Edit

Pendahuluan pemeliharaan prediktif di bidang manufaktur

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

Pemeliharaan prediktif (PdM) mengantisipasi kebutuhan pemeliharaan untuk menghindari biaya yang terkait dengan waktu henti yang tidak terjadwal. Dengan menyambungkan ke perangkat dan memantau data yang dihasilkan perangkat, Anda dapat mengidentifikasi pola yang menyebabkan potensi masalah atau kegagalan. Anda kemudian dapat menggunakan wawasan ini untuk mengatasi masalah sebelum terjadi. Kemampuan untuk memprediksi kapan peralatan atau aset membutuhkan pemeliharaan memungkinkan Anda mengoptimalkan masa pakai peralatan dan meminimalkan waktu henti.

PdM mengekstrak wawasan dari data yang dihasilkan oleh peralatan di lantai toko dan kemudian bertindak berdasarkan wawasan ini. Ide PdM kembali ke awal 1990-an. PdM menambah pemeliharaan pencegahan yang dijadwalkan secara teratur. Sejak dini, tidak tersedianya sensor untuk menghasilkan data, dan kurangnya sumber daya komputasi untuk mengumpulkan dan menganalisis data, menyulitkan penerapan PdM. Saat ini, karena kemajuan di Internet of Things (IoT), komputasi cloud, analitik data, dan pembelajaran mesin, PdM dapat menjadi mainstream.

PdM memerlukan data dari sensor yang memantau peralatan, dan data operasional lainnya. Sistem PdM menganalisis data dan menyimpan hasilnya. Manusia bertindak berdasarkan analisis.

Setelah memperkenalkan beberapa latar belakang dalam artikel ini, kami membahas cara mengimplementasikan berbagai bagian solusi PdM menggunakan kombinasi data lokal, Azure Pembelajaran Mesin, dan model pembelajaran mesin. PdM sangat bergantung pada data untuk membuat keputusan, jadi kita mulai dengan melihat pengumpulan data. Data harus dikumpulkan dan kemudian digunakan untuk mengevaluasi apa yang terjadi sekarang, serta digunakan untuk membangun model prediktif yang lebih baik di masa depan. Terakhir, kami menjelaskan seperti apa solusi analisis, termasuk visualisasi hasil analisis dalam alat pelaporan seperti Microsoft Power BI.

Strategi pemeliharaan

Selama sejarah manufaktur, beberapa strategi pemeliharaan muncul:

  • Pemeliharaan reaktif memperbaiki masalah setelah terjadi.
  • Pemeliharaan pencegahan memperbaiki masalah sebelum terjadi dengan mengikuti jadwal pemeliharaan berdasarkan pengalaman kegagalan sebelumnya.
  • PdM juga memperbaiki masalah sebelum terjadi, tetapi mempertimbangkan pemanfaatan peralatan yang sebenarnya alih-alih bekerja dari jadwal tetap.

Dari ketiganya, PdM adalah yang paling sulit dicapai karena keterbatasan pengumpulan, pemrosesan, dan visualisasi data. Mari kita lihat masing-masing strategi ini secara lebih rinci.

Pemeliharaan reaktif

Layanan pemeliharaan reaktif aset hanya ketika aset gagal. Misalnya, motor pusat pemesinan CNC 5-sumbu Anda hanya dilayankan ketika berhenti berfungsi. Pemeliharaan reaktif memaksimalkan masa pakai komponen. Ini juga memperkenalkan, di antara masalah lain, jumlah waktu henti yang tidak diketahui dan kerusakan jaminan yang tidak terduga yang disebabkan oleh komponen yang gagal.

Diagram yang mengilustrasikan pemeliharaan reaktif.

Pemeliharaan pencegahan

Aset layanan pemeliharaan pencegahan pada interval yang telah ditentukan sebelumnya. Interval untuk aset biasanya didasarkan pada frekuensi kegagalan aset yang diketahui, performa historis, simulasi, dan pemodelan statistik. Keuntungan dari pemeliharaan pencegahan adalah meningkatkan waktu aktif, menghasilkan lebih sedikit kegagalan, dan memungkinkan pemeliharaan direncanakan. Kelemahan dalam banyak kasus adalah komponen yang diganti memiliki beberapa kehidupan yang tersisa. Ini menghasilkan pemeliharaan dan limbah yang berlebihan. Di sisi balik, bagian dapat gagal sebelum pemeliharaan terjadwal. Anda mungkin tahu pemeliharaan pencegahan dengan baik: setelah setiap jam operasi yang ditetapkan (atau beberapa metrik lainnya), Anda menghentikan mesin, memeriksanya, dan mengganti bagian apa pun yang akan diganti.

Diagram yang mengilustrasikan pemeliharaan pencegahan.

PdM

PdM menggunakan model untuk memprediksi kapan aset kemungkinan memiliki komponen gagal, sehingga pemeliharaan just-in-time dapat dijadwalkan. PdM meningkatkan strategi sebelumnya dengan memaksimalkan waktu aktif dan masa pakai aset. Karena Anda melayani peralatan kadang-kadang yang dekat dengan komponen seumur hidup maksimum, Anda menghabiskan lebih sedikit uang menggantikan bagian kerja. Kelemahannya adalah sifat PdM just-in-time lebih sulit dijalankan karena membutuhkan organisasi layanan yang lebih responsif dan fleksibel. Kembali ke motor pusat pemesinan CNC 5-sumbu, dengan PdM Anda menjadwalkan pemeliharaannya pada waktu yang nyaman yang dekat dengan waktu kegagalan motor yang diharapkan.

Diagram yang mengilustrasikan PdM.

Berbagai cara PdM dapat ditawarkan

Produsen dapat menggunakan PdM untuk memantau operasi manufakturnya sendiri. Ini juga dapat menggunakannya dengan cara yang memberikan peluang bisnis baru dan aliran pendapatan. Contohnya:

  • Produsen menambahkan nilai bagi pelanggannya dengan menawarkan layanan PdM untuk produknya.
  • Produsen menawarkan produknya di bawah model Product-as-a-Service di mana pelanggan berlangganan produk alih-alih membelinya. Di bawah model ini, produsen ingin memaksimalkan waktu aktif produk, karena produk tidak menghasilkan pendapatan ketika tidak berfungsi.
  • Sebuah perusahaan menyediakan produk dan layanan PdM untuk produk yang diproduksi oleh produsen lain.

Membangun solusi PdM

Untuk membangun solusi PdM, kita mulai dengan data. Idealnya data menunjukkan operasi normal dan status peralatan sebelum, selama, dan setelah kegagalan. Data berasal dari sensor, catatan yang dikelola oleh operator peralatan, informasi eksekusi, data lingkungan, spesifikasi mesin, dan sebagainya. Sistem catatan dapat mencakup sejarawan, sistem eksekusi manufaktur, perencanaan sumber daya perusahaan (ERP), dan sebagainya. Data tersedia untuk analitik dengan berbagai cara. Diagram berikut mengilustrasikan Team Ilmu Data Process (TDSP). Proses ini disesuaikan untuk manufaktur dan melakukan pekerjaan yang sangat baik untuk menjelaskan berbagai kekhawatiran yang dimiliki seseorang saat membangun dan menjalankan model pembelajaran mesin.

Diagram ini meringkas Team Ilmu Data Process.

Tugas pertama Anda adalah mengidentifikasi jenis kegagalan yang ingin Anda prediksi. Dengan mengingat hal tersebut, Anda kemudian mengidentifikasi sumber data yang memiliki data yang relevan tentang jenis kegagalan tersebut. Alur mendapatkan data ke dalam sistem dari lingkungan Anda. Ilmuwan data menggunakan alat pembelajaran mesin favorit mereka untuk menyiapkan data. Pada titik ini, model siap untuk membuat dan melatih model yang dapat mengidentifikasi berbagai jenis masalah. Model menjawab pertanyaan seperti:

  • Untuk aset, berapa kemungkinan kegagalan terjadi dalam X jam berikutnya? Jawaban: 0-100%
  • Apa sisa masa pakai aset yang berguna? Jawaban: X jam
  • Apakah aset ini berulah dengan cara yang tidak biasa? Jawaban: Ya atau Tidak
  • Aset mana yang paling mendesak memerlukan layanan? Jawaban: Aset X

Setelah dikembangkan, model dapat berjalan di:

  • Peralatan itu sendiri untuk diagnostik mandiri.
  • Perangkat edge di lingkungan manufaktur.
  • Azure.

Setelah penyebaran, Anda terus membangun dan memelihara solusi PdM.

Dengan Azure, Anda dapat melatih dan menguji model pada teknologi pilihan Anda. Anda dapat menggunakan GPU, array gerbang yang dapat diprogram bidang (FPGA), CPU, komputer memori besar, dan sebagainya. Azure sepenuhnya merangkul alat sumber terbuka yang digunakan ilmuwan data, seperti R dan Python. Setelah analisis selesai, hasilnya dapat ditampilkan di faset dasbor lain atau di laporan lain. Laporan ini bisa muncul di alat kustom atau di alat pelaporan seperti Power BI.

Apa pun kebutuhan PdM Anda, Azure memiliki alat, skala, dan kemampuan untuk membangun solusi yang solid.

Memulai

Banyak peralatan yang ditemukan di lantai pabrik menghasilkan data. Mulai kumpulkan sesegera mungkin. Saat kegagalan terjadi, minta ilmuwan data menganalisis data untuk membuat model untuk mendeteksi kegagalan di masa mendatang. Saat pengetahuan membangun tentang deteksi kegagalan, pindah ke mode prediktif tempat Anda memperbaiki komponen selama waktu henti yang direncanakan. Panduan Pemodelan Pemeliharaan Prediktif menyediakan panduan yang solid untuk membangun bagian pembelajaran mesin solusi.

Jika Anda perlu mempelajari tentang membangun model, sebaiknya kunjungi Yayasan ilmu data untuk pembelajaran mesin. Modul Pengenalan Azure Pembelajaran Mesin Learn memperkenalkan Anda ke alat Azure.

Komponen

  • Azure Blob Storage dapat diskalakan dan mengamankan penyimpanan objek untuk data yang tidak terstruktur. Anda dapat menggunakannya untuk arsip, data lake, komputasi berperforma tinggi, pembelajaran mesin, dan beban kerja cloud-native.

  • Azure Cosmos DB adalah database NoSQL yang dikelola sepenuhnya, sangat responsif, dan dapat diskalakan untuk pengembangan aplikasi modern. Ini menyediakan keamanan tingkat perusahaan dan mendukung API untuk banyak database, bahasa, dan platform. Contohnya termasuk SQL, MongoDB, Gremlin, Table, dan Apache Cassandra. Opsi penskalaan otomatis tanpa server di Azure Cosmos DB secara efisien mengelola tuntutan kapasitas aplikasi.

  • Azure Data Lake Storage adalah layanan penyimpanan yang dapat diskalakan dan aman secara besar-besaran untuk beban kerja analitik berperforma tinggi. Data biasanya berasal dari beberapa sumber heterogen dan dapat disusun, semi terstruktur, atau tidak terstruktur. Data Lake Storage Gen2 menggabungkan kemampuan Data Lake Storage Gen1 dengan Blob Storage, dan menyediakan semantik sistem file, keamanan tingkat file, dan skala. Ini juga menawarkan penyimpanan berjenjang, ketersediaan tinggi, dan kemampuan pemulihan bencana Blob Storage.

  • Azure Event Hubs adalah platform streaming data yang sangat skalabel dan layanan penyerapan peristiwa, yang mampu menerima dan memproses jutaan peristiwa per detik. Event Hubs dapat memproses dan menyimpan peristiwa, data, atau telemetri yang dihasilkan oleh perangkat lunak dan perangkat yang terdistribusi. Data yang dikirim ke pusat aktivitas dapat diubah dan disimpan menggunakan penyedia analitik real time atau adaptor batching dan penyimpanan. Azure Event Hubs menyediakan kemampuan terbitkan-berlangganan dengan latensi rendah dalam skala besar, yang membuatnya sesuai untuk skenario big data.

  • Azure IoT Edge menyebarkan beban kerja cloud untuk berjalan di perangkat edge melalui kontainer standar. Perangkat cerdas IoT Edge dapat merespons dengan cepat dan offline, mengurangi latensi dan penggunaan bandwidth, dan meningkatkan keandalan. Mereka juga dapat membatasi biaya dengan melakukan pra-pemrosesan dan hanya mengirim data yang diperlukan ke cloud. Perangkat dapat menjalankan modul AI dan pembelajaran mesin, layanan Azure dan pihak ketiga, serta logika bisnis kustom.

  • Azure IoT Hub adalah layanan terkelola penuh yang memungkinkan komunikasi dua arah yang andal dan aman antara jutaan perangkat IoT dan back end berbasis cloud. Ini menyediakan autentikasi per perangkat, perutean pesan, integrasi dengan layanan Azure lainnya, dan fitur manajemen untuk mengontrol dan mengonfigurasi perangkat.

  • Azure Pembelajaran Mesin adalah layanan pembelajaran mesin tingkat perusahaan untuk membangun dan menyebarkan model dengan cepat. Ini memberi pengguna di semua tingkat keterampilan dengan perancang kode rendah, pembelajaran mesin otomatis, dan lingkungan notebook Jupyter yang dihosting yang mendukung berbagai IDEs.

    Pembelajaran mesin memungkinkan komputer belajar dari data dan pengalaman dan bertindak tanpa diprogram secara eksplisit. Pelanggan dapat membangun aplikasi AI yang secara cerdas merasakan, memproses, dan bertindak berdasarkan informasi, menambah kemampuan manusia, meningkatkan kecepatan dan efisiensi, dan membantu organisasi mencapai lebih banyak hal.

  • Azure Service Bus adalah perantara pesan perusahaan yang dikelola sepenuhnya dengan antrean pesan dan topik terbitkan-berlangganan. Ini digunakan untuk menghubungkan aplikasi, layanan, dan perangkat. Bersama dengan Azure Relay, Bus Layanan dapat terhubung ke aplikasi dan layanan yang dihosting dari jarak jauh.

  • Azure SQL adalah keluarga database cloud SQL yang memberikan pengalaman terpadu untuk seluruh portofolio SQL Anda, dan berbagai opsi penyebaran dari tepi ke cloud.

  • Azure SQL Database, bagian dari keluarga Azure SQL, adalah platform yang dikelola sepenuhnya sebagai mesin database layanan (PaaS). Ini selalu berjalan pada versi stabil terbaru dari mesin database SQL Server dan OS yang di-patch. Ini menangani sebagian besar fungsi manajemen database untuk Anda, termasuk peningkatan, patching, pencadangan, dan pemantauan. Ini menyediakan kompatibilitas mesin SQL Server terluas, sehingga Anda dapat memigrasikan database SQL Server Tanpa mengubah aplikasi Anda.

  • Power BI adalah serangkaian alat analitik bisnis yang menyediakan kemampuan untuk membuat visualisasi data interaktif yang kaya. Ini termasuk layanan, aplikasi, dan konektor yang dapat mengubah sumber data yang tidak terkait menjadi wawasan yang koheren, imersif secara visual, dan interaktif. Power BI dapat menyambungkan ke ratusan sumber data, menyederhanakan persiapan data, dan mendukung analisis ad hoc.

  • Azure Data Explorer adalah layanan eksplorasi data yang cepat dan sangat dapat diskalakan untuk data log dan telemetri. Anda dapat menggunakan Azure Data Explorer untuk mengembangkan layanan rangkaian waktu. Azure Data Explorer mencakup dukungan asli untuk pembuatan, manipulasi, dan analisis beberapa rangkaian waktu dengan solusi pemantauan dan alur kerja yang hampir real time.

    Azure Data Explorer dapat menyerap data dari Azure IoT Hub, Azure Event Hubs, Azure Stream Analytics, Power Automate, Azure Logic Apps, Kafka, Apache Spark, dan banyak layanan dan platform lainnya. Penyerapan dapat diskalakan, dan tidak ada batasan. Format penyerapan Azure Data Explorer yang didukung termasuk JSON, CSV, Avro, Parquet, ORC, TXT, dan format lainnya.

  • Antarmuka pengguna Web Azure Data Explorer memungkinkan Anda menjalankan kueri dan membangun dasbor visualisasi data. Azure Data Explorer juga terintegrasi dengan layanan dasbor lain seperti Power BI, Grafana, dan alat visualisasi data lainnya yang menggunakan konektor ODBC dan JDBC. Konektor Azure Data Explorer asli yang dioptimalkan untuk Power BI mendukung kueri langsung atau mode impor, termasuk parameter dan filter kueri. Untuk informasi selengkapnya, lihat Visualisasi data dengan Azure Data Explorer.

Kesimpulan

PdM meningkat pada jadwal pemeliharaan pencegahan dengan mengidentifikasi komponen tertentu untuk memeriksa dan memperbaiki atau mengganti. Ini membutuhkan mesin yang diinstrumentasikan dan terhubung untuk menyediakan data untuk membangun solusi PdM.

Infrastruktur Microsoft dapat membantu Anda membangun solusi yang berjalan di perangkat, di tepi, dan di cloud. Ada banyak sumber daya untuk membantu Anda memulai.

Untuk memulai, pilih satu hingga tiga kegagalan teratas yang ingin Anda cegah dan mulai proses penemuan Anda dengan item tersebut. Kemudian, identifikasi cara mendapatkan data yang membantu mengidentifikasi kegagalan. Gabungkan data tersebut dengan keterampilan yang Anda dapatkan dari Yayasan ilmu data untuk kursus pembelajaran mesin untuk membangun model PdM Anda.

Kontributor

Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.

Penulis utama:

Langkah berikutnya