást kényelmes időpontban ütemezheti, amely közel van a motor várható meghibásodási idejéhez.

Diagram that illustrates PdM.

A PdM különböző módjai

A gyártó a PdM használatával monitorozhatja saját gyártási műveleteit. Új üzleti lehetőségeket és bevételi forrásokat biztosító módon is használhatja. Például:

  • A gyártó a termékeihez PdM-szolgáltatásokat kínálva értéket ad az ügyfeleinek.
  • A gyártó egy olyan szolgáltatásként nyújtott termékmodell keretében kínálja termékeit, amelyben az ügyfelek a vásárlás helyett előfizetnek a termékre. Ebben a modellben a gyártó maximalizálni szeretné a termék üzemidejét, mivel a termék nem hoz létre bevételt, ha nem működik.
  • A vállalat PdM-termékeket és -szolgáltatásokat nyújt más gyártók által gyártott termékekhez.

PdM-megoldás létrehozása

PdM-megoldás létrehozásához az adatokkal kezdjük. Ideális esetben az adatok normál működést és a berendezés állapotát mutatják meghibásodások előtt, alatt és után. Az adatok érzékelőkből, a berendezések üzemeltetői által karbantartott jegyzetekből, a futtatási információkból, a környezeti adatokból, a gép specifikációiból és így tovább származnak. A rekordrendszerek közé tartozhatnak a történészek, a gyártási végrehajtási rendszerek, a vállalati erőforrás-tervezés (ERP) stb. Az adatok többféleképpen is elérhetővé válnak elemzéshez. Az alábbi ábrán a Team Data Science Process (TDSP) látható. A folyamat a gyártáshoz van testre szabva, és kiválóan elmagyarázza a gépi tanulási modellek létrehozásakor és végrehajtásakor felmerülő különböző aggályokat.

The diagram summarizes the Team Data Science Process.

Az első feladat az előrejelezni kívánt hibák típusainak azonosítása. Ezt szem előtt tartva azonosíthatja azokat az adatforrásokat, amelyek releváns adatokkal rendelkeznek az adott hibatípusról. A folyamat a környezetből szerzi be az adatokat a rendszerbe. Az adattudósok kedvenc gépi tanulási eszközeikkel készítik elő az adatokat. Ezen a ponton készen állnak a különböző típusú problémák azonosítására alkalmas modellek létrehozására és betanítása. A modellek a következő kérdésekre ad választ:

  • Az objektum esetében mekkora a valószínűsége annak, hogy a hiba a következő X órán belül bekövetkezik? Válasz: 0-100%
  • Mennyi az eszköz hátralévő hasznos élettartama? Válasz: X óra
  • Szokatlan módon viselkedik ez az eszköz? Válasz: Igen vagy Nem
  • Melyik eszközhöz van szükség a legsürgetőbb karbantartásra? Válasz: X objektum

A fejlesztés után a modellek a következő módon futtathatók:

  • Maga a berendezés az öndiagnosztikahoz.
  • Egy peremeszköz a gyártási környezetben.
  • Azure.

Az üzembe helyezés után folytatja a PdM-megoldás összeállítását és karbantartását.

Az Azure-ral betanítheti és tesztelheti a modelleket a választott technológián. Használhat GPU-kat, mezőprogramozható kaputömböket (FPGA-kat), processzorokat, nagy memóriás gépeket stb. Az Azure teljes mértékben magában foglalja az adatelemzők által használt nyílt forráskódú eszközöket, például az R-t és a Pythont. Az elemzés befejeződése után az eredmények megjeleníthetők az irányítópult más aspektusaiban vagy más jelentésekben. Ezek a jelentések megjelenhetnek egyéni eszközökben vagy jelentéskészítő eszközökben, például Power BI vagy Azure Time Series Insights.

Bármire is van szüksége a PdM-nek, az Azure rendelkezik a szilárd megoldás létrehozásához szükséges eszközökkel, méretezéssel és képességekkel.

Első lépések

A gyár padlóján található sok berendezés adatokat generál. A lehető leghamarabb kezdje el gyűjteni. A hibák bekövetkezésekor az adattudósok elemezzék az adatokat, hogy modelleket hozzanak létre a jövőbeli hibák észleléséhez. Ahogy a tudás a hibaészlelésre épül, váltsa át a prediktív módba, ahol az összetevőket a tervezett állásidő során kijavíthatja. A prediktív karbantartási modellezési útmutató szilárd útmutatót nyújt a megoldás gépi tanulási részeinek elkészítéséhez.

Egy példamegoldás megtekintéséhez tekintse át az Aerospace PdM-hez készült megoldását, útmutatóját és forgatókönyvét. Ha többet szeretne megtudni a modellek készítéséről, javasoljuk, hogy keresse fel az adatelemzés alapjait a gépi tanuláshoz. A Azure Machine Learning Learn-modul bemutatása bemutatja az Azure-eszközöket.

Összetevők

  • Azure Blob Storage skálázható és biztonságos objektumtároló strukturálatlan adatokhoz. Használhatja archívumokhoz, adattavakhoz, nagy teljesítményű számítástechnikához, gépi tanuláshoz és natív felhőbeli számítási feladatokhoz.

  • Az Azure Cosmos DB egy teljes mértékben felügyelt, rendkívül rugalmas, méretezhető NoSQL-adatbázis a modern alkalmazásfejlesztéshez. Nagyvállalati szintű biztonságot nyújt, és számos adatbázishoz, nyelvhez és platformhoz támogatja az API-kat. Ilyen például a SQL, a MongoDB, a Gremlin, a Table és az Apache Cassandra. Az Azure Cosmos DB kiszolgáló nélküli automatikus skálázási lehetőségei hatékonyan kezelik az alkalmazások kapacitásigényét.

  • Azure Data Lake Storage egy nagymértékben skálázható és biztonságos tárolási szolgáltatás a nagy teljesítményű elemzési számítási feladatokhoz. Az adatok általában több heterogén forrásból származnak, és strukturáltak, részben strukturáltak vagy strukturálatlanok lehetnek. Data Lake Storage Gen2 Data Lake Storage Gen1 képességeket kombinál a Blob Storage, és fájlrendszer-szemantikát, fájlszintű biztonságot és skálázást biztosít. Emellett a Blob Storage rétegzett tárolási, magas rendelkezésre állási és vészhelyreállítási képességeit is biztosítja.

  • Azure Event Hubs egy nagy mértékben skálázható adatstreamelési platform és eseménybetöltési szolgáltatás, amely másodpercenként több millió esemény fogadására és feldolgozására képes. Az Event Hubs képes az elosztott szoftverek és eszközök által generált események, adatok vagy telemetria feldolgozására és tárolására. Az eseményközpontba küldött adatok bármilyen valós idejű elemzési szolgáltatóval, kötegelési és tárolási adapterrel átalakíthatók és tárolhatók. Az Event Hubs nagy léptékű, alacsony késésű közzétételi-feliratkozási képességeket biztosít, ami a big data-forgatókönyvekhez teszi megfelelővé.

  • Az Azure IoT Edge felhőbeli számítási feladatokat helyez üzembe a peremeszközökön való futtatáshoz standard tárolókon keresztül. IoT Edge intelligens eszközök gyorsan és offline reagálhatnak, csökkenthetik a késést és a sávszélesség-használatot, és növelhetik a megbízhatóságot. A költségeket úgy is korlátozhatják, hogy előfeldolgozást végzik, és csak a szükséges adatokat küldik el a felhőbe. Az eszközök AI- és gépi tanulási modulokat, Azure- és külső szolgáltatásokat, valamint egyéni üzleti logikát futtathatnak.

  • Azure IoT Hub egy teljes körűen felügyelt szolgáltatás, amely megbízható és biztonságos kétirányú kommunikációt tesz lehetővé több millió IoT-eszköz és egy felhőalapú háttérrendszer között. Eszközalapú hitelesítést, üzenet-útválasztást, más Azure-szolgáltatásokkal való integrációt, valamint felügyeleti funkciókat biztosít az eszközök vezérléséhez és konfigurálásához.

  • Machine Learning egy nagyvállalati szintű gépi tanulási szolgáltatás modellek gyors létrehozásához és üzembe helyezéséhez. Minden készségszinten biztosít a felhasználóknak alacsony kódszámú tervezőt, automatizált gépi tanulást és egy üzemeltetett Jupyter notebook-környezetet, amely támogatja a különböző ide-k használatát.

    A gépi tanulás lehetővé teszi, hogy a számítógépek tanuljanak az adatokból és a tapasztalatokból, és explicit programozás nélkül cselekedjenek. Az ügyfelek olyan AI-alkalmazásokat hozhatnak létre, amelyek intelligensen érzékelik, feldolgozzák és kezelik az információkat, kibővítik az emberi képességeket, növelik a sebességet és a hatékonyságot, és segítenek a szervezeteknek a jobb eredmények elérésében.

  • Azure Service Bus egy teljes körűen felügyelt vállalati üzenetközvetítő üzenetsorokkal és közzétételi-feliratkozási témakörökkel. Alkalmazások, szolgáltatások és eszközök csatlakoztatására szolgál. Az Azure Relayrel együtt a Service Bus távolról üzemeltetett alkalmazásokhoz és szolgáltatásokhoz is csatlakozhat.

  • Azure SQL egy SQL felhőadatbázis-család, amely egységes felületet biztosít a teljes SQL portfólióhoz, és számos üzembehelyezési lehetőséget kínál a peremhálózattól a felhőig.

  • A Azure SQL-család részét képező Azure SQL Database egy teljes körűen felügyelt szolgáltatásként nyújtott platform (PaaS) adatbázismotor. Mindig a SQL Server adatbázismotor legújabb stabil verzióján és a javított operációs rendszeren fut. A legtöbb adatbázis-kezelési funkciót kezeli, beleértve a frissítést, a javításokat, a biztonsági mentéseket és a figyelést. Ez biztosítja a legszélesebb körű SQL Server motorkompatibilitást, így az alkalmazások módosítása nélkül migrálhatja SQL Server adatbázisait.

  • Power BI egy üzleti elemzési eszközökből álló csomag, amely gazdag interaktív adatvizualizációk létrehozására szolgál. Olyan szolgáltatásokat, alkalmazásokat és összekötőket tartalmaz, amelyek a nem kapcsolódó adatforrásokat koherens, vizuálisan magával ragadó és interaktív elemzésekké alakítják. Power BI több száz adatforráshoz csatlakozhat, egyszerűbbé teheti az adatok előkészítését, és támogathatja az alkalmi elemzést.

  • A Time Series Elemzések egy teljes körűen felügyelt elemzési, tárolási és vizualizációs szolgáltatás idősorozat-adatokhoz. Vizualizációkat biztosít, például különböző idősorok átfedéseit, irányítópult-összehasonlításokat, hozzáférhető táblázatos nézeteket és hőtérképeket. Képes adatokat fogadni az Event Hubsból, IoT Hub vagy Blob Storage-ból, és SQL-szerű szűrést és összesítést biztosít, így enyhítve a felhasználó által definiált függvények szükségességét. A Time Series Elemzések összes adata a memóriában és SSD-kben van tárolva, ami biztosítja, hogy az adatok mindig készen állnak az interaktív elemzésre. Például több tízmillió esemény jellemző összesítése ezredmásodpercben fejeződik be. A Time Series Elemzések globális áttekintést nyújt az adatokról, így gyorsan ellenőrizheti az IoT-megoldást, és elkerülheti a kritikus fontosságú eszközök költséges állásidejét.

Összegzés

A PDM javítja a megelőző karbantartási ütemterveket azáltal, hogy azonosítja azokat az összetevőket, amelyek vizsgálatára, javítására vagy cseréjére van lehetőség. Ehhez olyan gépekre van szükség, amelyek rendszerezettek és csatlakoztatva vannak ahhoz, hogy adatokat biztosítsanak a PdM-megoldások létrehozásához.

Az első lépésekhez számos forrás áll rendelkezésre.

A Microsoft infrastruktúrája segíthet olyan megoldások létrehozásában, amelyek az eszközön, a peremhálózaton és a felhőben futnak.

Először válassza ki az első 1-3 hibát, amelyet meg szeretne előzni, és kezdje meg a felderítési folyamatot ezekkel az elemekkel. Ezután határozza meg, hogyan szerezheti be azokat az adatokat, amelyek segítenek azonosítani a hibákat. Ezeket az adatokat kombinálhatja azokkal a készségekkel, amelyeket az adatelemzés alapjaiból szerezhet a gépi tanulási kurzuson a PdM-modellek létrehozásához.

Közreműködők

Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.

Fő szerző:

Következő lépések