預測性維護 （PdM） 預期維護需要避免與未排程停機相關的成本。 藉由連線到裝置並監視裝置所產生的數據，您可以識別導致潛在問題或失敗的模式。 您接著可以使用這些深入解析來解決問題，再解決問題。 這項預測設備或資產何時需要維護的能力，可讓您將設備存留期優化，並將停機時間降到最低。
PdM 會從車間設備所產生的數據擷取深入解析，然後針對這些見解採取動作。 PdM 的想法可以追溯到20世紀90年代初。 PdM 會定期加強定期的預防性維護。 在早期，感測器無法產生數據，以及缺乏收集和分析數據的計算資源，使得難以實作 PdM。 今天，由於物聯網（IoT）、雲端運算、數據分析和機器學習方面的進展，PdM 可以進入主流。
PdM 需要來自監視設備和其他操作數據的感測器數據。 PdM 系統會分析數據並儲存結果。 人類會根據分析採取行動。
在本文介紹一些背景之後，我們將討論如何使用內部部署數據、Azure 機器學習 和機器學習模型的組合，實作 PdM 解決方案的各種部分。 PdM 非常依賴數據來做出決策，因此我們從查看數據收集開始。 數據必須收集，然後用來評估現在發生的事情，以及用來在未來建立更好的預測模型。 最後，我們會說明分析解決方案的外觀，包括在 Microsoft Power BI 等報表工具中可視化分析結果。
維護策略
在製造史上，出現了數個維護策略：
- 回應式維護會在發生之後修正問題。
- 預防性維護會根據先前的失敗經驗遵循維護排程，在發生之前修正問題。
- PdM 也會在發生之前修正問題，但會考慮設備的實際使用率，而不是從固定排程工作。
在三者中，PdM 由於數據收集、處理和視覺效果的限制，因此最難達成。 讓我們更詳細地查看這些策略。
反應式維護
只有在資產失敗時，回應式維護才會服務資產。 例如，只有停止工作時，才會服務 5 軸的NCC加工中心電機。 回應式維護會將元件的存留期最大化。 此外，還引進了因元件故障所造成的未知停機時間和未預期的附帶損害。
預防性維護
預先決定間隔的預防性維護服務資產。 資產的間隔通常是以資產的已知失敗頻率、歷史效能、模擬和統計模型為基礎。 預防性維護的優點是它會增加運行時間、導致較少的失敗，並允許規劃維護。 在許多情況下，缺點是已取代的元件還有一些生命。 這會導致過度維護和浪費。 另一方面，元件在排程維護之前可能會失敗。 您可能非常瞭解預防性維護：在每次設定的作業時數（或其他計量）之後，您可以停止機器、檢查它，並更換因更換的任何零件。
Pdm
PdM 會使用模型來預測資產何時可能會有元件失敗，以便排程 Just-In-Time 維護。 PdM 藉由最大化運行時間和資產生命週期，改善先前的策略。 由於您服務的設備有時接近元件最長存留期，因此您花較少的錢來取代工作零件。 缺點是，PdM 的 Just-In-Time 本質較難執行，因為它需要更有回應且更有彈性的服務組織。 回到5軸CNC加工中心的電機，PdM 可讓您在接近電機預期故障時間的便利時間安排維修。
提供 PdM 的不同方式
製造商可以使用 PdM 來監視自己的製造作業。 它也可以使用它的方式，提供新的商機和收入來源。 例如：
- 製造商藉由為其產品提供 PdM 服務，為其客戶增加價值。
- 製造商會以產品即服務模型提供其產品，客戶在此模型中訂閱產品，而不是購買產品。 在此模型中，製造商想要將產品運行時間最大化，因為產品在無法運作時不會產生營收。
- 公司為其他製造商製造的產品提供 PdM 產品和服務。
建置 PdM 解決方案
若要建置 PdM 解決方案，我們從數據開始。 在理想情況下，數據會顯示正常作業和設備在故障前、期間和之後的狀態。 數據來自感測器、設備操作員維護的附注、執行資訊、環境數據、機器規格等等。 記錄系統可以包括歷史學家、製造執行系統、企業資源規劃（ERP）等等。 數據以各種方式可供分析使用。 下圖說明 Team 資料科學 Process （TDSP） 。 此程式是針對製造而自定義的，並且會非常出色地說明建置和執行機器學習模型時所具備的各種疑慮。
您的第一項工作是識別您想要預測的失敗類型。 考慮到這一點，您接著會識別具有該失敗類型相關數據的數據源。 管線會從您的環境將數據擷取到系統。 數據科學家會使用他們慣用的機器學習工具來準備數據。 此時，他們已準備好建立和定型模型，以識別不同類型的問題。 模型會回答如下的問題：
- 針對資產，未來 X 小時內發生失敗的機率為何？ 答案：0-100%
- 資產剩餘的存留期為何？ 答案：X 小時
- 此資產的行為是否異常？ 答案：是或否
- 哪些資產需要最緊急地提供服務？ 答：資產 X
開發之後，模型就可以在下列環境中執行：
- 自我診斷的設備本身。
- 製造環境中的邊緣裝置。
- Azure.
部署之後，您可以繼續建置和維護 PdM 解決方案。
透過 Azure，您可以針對您選擇的技術定型和測試模型。 您可以使用 GPU、現場可程式化閘道數位 （FPGA）、CPU、大型記憶體機器等等。 Azure 完全採用數據科學家所使用的開放原始碼工具，例如 R 和 Python。 分析完成時，結果可以顯示在儀錶板的其他 Facet 或其他報表中。 這些報表可以出現在自定義工具或Power BI等報表工具中。
無論您的 PdM 需求為何，Azure 都有工具、規模和建置穩固解決方案的功能。
開始使用
工廠地板上發現的許多設備會產生數據。 儘快開始收集。 發生失敗時，數據科學家會分析數據以建立模型來偵測未來的失敗。 當知識建置失敗偵測時，請移至您在計劃停機期間修正元件的預測模式。 預測 性維護模型化指南 提供建置解決方案機器學習片段的穩固逐步解說。
如果您需要瞭解如何建置模型，建議您瀏覽 機器學習的數據科學基礎。 Azure 機器學習 Learn 課程模組會向您介紹 Azure 工具。
元件
Azure Blob 儲存體 是非結構化數據的可調整且安全的物件記憶體。 您可以將它用於封存、數據湖、高效能運算、機器學習和雲端原生工作負載。
Azure Cosmos DB 是完全受控、具回應性、可調整的 NoSQL 資料庫，可用於新式應用程式開發。 它提供企業級安全性，並支援許多資料庫、語言和平臺的API。 範例包括 SQL、MongoDB、Gremlin、Table 和 Apache Cassandra。 Azure Cosmos DB 中的無伺服器自動調整選項可有效率地管理應用程式的容量需求。
Azure Data Lake 儲存體 是一項可大幅調整且安全的記憶體服務，適用於高效能分析工作負載。 數據通常來自多個異質來源，而且可以結構化、半結構化或非結構化。 Data Lake 儲存體 Gen2 結合 Data Lake 儲存體 Gen1 功能與 Blob 儲存體，並提供文件系統語意、檔案層級安全性和規模。 它也提供 Blob 儲存體 的階層式記憶體、高可用性和災害復原功能。
Azure 事件中樞 是可高度調整的數據串流平臺和事件擷取服務，每秒可接收和處理數百萬個事件。 事件中樞可以處理及儲存分散式軟體和裝置所產生的事件、資料或遙測。 傳送至事件中樞的數據可以使用任何即時分析提供者或批處理和儲存配接器來轉換和儲存。 事件中樞提供大規模低延遲的發佈-訂閱功能，使其適用於巨量數據案例。
Azure IoT Edge 會部署雲端工作負載，以透過標準容器在邊緣裝置上執行。 IoT Edge 智慧型手機裝置可以快速且離線地回應、降低延遲和頻寬使用量，以及提高可靠性。 它們也可以藉由前置處理和只將必要數據傳送至雲端來限制成本。 裝置可以執行 AI 和機器學習模組、Azure 和第三方服務，以及自定義商業規則。
Azure IoT 中樞 是完全受控的服務，可在數百萬個IoT裝置與雲端式後端之間進行可靠且安全的雙向通訊。 它提供個別裝置驗證、訊息路由、與其他 Azure 服務整合，以及管理功能來控制和設定裝置。
Azure 機器學習 是企業級機器學習服務，可快速建置和部署模型。 它提供所有技能層級的使用者，具有低程式代碼設計工具、自動化機器學習，以及支援各種 IDE 的託管 Jupyter Notebook 環境。
機器學習服務可讓電腦從資料與經驗當中學習並做出回應，而不需要明確的程式設計。 客戶可以建置 AI 應用程式，以智慧方式感知、處理及處理資訊、增強人類功能、提高速度和效率，以及協助組織達成更多目標。
Azure 服務匯流排 是完全受控的企業訊息代理程式，其中包含消息佇列和發佈-訂閱主題。 它用來連接應用程式、服務和裝置。 服務匯流排 與 Azure 轉播一起，可以連線到遠端裝載的應用程式和服務。
Azure SQL 是一系列 SQL 雲端資料庫，可為整個 SQL 組合提供統一的體驗，以及從邊緣到雲端的各種部署選項。
Azure SQL 資料庫 是 Azure SQL 系列的一部分，是完全受控的平臺即服務（PaaS） 資料庫引擎。 它一律會在最新穩定版本的 SQL Server 資料庫引擎和修補的 OS 上執行。 它會為您處理大部分的資料庫管理功能，包括升級、修補、備份和監視。 它提供最廣泛的 SQL Server 引擎相容性，因此您可以移轉 SQL Server 資料庫，而不需要變更應用程式。
Power BI 是一套商務分析工具，可提供建立豐富互動式數據視覺效果的功能。 它包含服務、應用程式和連接器，可將不相關的數據源轉換成一致的、可視化的沈浸式和互動式見解。 Power BI 可以連線到數百個數據源、簡化數據準備，並支援臨機操作分析。
Azure 數據總 管是記錄和遙測數據的快速且高度可調整的數據探索服務。 您可以使用 Azure 資料總管來開發時間序列服務。 Azure 數據總管包含使用近乎即時監視解決方案和工作流程建立、操作和分析多個時間序列的原生支援。
Azure 數據總管可以從 Azure IoT 中樞、Azure 事件中樞、Azure 串流分析、Power Automate、Azure Logic Apps、Kafka、Apache Spark 和其他許多服務和平臺內嵌數據。 擷取可調整，而且沒有限制。 支援的 Azure 資料總管擷取格式包括 JSON、CSV、Avro、Parquet、ORC、TXT 和其他格式。
Azure 資料總 管 Web UI 可讓您執行查詢並 建置數據視覺效果儀錶板。 Azure 數據總管也會與其他儀錶板服務整合，例如 Power BI、Grafana，以及其他使用 ODBC 和 JDBC 連接器的數據視覺效果工具。 適用於 Power BI 的優化原生 Azure 數據總管連接器支援直接查詢或匯入模式，包括查詢參數和篩選。 如需詳細資訊，請參閱 使用 Azure 數據總管的數據視覺效果。
結論
PdM 藉由識別要檢查和修復或取代的特定元件，改善預防性維護排程。 它需要經過檢測並連線的計算機，以提供用於建置 PdM 解決方案的數據。
Microsoft 的基礎結構可協助您建置在裝置、邊緣和雲端上執行的解決方案。 有許多資源可協助您開始使用。
若要開始，請挑選您想要防止的前一到三個失敗，並使用這些項目開始探索程式。 然後，識別如何取得可協助識別失敗的數據。 結合該數據與您從 機器學習 課程基礎取得的技能，以建置 PdM 模型。
參與者
本文由 Microsoft 維護。 原始投稿人如下。
主體作者：
- Scott Seely |軟體架構師
下一步
- Azure Blob 儲存體簡介
- Azure Cosmos DB 文件
- Azure Data Lake 儲存體 Gen1 檔
- Azure 事件中樞 檔
- Azure IoT Edge 文件
- Azure IoT 中樞文件
- Azure Machine Learning 文件
- Azure 服務匯流排 傳訊檔
- Azure 轉寄檔
- Azure SQL 文件
- Power BI 文件
- Azure 數據總管中的時間序列分析