Giới thiệu
Ngày nay, tất cả các thị trường phần cứng, giải pháp và dịch vụ chính đều dựa vào các thiết bị và thiết bị thay thế cho các thiết bị hiện hữu. Do đó, chi phí tổn thất có thể rất lớn cho tổ chức nếu các biện pháp ngăn chặn nó đến quá muộn. Một số người chọn bảo trì ngăn ngừa hoặc thậm chí bảo trì phản ứng chủ động, điều này nguy hiểm nhất đối với doanh thu của doanh nghiệp dẫn đến hàng tồn kho quá mực cho các part thay thế hoặc là tổn thất do dừng máy ngoài ý muốn. Trí tuệ nhân tạo và Machine learning ra đời đã giúp các chương trình bảo trì trở nên 1 tầm cao mới hơn là bảo trị dự đoán.Công nghệ phát trực tuyến (real-time streaming) thời gian thực ngày càng phổ biến và đây là lý do chính khiến thị trường Bảo trì Dự đoán đang phát triển mạnh. Dữ liệu thời gian thực được truyền trực tiếp từ các thiết bị, cảm biến và ứng dụng, sau đó làm nền tảng cho các tính toán phân tích. Phân tích phát trực tuyến (real-time streaming) , là một trong những tinh hoa của Bảo trì Dự đoán, cung cấp dữ liệu thời gian thực cho các hệ thống thực hiện giám sát tự động, với mục đích bảo vệ sức khỏe tài sản hoặc cho nhân viên biết khi nào cần thực hiện các biện pháp bảo trì.
Nghiên cứu thị trường Tương lai về bảo trì dự đoán cho rằng thị trường sẽ tăng ít nhất 25% CAGR và đạt 23 triệu đô la vào năm 2025. Trong các nhà máy, Bảo trì dự đoán được coi là ứng dụng hữu ích nhất cho Internet of Things.
Một báo cáo của CXP Group cho biết 90% các nhà sản xuất thực hiện Bảo trì Dự đoán trong công việc của họ nhận thấy giảm thời gian sửa chữa và thời gian ngừng hoạt động ngoài dự kiến, trong khi 80% thấy rằng cơ sở hạ tầng công nghiệp cũ của họ đã được cải thiện.
Machine Learning trong sản xuất là một case study lớn và là một trong những ngành công nghiệp hứa hẹn nhất cho công nghệ AI. Ở bài viết này bạn sẽ tìm hiểu mọi thứ liên quan đến Bảo trì Dự đoán là gì, bao gồm các trường hợp sử dụng và vai trò của Machine Learning trong đó.
Dịch vụ bảo trì dự đoán
Dịch vụ bảo trì dự đoán được thúc đẩy bởi các phân tích dự đoán. Mục đích đầu tiên của công nghệ này là phát hiện và giám sát sự bất thường và hỏng hóc trong thiết bị, giúp ngăn ngừa khả năng lỗi nghiêm trọng và downtime .
Bạn có thể thích
Điều này cho phép triển khai các nguồn lực hạn chế, tăng vòng đời thiết bị và thiết bị, đồng thời thúc đẩy các quy trình chuỗi cung ứng và chất lượng và tăng sự hài lòng chung của các bên liên quan.
Phân tích Bảo trì Dự đoán
Một lượng lớn dữ liệu được thu thập, lưu trữ và xử lý để có thể thực hiện Predictive Maintenance for Analytics. Dữ liệu này thường bao gồm tình trạng của thiết bị, độ rung, âm thanh, siêu âm, nhiệt độ, mức tiêu thụ điện và bộ dữ liệu phân tích dầu, cũng như dữ liệu từ hình ảnh nhiệt của thiết bị.
Tuy nhiên, Thu thập dữ liệu chỉ là bước đầu tiên, quy trình Khai thác dữ liệu và Machine Learning cũng được đưa vào để rút ra những hiểu biết và phân tích có ý nghĩa từ các bộ dữ liệu thu thập được.
Công cụ và phần mềm bảo trì dự đoán
Các công cụ và phần mềm phân tích dự đoán được sử dụng để giám sát thiết bị với các kỹ thuật thông thường và tiên tiến, cho phép ngăn ngừa sự cố máy bằng cách lập kế hoạch bảo trì trước.
Hai loại kỹ thuật này dựa trên nhiều công cụ kiểm tra và giám sát cho các nhiệm vụ như cách điện, giám sát rung động, giám sát nhiệt độ, phát hiện rò rỉ, phân tích dầu, v.v. Việc sử dụng Bảo trì Dự đoán để theo dõi tình trạng để đánh giá hiệu suất của thiết bị trong thời gian thực đã phổ biến ở nhiều nước châu Âu.
Các kỹ thuật tiên tiến hơn được sử dụng ở các nước phát triển như Hoa Kỳ; tuy nhiên, điều này ít phổ biến hơn ở châu Á-Thái Bình Dương và Trung Đông.
Quy trình Bảo trì Dự đoán tiên tiến sử dụng Internet of Things làm yếu tố cốt lõi; điều này cho phép các tài sản và hệ thống khác nhau chia sẻ, phân tích, và hành động trên dữ liệu. Khi các cảm biến IoT nắm bắt thông tin, Machine Learning sau đó phân tích nó và xác định các khu vực cần bảo trì khẩn cấp.
Bảo trì dự đoán với Machine Learning
Khi nói đến Bảo trì Dự đoán với Machine Learning , chúng ta chủ yếu ngụ ý là Phát hiện bất thường (Anomaly Detection) một cách tự động .
Phát hiện bất thường (Anomaly Detection)
Phát hiện bất thường (hoặc phát hiện ngoại lệ) là việc xác định các vật phẩm, sự kiện hoặc quan sát hiếm gặp làm tăng sự nghi ngờ bằng cách khác biệt đáng kể so với phần lớn dữ liệu. Thông thường, dữ liệu dị thường có thể được kết nối với một số loại sự cố hoặc sự kiện hiếm gặp, ví dụ: gian lận ngân hàng, sự cố y tế, lỗi cấu trúc, thiết bị hỏng hóc, v.v.
Kết nối này làm cho nó rất thú vị để có thể chọn ra điểm dữ liệu nào có thể được coi là bất thường, vì xác định những sự kiện này thường rất thú vị từ góc độ kinh doanh.Điều này đưa chúng ta đến một trong những mục tiêu chính: Làm thế nào để chúng ta xác định liệu các điểm dữ liệu là bình thường hay bất thường? Trong một số trường hợp đơn giản, như trong ví dụ dưới đây, trực quan hóa dữ liệu có thể cung cấp cho chúng ta thông tin quan trọng.
Trong trường hợp dữ liệu hai chiều (X và Y) này, việc nhận dạng trực quan dị thường thông qua các điểm dữ liệu nằm bên ngoài phân phối điển hình trở nên khá dễ dàng. Tuy nhiên, nhìn vào các hình bên phải, không thể xác định trực tiếp ngoại lệ từ việc điều tra một biến tại thời điểm đó: Đó là sự kết hợp của biến X và Y cho phép chúng ta dễ dàng xác định sự bất thường. Điều này làm phức tạp vấn đề đáng kể khi chúng ta mở rộng từ hai biến thành 10 Biến 100, thường là trường hợp trong các ứng dụng thực tế của phát hiện bất thường.
Kết nối với giám sát tình trạng máy
Bất kỳ máy nào, cho dù đó là máy quay (máy bơm, máy nén, tua bin khí hoặc hơi nước, v.v.) hoặc máy không quay (bộ trao đổi nhiệt, cột chưng cất, van, v.v.) cuối cùng sẽ đạt đến điểm kém về sức khỏe. Điểm đó có thể không phải là sự cố hoặc tắt máy thực tế, nhưng một điểm mà thiết bị không còn hoạt động ở trạng thái tối ưu. Điều này báo hiệu rằng có thể cần một số hoạt động bảo trì để khôi phục toàn bộ tiềm năng hoạt động. Nói một cách đơn giản, việc xác định trạng thái sức khỏe của người dùng trên thiết bị của chúng ta là lĩnh vực theo dõi tình trạng.
Cách phổ biến nhất để thực hiện giám sát tình trạng là xem xét từng phép đo cảm biến từ máy và áp đặt giới hạn giá trị tối thiểu và tối đa cho nó. Nếu giá trị hiện tại nằm trong giới hạn, thì máy vẫn khỏe. Nếu giá trị hiện tại nằm ngoài giới hạn, thì máy không hoạt động và báo động được gửi.
Quy trình áp đặt giới hạn cảnh báo được mã hóa cứng này được biết là gửi một số lượng lớn báo động sai, đó là báo động cho các tình huống thực sự là trạng thái lành mạnh cho máy. Cũng có những báo động bị thiếu, đó là những tình huống có vấn đề nhưng không được báo động. Vấn đề đầu tiên không chỉ lãng phí thời gian và công sức mà còn cả sự sẵn có của thiết bị. Vấn đề thứ hai là quan trọng hơn vì nó dẫn đến thiệt hại thực sự với chi phí sửa chữa liên quan và mất sản xuất.
Cả hai vấn đề đều xuất phát từ cùng một nguyên nhân: Sức khỏe của một thiết bị phức tạp không thể được đánh giá một cách đáng tin cậy dựa trên phân tích của từng phép đo.Chúng ta phải xem xét sự kết hợp của các phép đo khác nhau để có được một dấu hiệu xác thực về tình huống
Phát hiện bất thường của máy bằng Machine Learning
Khi dữ liệu được tạo bởi các cảm biến IoT được theo dõi theo thời gian hoặc trong thời gian thực, các mô hình Machine Learning sử dụng dữ liệu đó để tìm hiểu hành vi thông thường của luồng số liệu.
Bước tiếp theo là tự động xác định dữ liệu và sự kiện bất thường, tìm mối tương quan và đưa ra các khuyến nghị ngăn ngừa – điều này cuối cùng giúp tiết kiệm rất nhiều chi phí và thời gian. Điều tuyệt vời của Machine Learning là nó có thể tự động điều chỉnh dữ liệu mới và hiểu những gì xảy ra trong thời gian thực, đồng thời phát hiện và cảnh báo cho nhân viên về các vấn đề nghiêm trọng.
Bạn không cần cấu hình thủ công, lựa chọn dữ liệu hoặc cài đặt ngưỡng mà các biện pháp bảo trì khác yêu cầu. Bất kỳ phương pháp tiếp cận dựa trên Machine Learning nào cũng đòi hỏi dữ liệu có liên quan, đủ và chất lượng để xây dựng các mô hình hiệu quả sẽ cung cấp độ chính xác cao hơn trong các dự đoán. Nhưng nếu bạn có cách tiếp cận ba hướng này, bạn đã sẵn sàng để đi.
Trước khi triển khai giải pháp Bảo trì Dự đoán được phát triển, các yếu tố dữ liệu sau cần được giải quyết:
- Lịch sử lỗi -Error history
- Lịch sử bảo trì / sửa chữa – Maintenance/repair history
- Điều kiện vận hành máy – Machine operating conditions
- Metadata của Thiết bị – Equipment metadata
Lịch sử lỗi
Khi đào tạo một mô hình, thuật toán nên được trang bị dữ liệu trên các mẫu hoạt động bình thường cũng như trên các mẫu lỗi . Đó là lý do tại sao bộ dữ liệu đào tạo nên bao gồm đủ các ví dụ đào tạo về các mẫu thông thường cũng như các lỗi. Hồ sơ bảo trì để thay thế các bộ phận là một nguồn để thu thập các sự kiện lỗi cần thiết.
Lịch sử sửa chữa / bảo trì
Lịch sử bảo trì chứa thông tin về những gì sửa chữa đã được thực hiện, những phần được thay thế, vv Sự hiện diện của thông tin này trong bộ dữ liệu là rất quan trọng; nếu nó vắng mặt, bạn có thể thu được kết quả mô hình sai lệch. Lịch sử lỗi cũng được thể hiện bằng mã lỗi đặc biệt và ngày đặt hàng bộ phận. Các chuyên gia sẽ giúp điều tra các dữ liệu bổ sung, ảnh hưởng đến các mẫu lỗi.
Điều kiện vận hành máy
Truyền dữ liệu của thiết bị đang hoạt động dựa trên cảm biến rất quan trọng như là một nguồn mẫu dữ liệu có giá trị. Giả định chính của Bảo trì Dự đoán là tình trạng của máy trở nên tồi tệ hơn theo thời gian khi nó thực hiện các hoạt động hàng ngày. Dữ liệu có thể có các tính năng nắm bắt mô hình này cùng với sự bất thường dẫn đến suy thoái của thiết bị.
Dữ liệu tính năng tĩnh (Static feature data)
Dữ liệu tính năng tĩnh ngụ ý thông tin kỹ thuật của thiết bị như ngày mà thiết bị được tạo ra, kiểu máy, ngày bắt đầu dịch vụ và vị trí của hệ thống.
Bảo trì dự đoán hoạt động như thế nào?
Bảo trì Dự đoán không đòi hỏi bất cứ điều gì ngoại trừ các tính toán toán học không chính thức để biết khi nào máy cần sửa chữa hoặc thay thế; điều này cho phép thực hiện bảo trì một cách kịp thời và hiệu quả. Ngoài ra, với sự trợ giúp của Machine Learning, các nhà quản lý cơ sở sẽ có thêm thời gian để tập trung vào các nhiệm vụ cần thiết thay vì thực hiện phỏng đoán.
Theo truyền thống, các nhà quản lý cơ sở đã thực hiện công việc bảo trì dự đoán với sự trợ giúp của SCADA – một hệ thống máy tính được sử dụng để thu thập và phân tích dữ liệu thời gian thực. Nhưng phương pháp này yêu cầu ngưỡng mã hóa thủ công, quy tắc cảnh báo và quy định. Nó không tính đến các mẫu hành vi động của thiết bị hoặc dữ liệu theo ngữ cảnh liên quan đến quá trình sản xuất nói chung.
Thay vào đó, nếu Bảo trì Dự đoán được xây dựng trên các thuật toán Machine Learning, chúng được trang bị dữ liệu như công nghệ thông tin, công nghệ vận hành và thông tin quy trình sản xuất về tốc độ của dòng sản xuất và cách các máy đồng bộ với nhau.
Tại sao Bảo trì Dự đoán lại quan trọng?
Lý do vì sao Bảo trì Dự đoán là quan trọng là vì nó đảm bảo bạn sẽ không phải chạy bảo trì quá sớm và lãng phí tiền cho công việc không cần thiết, hoặc dự đoán nếu quá muộn để làm bất cứ điều gì vì sự xuống cấp quá mức đã xảy ra.
Khi chúng ta chứng kiến sự sẵn có ngày càng tăng của các công ty để cài đặt các thiết bị cảm biến và công nghệ liên kết với chi phí thấp hơn cho tất cả các máy móc và thiết bị đang được sử dụng, việc hợp lý hóa dữ liệu trực tiếp của trạng thái máy cho ứng dụng giám sát hiện là một thông lệ.
Phần mềm phân tích dự đoán cho nền tảng giám sát thiết bị có thể giúp chuẩn bị bảo trì và lên lịch sửa chữa để giữ cho thiết bị luôn ở trong tình trạng tốt. Điều này làm tăng OEE (hiệu quả thiết bị tổng thể) bao hàm sự sẵn có của thiết bị cao hơn cùng với chất lượng và hiệu suất của nó.
6 lợi ích của bảo trì dự đoán là gì ?
Chúng ta đã nói về Bảo trì Dự đoán là gì và những vấn đề mà nó giải quyết, bây giờ chúng ta hãy xem xét những lợi ích mà nó có thể mang lại cho doanh nghiệp:
- Chi phí bảo trì giảm khoảng 50%
- Thất bại bất ngờ đang giảm 55%
- Đại tu và thời gian sửa chữa thấp hơn 60%
- Hàng tồn kho phụ tùng được cắt giảm 30%
- Máy móc Thời gian trung bình giữa các lần hỏng được tăng 30%
- Thời gian hoạt động tăng 30%
Mặc dù những thứ này có vẻ giống như những cải tiến kỳ diệu thoạt nhìn, hãy nhớ rằng đây là những con số được cho là của các nhà nghiên cứu đưa ra; trong thực tế, tỷ lệ phần trăm thấp hơn, vì mọi trường hợp ứng dụng đều là duy nhất.
Tuy nhiên, ngay cả khi tỷ lệ phần trăm bị cắt giảm một nửa, bằng chứng cải thiện sẽ rõ ràng cho doanh nghiệp. Ngoài ra, tiền đáng kể sẽ được tiết kiệm nếu chi phí bảo trì trước đó là rất lớn.
Ví dụ, một doanh nghiệp sản xuất thông thường sẽ tiết kiệm tới 10% chi phí bảo trì, vì vậy, giống như việc tăng lợi ích của mình lên 40%.
4 case studies sử dụng bảo trì dự đoán phổ biến nhất
Bằng cách phân tích lượng lớn dữ liệu, các công ty có thể phát hiện các dấu hiệu của lỗi hoặc lỗi có thể xảy ra có thể gây hại cho doanh nghiệp của họ hoặc thậm chí một số quy trình nhỏ trong đó.
Sản xuất và Internet vạn vật
GEMÜ, một nhà sản xuất linh kiện và van tự động nổi tiếng, đã tạo ra một loại công nghệ dựa trên Internet of Things (IoT) để giám sát hiệu suất của các quy trình sản xuất nhằm phát hiện kịp thời và loại bỏ các bộ phận hư hỏng trước khi chúng gặp trục trặc, làm tăng hiệu quả sản xuất các quá trình.
Ô tô
Ngày nay chúng ta đã kết nối những chiếc xe tạo ra một lượng dữ liệu khổng lồ từ các cảm biến được đặt trong xe. Dữ liệu thu thập sau đó được gửi trực tiếp đến các nhà sản xuất và đại lý xe hơi, sau đó cảnh báo các tài xế về bất kỳ vấn đề nào và ngăn chặn chúng trước khi chiếc xe bị hỏng.
Nhà cung cấp tiện ích
Các nhà cung cấp tiện ích sử dụng Bảo trì Dự đoán cho công việc nội bộ được điều tiết tốt hơn, sử dụng lượng dữ liệu khổng lồ được tạo ra bởi đồng hồ thông minh để phát hiện sớm các đặc điểm của cung và cầu và đưa ra các biện pháp để ngăn chặn sự cố ngừng hoạt động.
Bảo hiểm
Ngành Bảo hiểm có thể hưởng lợi từ Bảo trì Dự đoán trong khi đưa ra Phân tích Dự đoán chính xác hơn về các điều kiện thời tiết tai hại.
Bảo trì dự đoán dựa trên công nghệ IoT
Bảo trì Dự đoán dựa trên IoT cạnh tranh với phương pháp truyền thống là bảo trì kế hoạch dựa trên thời gian. Một số người nói rằng một giải pháp dựa trên IoT là một lựa chọn tốt hơn, bởi vì các lỗi cơ chế thường được liên kết với các lý do ngẫu nhiên (80%) thay vì tuổi của nó (20%).
Có một chương trình cổ điển cho các dịch vụ bảo trì, đó là SCADA, nhưng nó chỉ cho phép thực hiện cục bộ – trong khi IoT cho phép lưu trữ nhiều terabyte dữ liệu và chạy thuật toán Machine Learning trên một số lượng lớn máy tính cùng một lúc.
Dữ liệu về các thông số được lấy bởi các cảm biến mà thiết bị hoặc thiết bị được kết nối và trải qua nhiều lần chuyển đổi. Điều này là cần thiết để đạt được mục tiêu cuối cùng – một ứng dụng Bảo trì Dự đoán sẽ cảnh báo người dùng về các lỗi thiết bị và thiết bị tiềm năng. Chúng ta hãy xem xét kỹ hơn những chuyển đổi này là gì :
Thiết bị hoặc thiết bị có cảm biến
Trong bước này, chúng ta sẽ xác định các giá trị chính của thiết bị mà chúng ta muốn theo dõi (chẳng hạn như nhiệt độ và điện áp cho pin) và đặt cảm biến để chụp chúng.
Gateway trường (Field Gateway)
Dữ liệu được thu thập bởi các cảm biến không thể đi trực tiếp vào Gateway cloud , do đó, một thiết bị vật lý nữa được thêm vào chuỗi này – Gateway trường lọc và xử lý dữ liệu.
Gateway cloud
Cloud Gateway nhận thông tin từ Field Gateway và cho phép truyền và kết nối an toàn với các giao thức khác nhau của các Gateway trường.
Hồ dữ liệu (data lake)
Bước tiếp theo là Hồ dữ liệu, tự nói lên điều đó. Dữ liệu được thu thập bởi các cảm biến xuất hiện trên mạng thô và do đó vẫn chứa các mục không liên quan hoặc không chính xác. Nó được thể hiện bằng các bộ đọc cảm biến được đo tại một thời điểm nhất định. Khi có nhu cầu hiểu biết sâu sắc về dữ liệu được lưu trữ ở đây, nó sẽ chuyển đến Kho dữ liệu lớn.
Kho dữ liệu (Data Warehouse)
Trong bước này, dữ liệu được làm sạch và cấu trúc, do đó, nó chứa các tham số được lấy bởi các cảm biến cùng với thông tin theo thời gian và ngữ cảnh về các loại, vị trí và ngày mà các tham số được thực hiện. Bây giờ nó đã sẵn sàng để được trang bị trong mô hình Machine Learning.
Mô hình Machine Learning
Trong bước Machine Learning, chúng ta có thể tiết lộ các mối tương quan dữ liệu ẩn, phát hiện các mẫu dữ liệu bất thường và dự đoán các thất bại trong tương lai.
Ứng dụng web / di động
Cuối cùng, chúng ta có thể nhận thông báo và theo dõi thông báo về các nhu cầu tiềm năng trong bảo trì với Ứng dụng người dùng.
Dịch vụ bảo trì dự đoán của IBM
IBM có một dịch vụ Bảo trì Dự đoán, được gọi là IBM Predictive Maintenance and Quality. Tại đây, bạn có thể giám sát, phân tích và báo cáo về các tham số được thu thập từ các thiết bị và sau đó hệ thống sẽ cung cấp cho bạn một đề xuất cho các hành động cần thực hiện.
Giải pháp IBM này được sử dụng cho các mục đích như dự đoán thời gian ngừng hoạt động của tài sản, nhật ký bảo trì để xác định các biện pháp sửa chữa và chu kỳ bảo trì hiệu quả nhất và điều tra nguyên nhân gốc của sự cố tài sản nhanh hơn để thực hiện các thủ tục ngăn ngừa.
Các giải pháp bảo trì dự đoán khác
Ngoài IBM, các tập đoàn Internet lớn khác như Azure , Google và AWS cũng tuyên bố là các công ty Bảo trì Dự đoán miễn là họ có tùy chọn này bao gồm trong nhiều giải pháp cloud của họ. Tất cả họ đều đề nghị bạn chạy tập dữ liệu của mình thông qua các mô hình hiện có của họ để phát hiện lỗi thiết bị tiềm năng và tìm hiểu các hành động được đề xuất để ngăn chặn chúng. Chẳng hạn, AWS có ứng dụng Machine Learning hoạt động trên các dịch vụ AWS khác như Sage Maker và Amazon S3.
Kết luận
Việc sử dụng Bảo trì Dự đoán không chỉ giới hạn trong các ngành Sản xuất và Ô tô, mà chủ yếu được áp dụng cho hai ngành này. Công nghệ này không chỉ giúp giảm chi phí bảo trì mà còn giảm các lỗi không mong muốn, đại tu và thời gian sửa chữa gần 60% cũng như tăng đáng kể thời gian hoạt động của thiết bị và thiết bị.
Các nhà lãnh đạo sản xuất đã bắt đầu hiểu được tầm quan trọng của việc sử dụng Bảo trì Dự đoán với Machine Learning để giám sát các máy móc đắt tiền và phức tạp; do đó, công nghiệp 4.0 sẽ dựa vào nó. Chỉ các công ty AI hàng đầu mới có thể xử lý việc triển khai công nghệ đúng cách trong khi việc áp dụng Bảo trì Dự đoán vẫn còn non trẻ.
Bạn có thể là một trong những người tiên phong trong thị trường của bạn nếu bạn xem xét việc sử dụng công nghệ này!
