【智慧製造】實作工業預測性維護 (predictive maintenance):執行篇

預測性維護 (Predictive maintenance) 有助於企業延長設備年限能否延長,藉由讓生產系統更加可靠,來減少設備的停機時間。在本系列文的前 2 篇文章中(第一部分第二部分在此,歡迎讀者閱讀),我們確定了企業可能會想部署預測系統的原因,並說明了一般匯入預測系統的感應器和資料類型。在本系列文的第三篇也是最後一篇的文章中,我們將會解釋我們如何從 Google Cloud Platform (GCP) 各項產品中,建立一個完整的預測性維護參考解決方案,包括Cloud IoT CoreCloud IoT Edge BigQueryCloud Dataflow 等資料處理工具,以及 Cloud ML Engine 等等的機器學習平台。

預測性維護:技術架構參考

為了示範如何在 GCP 上設計並建立一套包括各種架構組件和機器學習 (ML) 模型組件的預測性維護解決方案,我們將會以一家擁有石油鑽井平台並負責維護的公司為例。它預計利用設備供應商蒐集回來的產品使用資料、健康狀況資料,以「預測性維護」模型取代原本「碰到問題再維修」的做法。

該公司決定使用以雲端運算為基礎的預測性維護解決方案,來分析來自石油鑽井平台中感應器的即時資料,再加上預先訓練好的機器學習模型,來預測每台機器的剩餘壽命以及該機器何時會出現故障。有了這樣的模型,公司甚至可以避免計劃外的停機狀況

圖中這個架構中的各個元素如下:

 

  • Cloud IoT Core 幫助您安全地連接、管理和提取在世界各地的石油鑽機的資料。
  • Cloud Pub/Sub 提取串流媒體事件的資料,並且把資料傳送到 Cloud Dataflow。
  • Cloud Dataflow(一項託管服務)將資料轉換並儲存在 BigQuery 中。
  • BigQuery 提供了一個無伺服器的資料倉儲環境來儲存和分析資料,並且提供大資料解決方案的架構,您可以在 BigQuery中 對批次處理 (batch) 的資料和串流 (streaming) 資料進行分析。
  • App Engine 託管系統的可視化引擎。
  • Cloud ML Engine 許您同時訓練機器學習模型和利用模型投入服務。
  • Cloud IoT Edge 將 Google Cloud 的強大的資料處理和機器學習擴展到邊緣設備,如機械臂、風力渦輪機和石油鑽孔平台,這樣邊緣設備它們就可以對來自感測器的資料即時採取行動,並且可以在本地端進行預測。

用 ML 訓練預測性維護模型

有了以上這些要素之後,我們來看看如何在 GCP 上建立屬於你的預測性維護模型。

在我們的架構中,ML 模型可以預測石油鑽井平台上一台特定機器(可能是一台油泵)的剩餘壽命。模型首先對儲存在 BigQuery 中的感測器歷史資料進行訓練,之後當新的即時資料不斷匯入系統時, 該模型就可以預測機器的剩餘壽命。

下圖展示了這部影片 Demo 的技術架構和 ML 模型。對於即時資料匯入(線上預測),在進行預測之前需要進行轉換,而前處理 (preprocessing) 部分,應該在訓練階段和預測階段之間都開放共享,以確保模型的準確性。

The model training process
模型訓練之參考架構
Full model training and prediction reference architecture
模型訓練與預測之參考架

 

此架構中,一個重要組成部分是 Cloud Dataflow,它可以對歷史資料(用於訓練)和串流資料(用於預測)都應用同一套轉換器。由於 Cloud Dataflow 的資料會流往 BigQuery,因此我們可以在應用程式和報告中獲得最新的資料,以便進行敏捷的決策。

Detailed, full ML reference architecture
完整詳細的機器學習參考架構

網路邊緣 (edge) 的機器學習:應用情境

雖然將資料放在雲端上,意味著您可以利用更複雜的處理方式以及更豐富的機器學習模型,但是在很多情境下,對資料的預測只有在資料生成後的幾秒鐘內有用。例如,想想信用卡詐騙、自動駕駛汽車和工業機器,這些場景都幾乎需要即時預測。另外,在某些情境中,邊緣設備上的預測能帶給用戶優質的體驗,例如即時翻譯、語音、以及物聯網場景等等。還有一些特殊情況下,網路連接並不穩定,比如在飛機和船上,這樣的情況下,在邊緣設備進行預測,會比通過網路發送資料來得更划算。

邊緣運算,代表將資料處理能力放在網路邊緣,而不是將處理能力集中在雲端或資料倉儲中。這是一個很強大的概念,尤其是在物聯網方面;透過邊緣運算,您可以在更接近資料蒐集的地方處理物聯網資料,而不是將其以遠距離方式發送去雲端。

以我們的石油鑽井平台為例,Cloud IoT Edge 將 Google Cloud 強大的資料處理和機器學習能力擴展到數十億台邊緣設備,例如:機械臂、風力渦輪機和石油鑽井平台,這樣它們就可以對感測器的資料即時採取行動,並且在本地端預測結果。

尤其是邊緣運算,更為製造業帶來了五大潛在優勢:

1. 更快的回應時間﹕

因為無需往返雲端,所以減少了延遲,此外,更快的回應能力,將有助於阻止關鍵機器操作故障或者危險事故的發生。

2. 連線穩定、運作可靠﹕

對於遠程設備,例如油井、農場水泵、太陽能農場或風車等,如果互聯網連接不穩定會很困難進行監測。而邊緣設備能夠在本地端儲存和處理資料,確保在互聯網連接受限的情況下,不會發生資料丟失或者操作失敗。

3. 安全性和合規性﹕

由於邊緣運算的架構性質,您可以去除設備和雲端之間大量多餘的資料傳輸,並且,邊緣設備可以在本地端過濾掉敏感訊息,只將重要的資料模型建立訊息傳輸到雲端,這使得用戶可以建立一個足夠安全並合符規定的框架,這一點對於維護企業安全和進行年度審核來說是必不可少的。

4. 具有成本效益的解決方案﹕

圍繞物聯網的實際問題之一是網路頻寬、資料儲存和計算能力的前期成本。通過邊緣運算,您可以在本地端進行大量的資料轉換,這使得企業可以決定在雲端部署或擴展哪些服務。

5. Edge TPU﹕

除了 Cloud IoT 之外,GCP 還提供了邊緣環境的物聯網專用芯片 Edge TPU,再加上 Cloud IoT Edge,這是一套軟體,能夠將 Google Cloud 的 AI 能力擴展到網關和連接設備。 您可以利用 Edge TPU 和 Cloud IoT Edge 在雲端構建和訓練機器學習模型,然後在使用 Edge TPU 硬件加速器的同時,在 Cloud IoT Edge 設備上運行它們。

現今的工廠設施、航空引擎和石油鑽井平台正進化為複雜的工業物聯網系統,其中有成千上萬的組件,每個組件都必須正確運行以獲得最佳效能。對於這些系統進行預測性維護,可以大大節約成本,提高其可靠性。

透過利用物聯網、大數據、機器學習和邊緣運算等新興技術,您可以對生產過程有了更多至關重要的了解,並開始將機械世界轉變整合為一個既智能又互相連接的世界。想要了解更多訊息,請關注 Google Cloud 的Cloud IoT 網頁

(本文翻譯改編自 Google Cloud。)


連絡「GCP 專門家」