Introduzione alla manutenzione predittiva nel settore della produzione

Data Lake Storage
Hub eventi
Hub IoT
IoT Edge
Machine Learning

La manutenzione predittiva (PdM) prevede che la manutenzione debba evitare i costi associati a tempi di inattività non pianificati. Connettendosi ai dispositivi e monitorando i dati prodotti dai dispositivi, è possibile identificare i modelli che causano potenziali problemi o errori. È quindi possibile usare queste informazioni dettagliate per affrontare i problemi prima che si verifichino. La capacità di prevedere il momento in cui è necessario eseguire la manutenzione di attrezzature o risorse consente di ottimizzare la durata delle attrezzature e di ridurre al minimo i tempi di inattività.

PdM estrae informazioni dettagliate dai dati prodotti dall'apparecchiatura nel negozio e quindi agisce su queste informazioni. L'idea del PdM risale agli inizi degli anni '90. PdM aumenta regolarmente la manutenzione preventiva pianificata. All'inizio, l'indisponibilità dei sensori per generare dati e la mancanza di risorse di calcolo per raccogliere e analizzare i dati, rendeva difficile implementare PdM. Oggi, a causa dei progressi in Internet delle cose (IoT), il cloud computing, l'analisi dei dati e l'apprendimento automatico, PdM può andare mainstream.

PdM richiede dati provenienti da sensori che monitorano le apparecchiature e altri dati operativi. Il sistema manutenzione predittiva analizza i dati e archivia i risultati. L'uomo agisce in base all'analisi.

Dopo aver presentato alcune informazioni di base in questo articolo, viene illustrato come implementare le varie parti di una soluzione PdM usando una combinazione di dati locali, Azure Machine Learning e modelli di Machine Learning. Le decisioni di manutenzione predittiva si basano principalmente sui dati, pertanto si parlerà innanzitutto di raccolta dei dati. I dati devono essere raccolti e quindi usati per valutare le operazioni in corso, nonché per creare modelli predittivi migliori in futuro. Infine, viene illustrato l'aspetto di una soluzione di analisi, inclusa la visualizzazione dei risultati dell'analisi in uno strumento di creazione di report come Microsoft Power BI.

Strategie di manutenzione

Nel corso della storia della produzione sono emerse diverse strategie di manutenzione:

  • La manutenzione reattiva corregge gli errori dopo che si sono verificati.
  • La manutenzione preventiva corregge gli errori prima che si verifichino seguendo una manutenzione pianificata che si basa sugli errori che si sono verificati in precedenza.
  • PdM corregge anche i problemi prima che si verifichino, ma considera l'utilizzo effettivo delle apparecchiature anziché lavorare da una pianificazione fissa.

Dei tre, PdM è stato il più difficile da raggiungere a causa di limitazioni per la raccolta, l'elaborazione e la visualizzazione dei dati. Verranno ora esaminate in modo più dettagliato ognuna di queste strategie.

Manutenzione reattiva

La manutenzione reattiva consente di gestire l'asset solo quando l'asset ha esito negativo. Ad esempio, il motore del centro di lavorazione CN a 5 assi viene usato solo quando smette di funzionare. La manutenzione reattiva ottimizza la durata dei componenti. Introduce inoltre, tra gli altri problemi, quantità sconosciute di tempi di inattività e danni collaterali imprevisti causati da componenti in errore.

Diagram that illustrates reactive maintenance.

Manutenzione preventiva

Asset dei servizi di manutenzione preventiva a intervalli prestabiliti. L'intervallo per un asset è in genere basato sulla frequenza di errore nota dell'asset, sulle prestazioni cronologiche, sulle simulazioni e sulla modellazione statistica. Il vantaggio della manutenzione preventiva è che aumenta il tempo di attività, comporta un minor numero di errori e consente di pianificare la manutenzione. Lo svantaggio in molti casi è che il componente sostituito ha lasciato una vita. Questo comporta sprechi e manutenzione eccessiva. Sul lato capovolgimento, le parti possono avere esito negativo prima della manutenzione pianificata. Probabilmente si conosce bene la manutenzione preventiva: dopo ogni ora di funzionamento impostata (o altre metriche), arrestare il computer, controllarlo e sostituire tutte le parti che sono dovute a essere sostituite.

Diagram that illustrates preventive maintenance.

Pdm

PdM usa i modelli per prevedere quando è probabile che un asset abbia un errore di un componente, in modo che sia possibile pianificare la manutenzione JITE. PdM migliora le strategie precedenti ottimizzando sia il tempo di attività che la vita degli asset. Poiché si servono le apparecchiature a volte vicine alla durata massima del componente, si spendono meno soldi sostituendo parti di lavoro. Lo svantaggio è che la natura jite-in-time di PdM è più difficile da eseguire perché richiede un'organizzazione di servizi più reattiva e flessibile. Torna al motore del centro di lavorazione CN a 5 assi, con PdM pianifica la sua manutenzione in un momento conveniente che è vicino al tempo di guasto previsto del motore.

Diagram that illustrates PdM.

Diversi modi in cui è possibile offrire PdM

Un produttore può usare PdM per monitorare le proprie operazioni di produzione. Può anche usarlo in modi che forniscono nuove opportunità di business e flussi di ricavi. Ad esempio:

  • Un produttore aggiunge valore ai propri clienti offrendo servizi PdM per i suoi prodotti.
  • Un produttore offre i suoi prodotti con un modello Product-as-a-Service in cui i clienti sottoscrivono il prodotto invece di acquistarlo. In questo modello, il produttore vuole ottimizzare il tempo di attività del prodotto, perché il prodotto non genera ricavi quando non funziona.
  • Un'azienda fornisce prodotti e servizi PdM per i prodotti prodotti da altri produttori.

Creazione di una soluzione PdM

Per creare una soluzione PdM, si inizia con i dati. Idealmente, i dati mostrano il normale funzionamento e lo stato dell'apparecchiatura prima, durante e dopo gli errori. I dati provengono da sensori, note gestite dagli operatori di apparecchiature, informazioni di esecuzione, dati ambientali, specifiche del computer e così via. I sistemi di registrazione possono includere storici, sistemi di esecuzione di produzione, pianificazione delle risorse aziendali (ERP) e così via. I dati vengono resi disponibili per l'analisi in diversi modi. Il diagramma seguente illustra il processo TDSP (Team Data Science Process). Il processo è personalizzato per la produzione ed esegue un ottimo lavoro per spiegare le varie preoccupazioni che si hanno durante la compilazione e l'esecuzione di modelli di Machine Learning.

The diagram summarizes the Team Data Science Process.

La prima attività consiste nell'identificare i tipi di errori da stimare. Tenendo presente questo aspetto, si identificano quindi le origini dati che contengono dati pertinenti sul tipo di errore. La pipeline inserisce i dati nel sistema dall'ambiente in uso. I data scientist usano i propri strumenti di Machine Learning preferiti per preparare i dati. A questo punto, sono pronti per creare ed eseguire il training di modelli in grado di identificare diversi tipi di problemi. I modelli rispondono a domande come:

  • Per l'asset, qual è la probabilità che si verifichi un errore entro le X ore successive? Risposta: 0-100%
  • Qual è la vita utile rimanente del bene? Risposta: X ore
  • La risorsa si comporta in modo anomalo? Risposta: sì o no
  • Quale risorsa richiede una manutenzione più urgente? Risposta: la risorsa X

Una volta sviluppati, i modelli possono essere eseguiti in:

  • L'apparecchiatura stessa per la diagnostica automatica.
  • Dispositivo perimetrale nell'ambiente di produzione.
  • Azure.

Dopo la distribuzione, si continua a compilare e gestire la soluzione PdM.

Con Azure è possibile eseguire il training e testare i modelli sulla tecnologia preferita. È possibile usare GPU, array di gate programmabili sul campo (FPGA), CPU, computer con memoria di grandi dimensioni e così via. Azure adotta completamente gli strumenti open source usati dai data scientist, ad esempio R e Python. Al completamento dell'analisi, i risultati possono essere visualizzati in altri facet del dashboard o in altri report. Questi report possono essere visualizzati in strumenti personalizzati o in strumenti di creazione di report come Power BI o Azure Time Series Insights.

Indipendentemente dalle esigenze pdM, Azure offre strumenti, scalabilità e funzionalità per creare una soluzione solida.

Introduzione

Un sacco di attrezzature trovate sul pavimento della fabbrica genera dati. Iniziare a raccoglierlo il prima possibile. Quando si verificano errori, i data scientist analizzano i dati per creare modelli per rilevare errori futuri. Man mano che si conosci del rilevamento degli errori, passare alla modalità predittiva in cui è possibile correggere i componenti durante i tempi di inattività pianificati. La Guida alla modellazione della manutenzione predittiva offre una procedura dettagliata solida per la creazione delle parti di Machine Learning della soluzione.

Per visualizzare un esempio di soluzione, esaminare la soluzione, la guida e il playbook per Manutenzione predittiva nel settore aerospaziale. Per informazioni sulla creazione di modelli, è consigliabile visitare Le nozioni di base per l'analisi scientifica dei dati per l'apprendimento automatico. Il modulo Introduzione a Azure Machine Learning Learn presenta gli strumenti di Azure.

Componenti

  • Archiviazione BLOB di Azure è scalabile e sicura l'archiviazione degli oggetti per i dati non strutturati. È possibile usarlo per archivi, data lake, elaborazione ad alte prestazioni, Machine Learning e carichi di lavoro nativi del cloud.

  • Azure Cosmos DB è un database NoSQL completamente gestito, altamente reattivo e scalabile per lo sviluppo di app moderne. Offre sicurezza di livello aziendale e supporta API per molti database, linguaggi e piattaforme. Gli esempi includono SQL, MongoDB, Gremlin, Table e Apache Cassandra. Le opzioni di ridimensionamento automatico serverless in Azure Cosmos DB gestiscono in modo efficiente le richieste di capacità delle applicazioni.

  • Azure Data Lake Storage è un servizio di archiviazione altamente scalabile e sicuro per carichi di lavoro di analisi ad alte prestazioni. I dati provengono in genere da più origini eterogenee e possono essere strutturati, semistrutturati o non strutturati. Data Lake Storage Gen2 combina funzionalità di Data Lake Storage Gen1 con Archiviazione BLOB e offre semantica del file system, sicurezza a livello di file e scalabilità. Offre anche le funzionalità di archiviazione a livelli, disponibilità elevata e ripristino di emergenza di Archiviazione BLOB.

  • Hub eventi di Azure è una piattaforma di streaming di dati e un servizio di inserimento degli eventi estremamente scalabile, che consente di ricevere ed elaborare milioni di eventi al secondo. Hub eventi consente di elaborare e archiviare eventi, dati o dati di telemetria generati dal software distribuito e dai dispositivi. I dati inviati a un hub eventi possono essere trasformati e archiviati usando qualsiasi provider di analisi in tempo reale o adattatori di archiviazione e batch. Hub eventi offre funzionalità di pubblicazione-sottoscrizione a bassa latenza su larga scala, pertanto è appropriato per scenari con Big Data.

  • Azure IoT Edge distribuisce i carichi di lavoro cloud per l'esecuzione su dispositivi perimetrali tramite contenitori standard. IoT Edge dispositivi intelligenti possono rispondere rapidamente e offline, riducendo la latenza e l'utilizzo della larghezza di banda e aumentando l'affidabilità. Possono anche limitare i costi pre-elaborando e inviando solo i dati necessari al cloud. I dispositivi possono eseguire moduli di intelligenza artificiale e Machine Learning, servizi di Azure e di terze parti e logica di business personalizzata.

  • hub IoT di Azure è un servizio completamente gestito che consente comunicazioni bidirezionali affidabili e sicure tra milioni di dispositivi IoT e un back-end basato sul cloud. Fornisce l'autenticazione per dispositivo, il routing dei messaggi, l'integrazione con altri servizi di Azure e le funzionalità di gestione per controllare e configurare i dispositivi.

  • Machine Learning è un servizio di Machine Learning di livello aziendale per la creazione e la distribuzione di modelli rapidamente. Fornisce agli utenti a tutti i livelli di competenza una finestra di progettazione con poco codice, machine learning automatizzato e un ambiente jupyter notebook ospitato che supporta vari IDE.

    Machine Learning consente ai computer di apprendere da dati ed esperienze e di agire senza essere programmati in modo esplicito. I clienti possono creare applicazioni di intelligenza artificiale che percepiscono, elaborano e agiscono in modo intelligente sulle informazioni, aumentano le capacità umane, aumentano la velocità e l'efficienza e aiutano le organizzazioni a ottenere di più.

  • Bus di servizio di Azure: broker di messaggi aziendale completamente gestito, con code di messaggi e argomenti di pubblicazione-sottoscrizione. Viene usato per connettere applicazioni, servizi e dispositivi. Insieme all'inoltro di Azure, bus di servizio può connettersi a applicazioni e servizi ospitati in remoto.

  • Azure SQL è una famiglia di database cloud SQL che offre un'esperienza unificata per l'intero portfolio SQL e un'ampia gamma di opzioni di distribuzione dall'ambiente perimetrale al cloud.

  • Database SQL di Azure, parte della famiglia di Azure SQL, è un motore di database PaaS completamente gestito. Viene sempre eseguito sulla versione stabile più recente del motore di database SQL Server e sul sistema operativo con patch. Gestisce automaticamente la maggior parte delle funzioni di gestione dei database, tra cui l'aggiornamento, l'applicazione di patch, i backup e il monitoraggio. Offre la compatibilità più ampia del motore di SQL Server, quindi è possibile eseguire la migrazione dei database SQL Server senza modificare le app.

  • Power BI è una suite di strumenti di analisi aziendale che offre le funzionalità per creare visualizzazioni di dati interattive avanzate. Include servizi, app e connettori che possono trasformare origini di dati non correlate in informazioni dettagliate coerenti, visivamente immersive e interattive. Power BI possibile connettersi a centinaia di origini dati, semplificare la preparazione dei dati e supportare l'analisi ad hoc.

  • Time Series Insights è un servizio di analisi, archiviazione e visualizzazione completamente gestito per i dati delle serie temporali. Fornisce visualizzazioni come sovrapposizioni di serie temporali diverse, confronti di dashboard, visualizzazioni tabulari accessibili e mappe termiche. Può ricevere dati da Hub eventi, hub IoT o archiviazione BLOB e offre filtri e aggregazioni simili a SQL, riducendo la necessità di funzioni definite dall'utente. Tutti i dati in Time Series Insights vengono archiviati in memoria e in unità SSD, in modo da garantire che i dati siano sempre pronti per l'analisi interattiva. Ad esempio, un'aggregazione tipica di oltre decine di milioni di eventi viene completata in millisecondi. Time Series Insights può offrire una visualizzazione globale dei dati, in modo da poter convalidare rapidamente la soluzione IoT ed evitare tempi di inattività costosi per i dispositivi cruciali.

Conclusioni

PdM migliora le pianificazioni di manutenzione preventiva identificando componenti specifici per controllare e riparare o sostituire. Richiede macchine instrumentate e connesse per fornire dati per la creazione di soluzioni PdM.

Sono disponibili molte risorse che consentono di iniziare.

L'infrastruttura di Microsoft consente di creare soluzioni eseguite nel dispositivo, nei dispositivi perimetrali e nel cloud.

Per iniziare, selezionare i primi uno o tre errori che si desidera impedire e avviare il processo di individuazione con tali elementi. Identificare quindi come ottenere i dati che consentono di identificare gli errori. Combinare i dati con le competenze ottenute dai concetti fondamentali del corso di data science per l'apprendimento automatico per creare i modelli PdM.

Autori di contributi

Questo articolo viene gestito da Microsoft. Originariamente è stato scritto dai collaboratori seguenti.

Autore principale:

Passaggi successivi