Bewerken

Inleiding tot voorspellend onderhoud in productie

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

Voorspellend onderhoud (PdM) verwacht dat onderhoud kosten moet voorkomen die zijn gekoppeld aan ongeplande downtime. Door verbinding te maken met apparaten en de gegevens te bewaken die de apparaten produceren, kunt u patronen identificeren die leiden tot potentiële problemen of storingen. Vervolgens kunt u deze inzichten gebruiken om problemen op te lossen voordat ze plaatsvinden. Met deze mogelijkheid om te voorspellen wanneer apparatuur of assets onderhoud nodig hebben, kunt u de levensduur van apparatuur optimaliseren en downtime minimaliseren.

PdM extraheert inzichten uit de gegevens die worden geproduceerd door de apparatuur op de winkelvloer en handelt vervolgens op deze inzichten. Het idee van PdM gaat terug naar de vroege jaren '90. PdM vergroot regelmatig gepland preventief onderhoud. Vroeg op, de onbeschikbaarheid van sensoren om gegevens te genereren, en een gebrek aan rekenresources voor het verzamelen en analyseren van gegevens, maakte het moeilijk om PdM te implementeren. Vanwege de vooruitgang in internet of things (IoT), cloud-computing, gegevensanalyse en machine learning, kan PdM algemeen worden.

PdM vereist gegevens van sensoren die de apparatuur bewaken en andere operationele gegevens. Het PdM-systeem analyseert de gegevens en slaat de resultaten op. Mensen handelen op basis van de analyse.

Na enige achtergrond in dit artikel bespreken we hoe u de verschillende onderdelen van een PdM-oplossing implementeert met behulp van een combinatie van on-premises gegevens, Azure Machine Learning en machine learning-modellen. PdM is sterk afhankelijk van gegevens om beslissingen te nemen, dus we beginnen met het verzamelen van gegevens. De gegevens moeten worden verzameld en vervolgens worden gebruikt om te evalueren wat er nu gebeurt, en die worden gebruikt om in de toekomst betere voorspellende modellen op te bouwen. Ten slotte leggen we uit hoe een analyseoplossing eruitziet, inclusief het visualiseren van analyseresultaten in een rapportageprogramma zoals Microsoft Power BI.

Onderhoudsstrategieën

In de geschiedenis van de productie zijn verschillende onderhoudsstrategieën ontstaan:

  • Reactief onderhoud lost problemen op nadat ze zijn opgetreden.
  • Preventief onderhoud lost problemen op voordat ze optreden door een onderhoudsschema te volgen op basis van eerdere foutervaring.
  • PdM lost ook problemen op voordat ze optreden, maar houdt rekening met het werkelijke gebruik van de apparatuur in plaats van te werken vanuit een vast schema.

Van de drie was PdM het moeilijkst te bereiken vanwege beperkingen voor het verzamelen, verwerken en visualiseren van gegevens. Laten we elk van deze strategieën nader bekijken.

Reactief onderhoud

Reactief onderhoud services de asset alleen wanneer de asset uitvalt. De motor van uw CNC-bewerkingscentrum met 5 assen wordt bijvoorbeeld alleen onderhouden wanneer het stopt met werken. Reactief onderhoud maximaliseert de levensduur van onderdelen. Het introduceert ook onder andere onbekende hoeveelheden downtime en onverwachte onderpandsschade veroorzaakt door defecte onderdelen.

Diagram dat reactief onderhoud illustreert.

Preventief onderhoud

Assets voor preventieve onderhoudsservices op vooraf vastgestelde intervallen. Het interval voor een asset is doorgaans gebaseerd op de bekende foutfrequentie van de asset, historische prestaties, simulaties en statistische modellering. Het voordeel van preventief onderhoud is dat het de uptime verhoogt, leidt tot minder storingen en kan onderhoud worden gepland. Het nadeel in veel gevallen is dat het vervangen onderdeel nog enige levensduur heeft. Dit resulteert in over-onderhoud en afval. Aan de zijkant kunnen onderdelen mislukken voordat het geplande onderhoud wordt uitgevoerd. Waarschijnlijk kent u preventief onderhoud goed: na elke set bedrijfsuren (of een andere metriek), stopt u de machine, inspecteert u deze en vervangt u onderdelen die moeten worden vervangen.

Diagram dat preventief onderhoud illustreert.

Pdm

PdM maakt gebruik van modellen om te voorspellen wanneer een asset waarschijnlijk een onderdeel uitvalt, zodat Just-In-Time-onderhoud kan worden gepland. PdM verbetert de vorige strategieën door de uptime en de levensduur van assets te maximaliseren. Omdat u de apparatuur onderhoudt op momenten die dicht bij de maximale levensduur van het onderdeel liggen, besteedt u minder geld aan het vervangen van werkonderdelen. Het nadeel is dat de Just-In-Time-aard van PdM moeilijker kan worden uitgevoerd, omdat het een responsievere en flexibele serviceorganisatie vereist. Terug naar de motor van het CNC-bewerkingscentrum van de 5-as, met PdM plant u het onderhoud op een handig tijdstip dat dicht bij de verwachte storingstijd van de motor ligt.

Diagram dat PdM illustreert.

Verschillende manieren waarop PdM kan worden aangeboden

Een fabrikant kan PdM gebruiken om zijn eigen productiebewerkingen te bewaken. Het kan het ook gebruiken op manieren die nieuwe zakelijke kansen en omzetstromen bieden. Voorbeeld:

  • Een fabrikant voegt waarde toe voor zijn klanten door PdM-services aan te bieden voor zijn producten.
  • Een fabrikant biedt zijn producten aan onder een Product-as-a-Service-model waarin klanten zich abonneren op het product in plaats van het te kopen. Onder dit model wil de fabrikant de uptime van het product maximaliseren, omdat het product geen omzet genereert wanneer het niet werkt.
  • Een bedrijf levert PdM-producten en -diensten voor producten die zijn vervaardigd door andere fabrikanten.

Een PdM-oplossing bouwen

Om een PdM-oplossing te bouwen, beginnen we met gegevens. In het ideale voorbeeld tonen de gegevens een normale werking en de status van de apparatuur vóór, tijdens en na storingen. De gegevens zijn afkomstig van sensoren, notities die worden onderhouden door apparatuuroperators, voer informatie uit, omgevingsgegevens, machinespecificaties, enzovoort. Systemen van record kunnen historici, productie-uitvoeringssystemen, erp (Enterprise Resource Planning) enzovoort bevatten. De gegevens worden op verschillende manieren beschikbaar gesteld voor analyse. In het volgende diagram ziet u TDSP (Team Datawetenschap Process). Het proces is aangepast voor productie en doet een uitstekende taak om de verschillende zorgen uit te leggen die men heeft bij het bouwen en uitvoeren van machine learning-modellen.

Het diagram bevat een overzicht van het team Datawetenschap proces.

Uw eerste taak is het identificeren van de typen fouten die u wilt voorspellen. Met dat in gedachten identificeert u vervolgens de gegevensbronnen met relevante gegevens over dat fouttype. De pijplijn haalt de gegevens uit uw omgeving op in het systeem. De gegevenswetenschappers gebruiken hun favoriete machine learning-hulpprogramma's om de gegevens voor te bereiden. Op dit moment zijn ze klaar om modellen te maken en te trainen die verschillende soorten problemen kunnen identificeren. De modellen beantwoorden vragen als:

  • Wat is de kans dat er binnen de volgende X uur een fout optreedt voor de asset? Antwoord: 0-100%
  • Wat is de resterende levensduur van het activum? Antwoord: X uur
  • Gedraagt deze asset zich op een ongebruikelijke manier? Antwoord: Ja of Nee
  • Voor welk activum is het dringendst onderhoud vereist? Antwoord: Asset X

Zodra de modellen zijn ontwikkeld, kunnen ze worden uitgevoerd in:

  • De apparatuur zelf voor zelfdiagnose.
  • Een edge-apparaat in de productieomgeving.
  • Azure.

Na de implementatie blijft u de PdM-oplossing bouwen en onderhouden.

Met Azure kunt u de modellen trainen en testen op uw gewenste technologie. U kunt GPU's, veld programmeerbare poortmatrices (FPGA's), CPU's, grote-geheugenmachines enzovoort gebruiken. Azure omvat volledig de opensource-hulpprogramma's die gegevenswetenschappers gebruiken, zoals R en Python. Wanneer de analyse is voltooid, kunnen de resultaten worden weergegeven in andere facetten van het dashboard of in andere rapporten. Deze rapporten kunnen worden weergegeven in aangepaste hulpprogramma's of in rapportagehulpprogramma's zoals Power BI.

Wat uw PdM ook nodig heeft, Azure beschikt over de hulpprogramma's, de schaal en de mogelijkheden om een solide oplossing te bouwen.

Aan de slag

Veel apparatuur op de fabrieksvloer genereert gegevens. Begin het zo snel mogelijk te verzamelen. Als er fouten optreden, moeten de gegevenswetenschappers de gegevens analyseren om modellen te maken om toekomstige fouten te detecteren. Als kennis over foutdetectie gaat u naar de voorspellende modus waar u onderdelen tijdens geplande downtime oplost. De handleiding modellering voor predictief onderhoud biedt een solide overzicht van het bouwen van de machine learning-onderdelen van de oplossing.

Als u meer wilt weten over het bouwen van modellen, raden we u aan de basisbeginselen van gegevenswetenschap voor machine learning te bezoeken. In de module Inleiding tot Azure Machine Learning Learn maakt u kennis met Azure-hulpprogramma's.

Onderdelen

  • Azure Blob Storage is schaalbare en veilige objectopslag voor ongestructureerde gegevens. U kunt deze gebruiken voor archieven, data lakes, high-performance computing, machine learning en cloud-native workloads.

  • Azure Cosmos DB is een volledig beheerde, zeer responsieve, schaalbare NoSQL-database voor moderne app-ontwikkeling. Het biedt beveiliging op bedrijfsniveau en biedt ondersteuning voor API's voor veel databases, talen en platforms. Voorbeelden hiervan zijn SQL, MongoDB, Gremlin, Table en Apache Cassandra. Serverloze, automatische schaalopties in Azure Cosmos DB beheren efficiënt de capaciteitsvereisten van toepassingen.

  • Azure Data Lake Storage is een zeer schaalbare en veilige opslagservice voor hoogwaardige analyseworkloads. De gegevens zijn doorgaans afkomstig van meerdere heterogene bronnen en kunnen gestructureerd, semigestructureerd of ongestructureerd zijn. Data Lake Storage Gen2 combineert Data Lake Storage Gen1-mogelijkheden met Blob Storage en biedt semantiek van het bestandssysteem, beveiliging op bestandsniveau en schaal. Het biedt ook de gelaagde opslag, hoge beschikbaarheid en mogelijkheden voor herstel na noodgevallen van Blob Storage.

  • Azure Event Hubs is een zeer schaalbaar platform voor gegevensstreaming en gebeurtenisopnameservice, dat miljoenen gebeurtenissen per seconde kan ontvangen en verwerken. Event Hubs kan gebeurtenissen, gegevens of telemetrie die wordt geproduceerd door gedistribueerde software en apparaten verwerken en opslaan. Gegevens die naar een Event Hub worden verzonden, kunnen worden getransformeerd en opgeslagen met behulp van een realtime analyseprovider of batchverwerking en opslagadapters. Event Hubs biedt mogelijkheden voor publiceren en abonneren met lage latentie op grote schaal, waardoor het geschikt is voor big data-scenario's.

  • Azure IoT Edge implementeert cloudworkloads om te worden uitgevoerd op edge-apparaten via standaardcontainers. Intelligente IoT Edge-apparaten kunnen snel en offline reageren, latentie en bandbreedtegebruik verminderen en de betrouwbaarheid verhogen. Ze kunnen ook kosten beperken door alleen benodigde gegevens vooraf te verwerken en naar de cloud te verzenden. Apparaten kunnen AI- en machine learning-modules, Azure- en externe services en aangepaste bedrijfslogica uitvoeren.

  • Azure IoT Hub is een volledig beheerde service die betrouwbare en veilige bidirectionele communicatie mogelijk maakt tussen miljoenen IoT-apparaten en een cloudgebaseerde back-end. Het biedt verificatie per apparaat, berichtroutering, integratie met andere Azure-services en beheerfuncties om de apparaten te beheren en te configureren.

  • Azure Machine Learning is een machine learning-service op bedrijfsniveau voor het snel bouwen en implementeren van modellen. Het biedt gebruikers op alle vaardigheidsniveaus een ontwerpfunctie met weinig code, geautomatiseerde machine learning en een gehoste Jupyter-notebookomgeving die ondersteuning biedt voor verschillende IDE's.

    Met machine learning kunnen computers leren van gegevens en ervaringen en reageren zonder expliciet geprogrammeerd te zijn. Klanten kunnen AI-toepassingen bouwen die op intelligente wijze informatie begrijpen, verwerken en erop reageren, menselijke mogelijkheden verbeteren, snelheid en efficiëntie verhogen en organisaties helpen meer te bereiken.

  • Azure Service Bus is een volledig beheerde enterprise-berichtenbroker met berichtenwachtrijen en onderwerpen over publiceren/abonneren. Het wordt gebruikt om toepassingen, services en apparaten te verbinden. Samen met Azure Relay kan Service Bus verbinding maken met extern gehoste toepassingen en services.

  • Azure SQL is een reeks SQL-clouddatabases die een uniforme ervaring bieden voor uw hele SQL-portfolio en een breed scala aan implementatieopties van edge tot cloud.

  • Azure SQL Database, onderdeel van de Azure SQL-serie, is een volledig beheerde PaaS-database-engine (Platform as a Service). Het wordt altijd uitgevoerd op de nieuwste stabiele versie van de SQL Server-database-engine en het besturingssysteem met patches. Het verwerkt de meeste databasebeheerfuncties voor u, waaronder upgraden, patchen, back-ups en bewaking. Het biedt de breedste compatibiliteit met SQL Server-engine, zodat u uw SQL Server-databases kunt migreren zonder uw apps te wijzigen.

  • Power BI is een suite met hulpprogramma's voor bedrijfsanalyse die de mogelijkheden biedt om uitgebreide interactieve gegevensvisualisaties te maken. Het omvat services, apps en connectors die niet-gerelateerde gegevensbronnen kunnen omzetten in coherente, visueel insluitende en interactieve inzichten. Power BI kan verbinding maken met honderden gegevensbronnen, het voorbereiden van gegevens vereenvoudigen en ad-hocanalyse ondersteunen.

  • Azure Data Explorer is een snelle en zeer schaalbare service voor gegevensverkenning voor logboek- en telemetriegegevens. U kunt Azure Data Explorer gebruiken om een tijdreeksservice te ontwikkelen. Azure Data Explorer bevat systeemeigen ondersteuning voor het maken, bewerken en analyseren van meerdere tijdreeksen met bijna realtime bewakingsoplossingen en werkstromen.

    Azure Data Explorer kan gegevens opnemen uit Azure IoT Hub, Azure Event Hubs, Azure Stream Analytics, Power Automate, Azure Logic Apps, Kafka, Apache Spark en vele andere services en platforms. Opname is schaalbaar en er zijn geen limieten. Ondersteunde Azure Data Explorer-opnameindelingen zijn JSON, CSV, Avro, Parquet, ORC, TXT en andere indelingen.

  • Met de webinterface van Azure Data Explorer kunt u query's uitvoeren en dashboards voor gegevensvisualisatie bouwen. Azure Data Explorer kan ook worden geïntegreerd met andere dashboardservices, zoals Power BI, Grafana en andere hulpprogramma's voor gegevensvisualisatie die gebruikmaken van ODBC- en JDBC-connectors. De geoptimaliseerde systeemeigen Azure Data Explorer-connector voor Power BI ondersteunt de directe query- of importmodus, waaronder queryparameters en filters. Zie Gegevensvisualisatie met Azure Data Explorer voor meer informatie.

Conclusie

PdM verbetert op preventieve onderhoudsschema's door specifieke onderdelen te identificeren die moeten worden gecontroleerd en gerepareerd of vervangen. Hiervoor zijn machines vereist die zijn geïnstrueerd en verbonden om gegevens te bieden voor het bouwen van PdM-oplossingen.

De infrastructuur van Microsoft kan u helpen bij het bouwen van oplossingen die worden uitgevoerd op het apparaat, aan de rand en in de cloud. Er zijn veel bronnen om u te helpen aan de slag te gaan.

Als u wilt beginnen, kiest u de drie belangrijkste fouten die u wilt voorkomen en begint u met het detectieproces met deze items. Bepaal vervolgens hoe u de gegevens kunt ophalen die helpen bij het identificeren van de fouten. Combineer deze gegevens met de vaardigheden die u krijgt van de Basisbeginselen van data science voor machine learning-cursus om uw PdM-modellen te bouwen.

Medewerkers

Dit artikel wordt onderhouden door Microsoft. De tekst is oorspronkelijk geschreven door de volgende Inzenders.

Hoofdauteur:

Volgende stappen