Tahmine dayalı bakım (PdM), bakım ihtiyaçlarının zamanlanmamış kapalı kalma süresiyle ilişkili maliyetleri önlemesini öngörmektedir. Cihazlara bağlanarak ve cihazların ürettiği verileri izleyerek olası sorunlara veya hatalara yol açan desenleri belirleyebilirsiniz. Daha sonra bu içgörüleri kullanarak sorunları gerçekleşmeden önce çözebilirsiniz. Ekipman veya varlıkların ne zaman bakıma ihtiyacı olduğunu tahmin etme özelliği, ekipman ömrünü iyileştirmenize ve kapalı kalma süresini en aza indirmenize olanak tanır.
PdM, atölyedeki ekipman tarafından üretilen verilerden içgörüler ayıklar ve ardından bu içgörüler üzerinde hareket eder. PdM fikri 1990'ların başlarından itibaren devam ediyor. PdM düzenli olarak zamanlanmış önleyici bakımı artırıyor. Erken zamanlarda, veri oluşturmak için algılayıcıların kullanılamaması ve veri toplamak ve analiz etmek için hesaplama kaynaklarının olmaması PdM'nin uygulanmasını zorlaştırmıştı. Günümüzde Nesnelerin İnterneti (IoT), bulut bilişim, veri analizi ve makine öğrenmesindeki ilerlemeler nedeniyle PdM temel olarak kullanılabilir.
PdM, ekipmanı ve diğer işletimsel verileri izleyen algılayıcılardan veri gerektirir. PdM sistemi verileri analiz eder ve sonuçları depolar. İnsanlar analize göre hareket edebilir.
Bu makalede bazı arka plan bilgileri ekledikten sonra, şirket içi veriler, Azure Machine Learning ve makine öğrenmesi modellerinin birleşimini kullanarak bir PdM çözümünün çeşitli parçalarının nasıl uygulanıp uygulanamaya bakılacağı anlatılmaktadır. PdM, karar almak için büyük ölçüde verilere dayanır, bu nedenle veri toplamaya bakarak başlayacağız. Verilerin toplanması ve ardından şimdi olup bitenleri değerlendirmek ve gelecekte daha iyi tahmine dayalı modeller oluşturmak için kullanılması gerekir. Son olarak, analiz sonuçlarının Microsoft Power BI gibi bir raporlama aracında görselleştirilmesi de dahil olmak üzere analiz çözümünün nasıl göründüğünü açıklayacağız.
Bakım stratejileri
Üretim tarihi boyunca çeşitli bakım stratejileri ortaya çıktı:
- Reaktif bakım, oluştuktan sonra sorunları düzeltir.
- Önleyici bakım, önceki hata deneyimine göre bir bakım zamanlaması izleyerek oluşmadan önce sorunları düzeltir.
- PdM, sorunları oluşmadan önce de düzeltir, ancak sabit bir zamanlamayla çalışmak yerine ekipmanın gerçek kullanımını dikkate alır.
Veri toplama, işleme ve görselleştirmeyle ilgili sınırlamalar nedeniyle bu üçünden en zoru PdM'ydi. Şimdi bu stratejilerin her birine daha ayrıntılı bir şekilde göz atalım.
Reaktif bakım
Reaktif bakım, varlığı yalnızca varlık başarısız olduğunda sağlar. Örneğin, 5 eksenli CNC işleme merkezinizin motoru yalnızca çalışmayı durdurduğunda servis edilir. Reaktif bakım, bileşenlerin ömrünü en üst düzeye çıkarır. Ayrıca, diğer sorunların yanında bilinmeyen kesinti sürelerini ve arızalı bileşenlerin neden olduğu beklenmeyen ikincil hasarı da ortaya koyar.
Önleyici bakım
Önleyici bakım hizmetleri varlıkları önceden belirlenmiş aralıklarla. Bir varlığın aralığı genellikle varlığın bilinen hata sıklığına, geçmiş performansına, simülasyonlarına ve istatistiksel modellemesine bağlıdır. Önleyici bakımın avantajı, çalışma süresini artırması, daha az hataya neden olması ve bakımın planlanmasıdır. Çoğu durumda dezavantajı, değiştirilen bileşenin biraz ömrü kalmasıdır. Bu da aşırı bakım ve israfa neden olur. Çevirme tarafında, parçalar zamanlanan bakımdan önce başarısız olabilir. Önleyici bakımı iyi biliyor olabilirsiniz: Her çalışma saatinden (veya başka bir ölçümden) sonra makineyi durdurur, inceler ve değiştirilmesi gereken parçaları değiştirirsiniz.
PdM
PdM, bir varlığın bir bileşenin başarısız olma olasılığını tahmin etmek için modelleri kullanır, böylece tam zamanında bakım zamanlanabilir. PdM, hem çalışma süresini hem de varlık ömrünü en üst düzeye çıkararak önceki stratejileri geliştirir. Ekipmana, bileşen maksimum kullanım ömrüne yakın zamanlarda servis yaptığınız için, çalışma parçalarının yerine daha az para harcarsınız. Bunun dezavantajı, Daha hızlı yanıt veren ve esnek bir hizmet organizasyonu gerektirdiğinden PdM'nin tam zamanında doğasının yürütülmesinin daha zor olmasıdır. 5 eksenli CNC işleme merkezinin motoruna dönün, PdM ile bakımı motorun beklenen arıza süresine yakın uygun bir zamanda zamanlayın.
PdM'nin sunulabileceği farklı yollar
Bir üretici kendi üretim operasyonlarını izlemek için PdM'yi kullanabilir. Ayrıca bunu yeni iş fırsatları ve gelir akışları sağlayacak şekilde de kullanabilir. Örneğin:
- Bir üretici ürünleri için PdM hizmetleri sunarak müşterilerine değer katıyor.
- Bir üretici ürünlerini, müşterilerin ürünü satın almak yerine ürüne abone olduğu Hizmet Olarak Ürün modeli altında sunar. Bu model kapsamında, ürün çalışmadığında gelir elde etmediğinden üretici ürün çalışma süresini en üst düzeye çıkarmak istiyor.
- Bir şirket, diğer üreticiler tarafından üretilen ürünler için PdM ürünleri ve hizmetleri sağlar.
PdM çözümü oluşturma
PdM çözümü oluşturmak için verilerle başlayacağız. İdeal olarak veriler normal çalışma ve ekipmanın arıza öncesi, sırasında ve sonrasındaki durumunu gösterir. Veriler algılayıcılardan, ekipman operatörleri tarafından tutulan notlardan, çalıştırma bilgilerinden, ortam verilerinden, makine belirtimlerinden vb. gelir. Kayıt sistemleri arasında tarihçiler, üretim yürütme sistemleri, kurumsal kaynak planlaması (ERP) vb. bulunabilir. Veriler analiz için çeşitli yollarla kullanılabilir hale getiriliyor. Aşağıdaki diyagramda Takım Veri Bilimi İşlemi (TDSP) gösterilmektedir. Süreç üretim için özelleştirilmiştir ve makine öğrenmesi modellerini oluştururken ve yürütürken sahip olduğu çeşitli endişeleri açıklamak için mükemmel bir iş çıkarmaktadır.
İlk göreviniz tahmin etmek istediğiniz hata türlerini belirlemektir. Bunu göz önünde bulundurarak, bu hata türüyle ilgili verileri olan veri kaynaklarını tanımlarsınız. İşlem hattı, verileri ortamınızdan sisteme alır. Veri bilimciler, verileri hazırlamak için sık kullandıkları makine öğrenmesi araçlarını kullanır. Bu noktada, çeşitli sorun türlerini belirleyebilecek modeller oluşturmaya ve eğitmeye hazırdır. Modeller aşağıdaki gibi soruları yanıtlar:
- Varlık için, sonraki X saat içinde hata oluşma olasılığı nedir? Yanıt: %0-100
- Varlığın kalan yararlı ömrü nedir? Yanıt: X saat
- Bu varlık olağan dışı bir şekilde mi davranıyor? Yanıt: Evet veya Hayır
- Hangi varlık en acil şekilde hizmet gerektirir? Yanıt: Varlık X
Geliştirildikten sonra modeller şu şekilde çalıştırılabilir:
- Kendi kendine teşhis için ekipmanın kendisi.
- Üretim ortamındaki bir uç cihaz.
- Azure.
Dağıtımdan sonra PdM çözümünü oluşturmaya ve sürdürmeye devam edebilirsiniz.
Azure ile modelleri istediğiniz teknolojiyle eğitebilir ve test edebilirsiniz. GPU'ları, alan programlanabilir kapı dizilerini (FPGA), CPU'ları, büyük bellekli makineleri vb. kullanabilirsiniz. Azure, veri bilimciler tarafından kullanılan R ve Python gibi açık kaynak araçları tamamen benimser. Analiz tamamlandıktan sonra sonuçlar panonun diğer modellerinde veya diğer raporlarda görüntülenebilir. Bu raporlar özel araçlarda veya Power BI gibi raporlama araçlarında görünebilir.
PdM'nizin ihtiyacı ne olursa olsun, Azure sağlam bir çözüm oluşturmaya yönelik araçlara, ölçeklere ve özelliklere sahiptir.
Başlarken
Fabrika katında bulunan birçok ekipman veri üretir. Mümkün olan en kısa sürede toplamaya başlayın. Hatalar oluştuğunda, veri bilimciler gelecekteki hataları algılamak için modeller oluşturmak üzere verileri analiz eder. Hata algılama hakkında bilgi edindikçe, planlı kapalı kalma süresinde bileşenleri düzelteceğiniz tahmin moduna geçin. PySpark Kullanarak Tahmine Dayalı Bakım, çözümün makine öğrenmesi parçalarını oluşturmaya yönelik bir kılavuz sağlar.
Model oluşturma hakkında bilgi edinmeniz gerekiyorsa makine öğrenmesi için veri biliminin temellerini ziyaret etmenizi öneririz. Azure Machine Learning Learn'e Giriş modülü size Azure araçlarını tanıtır.
Bileşenler
Azure Blob Depolama yapılandırılmamış veriler için ölçeklenebilir ve güvenli nesne depolama alanıdır. Arşivler, veri gölleri, yüksek performanslı bilgi işlem, makine öğrenmesi ve bulutta yerel iş yükleri için kullanabilirsiniz.
Azure Cosmos DB , modern uygulama geliştirme için tam olarak yönetilen, son derece hızlı yanıt veren, ölçeklenebilir bir NoSQL veritabanıdır. Kurumsal düzeyde güvenlik sağlar ve birçok veritabanı, dil ve platform için API'leri destekler. Örnek olarak SQL, MongoDB, Gremlin, Tablo ve Apache Cassandra verilebilir. Azure Cosmos DB'deki sunucusuz, otomatik ölçeklendirme seçenekleri, uygulamaların kapasite taleplerini verimli bir şekilde yönetir.
Azure Data Lake Storage , yüksek performanslı analiz iş yükleri için yüksek düzeyde ölçeklenebilir ve güvenli bir depolama hizmetidir. Veriler genellikle birden çok heterojen kaynaktan gelir ve yapılandırılmış, yarı yapılandırılmış veya yapılandırılmamış olabilir. Data Lake Storage 2. Nesil, Data Lake Storage 1. Nesil özelliklerini Blob Depolama ile birleştirir ve dosya sistemi semantiği, dosya düzeyi güvenlik ve ölçeklendirme sağlar. Ayrıca Blob Depolama'nın katmanlı depolama, yüksek kullanılabilirlik ve olağanüstü durum kurtarma özelliklerini de sunar.
Azure Event Hubs , saniyede milyonlarca olay alıp işleyebilen yüksek oranda ölçeklenebilir bir veri akışı platformu ve olay alımı hizmetidir. Event Hubs dağıtılan yazılımlar ve cihazlar tarafından oluşturulan olayları, verileri ve telemetrileri işleyebilir ve depolayabilir. Bir olay hub'ına gönderilen veriler herhangi bir gerçek zamanlı analiz sağlayıcısı veya toplu iş ve depolama bağdaştırıcıları kullanılarak dönüştürülebilir ve depolanabilir. Event Hubs, büyük ölçekte düşük gecikme süresine sahip yayımlama-abone olma özellikleri sunar ve bu da büyük veri senaryoları için uygun olmasını sağlar.
Azure IoT Edge , standart kapsayıcılar aracılığıyla uç cihazlarda çalıştırılacak bulut iş yüklerini dağıtır. IoT Edge akıllı cihazları hızlı ve çevrimdışı yanıt verebilir, gecikme süresini ve bant genişliği kullanımını azaltır ve güvenilirliği artırır. Ayrıca yalnızca gerekli verileri önceden işleyip buluta göndererek maliyetleri sınırlayabilirler. Cihazlar yapay zeka ve makine öğrenmesi modülleri, Azure ve üçüncü taraf hizmetleri ve özel iş mantığı çalıştırabilir.
Azure IoT Hub , milyonlarca IoT cihazı ile bulut tabanlı arka uç arasında güvenilir ve güvenli çift yönlü iletişimler sağlayan tam olarak yönetilen bir hizmettir. Cihazları denetlemek ve yapılandırmak için cihaz başına kimlik doğrulaması, ileti yönlendirme, diğer Azure hizmetleriyle tümleştirme ve yönetim özellikleri sağlar.
Azure Machine Learning , modelleri hızla oluşturmaya ve dağıtmaya yönelik kurumsal düzeyde bir makine öğrenmesi hizmetidir. Tüm beceri düzeylerindeki kullanıcılara düşük kod tasarımcısı, otomatik makine öğrenmesi ve çeşitli IDE'leri destekleyen barındırılan bir Jupyter not defteri ortamı sağlar.
Makine öğrenimi, bilgisayarların açıkça programlanmadan, veri ve deneyimlerden öğrenerek eylem gerçekleştirmesini sağlar. Müşteriler bilgileri akıllı bir şekilde algılayan, işleyen ve üzerinde işlem yapabilen, insan özelliklerini geliştiren, hızı ve verimliliği artıran ve kuruluşların daha fazlasını başarmalarına yardımcı olan yapay zeka uygulamaları oluşturabilir.
Azure Service Bus , ileti kuyrukları ve yayımlama-abone olma konularına sahip tam olarak yönetilen bir kurumsal ileti aracısıdır. Uygulamaları, hizmetleri ve cihazları bağlamak için kullanılır. Service Bus, Azure Relay ile birlikte uzaktan barındırılan uygulama ve hizmetlere bağlanabilir.
Azure SQL , SQL portföyünüzün tamamı için birleşik bir deneyim ve kenardan buluta çok çeşitli dağıtım seçenekleri sunan bir SQL bulut veritabanı ailesidir.
Azure SQL ailesinin bir parçası olan Azure SQL Veritabanı, tam olarak yönetilen bir hizmet olarak platform (PaaS) veritabanı altyapısıdır. Her zaman SQL Server veritabanı altyapısının ve düzeltme eki uygulamalı işletim sisteminin en son kararlı sürümünde çalışır. Yükseltme, düzeltme eki uygulama, yedeklemeler ve izleme dahil olmak üzere çoğu veritabanı yönetimi işlevini sizin için işler. Uygulamalarınızı değiştirmeden SQL Server veritabanlarınızı geçirebilmeniz için en geniş SQL Server altyapısı uyumluluğunu sağlar.
Power BI , zengin etkileşimli veri görselleştirmeleri oluşturma özellikleri sağlayan bir iş analizi araçları paketidir. İlişkisiz veri kaynaklarını tutarlı, görsel olarak çevreleyici ve etkileşimli içgörülere dönüştürebilen hizmetler, uygulamalar ve bağlayıcılar içerir. Power BI yüzlerce veri kaynağına bağlanabilir, veri hazırlamayı basitleştirebilir ve geçici analizi destekleyebilir.
Azure Veri Gezgini, günlük ve telemetri verileri için hızlı ve yüksek oranda ölçeklenebilir bir veri araştırma hizmetidir. Zaman serisi hizmeti geliştirmek için Azure Veri Gezgini kullanabilirsiniz. Azure Veri Gezgini, neredeyse gerçek zamanlı izleme çözümleri ve iş akışlarıyla birden çok zaman serisi oluşturma, işleme ve analiz etme için yerel destek içerir.
Azure Veri Gezgini Azure IoT Hub, Azure Event Hubs, Azure Stream Analytics, Power Automate, Azure Logic Apps, Kafka, Apache Spark ve diğer birçok hizmet ve platformdan veri alabilir. Alım ölçeklenebilir ve sınır yoktur. Desteklenen Azure Veri Gezgini alma biçimleri JSON, CSV, Avro, Parquet, ORC, TXT ve diğer biçimlerdir.
Azure Veri Gezgini Web kullanıcı arabirimi sorguları çalıştırmanıza ve veri görselleştirme panoları oluşturmanıza olanak tanır. Azure Veri Gezgini ayrıca Power BI, Grafana gibi diğer pano hizmetleriyle ve ODBC ve JDBC bağlayıcılarını kullanan diğer veri görselleştirme araçlarıyla tümleştirilir. Power BI için iyileştirilmiş yerel Azure Veri Gezgini bağlayıcısı, sorgu parametreleri ve filtreler de dahil olmak üzere doğrudan sorgu veya içeri aktarma modunu destekler. Daha fazla bilgi için bkz. Azure Veri Gezgini ile veri görselleştirme.
Sonuç
PdM, incelemek ve onarmak veya değiştirmek için belirli bileşenleri belirleyerek önleyici bakım zamanlamalarını geliştirir. PdM çözümleri oluşturmak için veri sağlamak için izlenen ve bağlı makineler gerektirir.
Microsoft'un altyapısı cihazda, uçta ve bulutta çalışan çözümler oluşturmanıza yardımcı olabilir. Başlamanıza yardımcı olacak birçok kaynak vardır.
Başlamak için, engellemek istediğiniz ilk bir ile üç arasında hatayı seçin ve bu öğelerle bulma işleminizi başlatın. Ardından, hataları tanımlamaya yardımcı olan verilerin nasıl alındığını belirleyin. PdM modellerinizi oluşturmak için bu verileri makine öğrenmesi için veri biliminin temelleri kursundan edindiğiniz becerilerle birleştirin.
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazar:
- Scott Seely | Yazılım Mimarı
Sonraki adımlar
- Azure Blob Depolama’ya giriş
- Azure Cosmos DB belgeleri
- Azure Data Lake Storage 1. Nesil belgeleri
- Azure Event Hubs belgeleri
- Azure IoT Edge belgeleri
- Azure IoT Hub Belgeleri
- Azure Machine Learning belgeleri
- Azure Service Bus Mesajlaşma belgeleri
- Azure Relay belgeleri
- Azure SQL belgeleri
- Power BI belgeleri
- Azure Veri Gezgini zaman serisi analizi