Vorausschauende Instandhaltung und Optimierung der Anlagenverfügbarkeit

Bessere Anlageninstandhaltung mit Echtzeiteinblicken

Die vorausschauende Wartung ist ein wichtiger Bestandteil von Industrie 4.0. Schlechte Wartungsstrategien können die betriebliche Effizienz und Rentabilität von Industrieherstellern erheblich beeinträchtigen. Um wettbewerbsfähig zu sein, müssen Unternehmen in anlagenintensiven Branchen ungeplante Ausfallzeiten minimieren und Wartungskosten optimieren.

• 82 % der Unternehmen hatten in den letzten drei Jahren ungeplante Ausfallzeiten, die bis zu 260.000 US-Dollar pro Stunde gekostet haben, wobei die Ausfälle durchschnittlich vier Stunden andauerten.
• Für anlagenintensive Unternehmen ist die Ausgereiftheit ihrer Wartungspraktiken ein entscheidender Faktor für ihre Fähigkeit, zuverlässig, unterbrechungsfrei und profitabel zu arbeiten. Die Verbesserung von Wartungspraktiken, -prozessen und -systemen kann eine hohe Kapitalrendite (ROI) liefern.
• Unternehmen können zukunftsgerichtete Analysen verwenden, um Anlagenausfälle und eine zuverlässige Lebensdauer zu prognostizieren und umsetzbare Erkenntnisse in Echtzeit zu generieren.

Für die Fertigungsindustrie ist die Verwendung von Daten zur Aktivierung und Verbesserung der vorausschauenden Wartung besonders relevant, da der Anwendungsfall auf jede Art von Fertigungsproduktionssystem angewendet werden kann, wie Computerized numerical Control-(CNC-)Infrastruktur, Supply Chain- und Warehouse-Systeme, Logistik- und Testsysteme usw.

Während je nach spezifischer Anwendung eine Vielzahl von Datenquellen verwendet werden können, sind die Schlüssel zum Wechsel von reaktiver zu vorausschauender Wartung Internet of Things-(IoT-)Datenströme oder Machine-to-Machine-(M2M-)Nachrichten, die über ein MQTT-Broker (der IoT-Messaging-Standard) gesendet und empfangen oder von Historikern aus Operational-Intelligence-Systemen bereitgestellt werden. Dies sind die Quellen der notwendigen Rohdaten, um zu beurteilen, ob Wartungsarbeiten erforderlich sind. Daten aus anderen Quellen sind jedoch erforderlich, um ein ordnungsgemäßes vorausschauendes Wartungssystem einzurichten. Beispielsweise enthalten Wartungsmanagementsysteme Informationen über die Ausrüstungsgegenstände selbst, wie beispielsweise Wartungsberichte. Weitere Datenquellen sind SCADA-Systeme (Supervisory Control and Data Acquisition), ein spezielles Repository mit Mediendateien (z. B. Bilder und Videostreams), Wartungshandbücher und Wetterprognose. Die Vielfalt der Daten, die in der vorausschauenden Wartung verwendet werden können, ist riesig.

Kostenreduzierung und bessere Effizienz durch die Feinabstimmung der vorausschauenden Wartung

Die hier vorgestellte Architektur zeigt, wie empfohlene Oracle Komponenten kombiniert werden können, um eine vollständige Analysearchitektur aufzubauen, die den gesamten Datenanalyse-Lebenszyklus abdeckt (von der Erkennung bis zur Aktion und Messung), und die breite Palette der oben beschriebenen Geschäftsvorteile bietet.

Diese Abbildung zeigt, wie Oracle Data Platform for Manufacturing zur Unterstützung der vorausschauenden Wartung und Optimierung der Anlagenverfügbarkeit verwendet werden kann. Die Plattform umfasst die folgenden fünf Pillar:

• Datenquellen, Erkennung
• Aufnahme, transformieren
• Beibehalten, kurieren, erstellen
• Analysieren, lernen, prognostizieren
• Messen, handeln

Der Pillar „Datenquellen, Entdeckung“ umfasst zwei Datenkategorien.

Geschäftsdatensatzdaten umfassen Daten aus MES, WHM, CMM (Wartungs- und Anlagenmanagement), IoT, SCADA-Systemen sowie Historiker- und Bedienereingaben (einschließlich Fehler, Qualität und Beobachtungen).

Zu den technischen Eingabedaten gehören IIoT, Bilder, E-Mails, Videos, Papierdokumentation (OCR) und diskrete Ereignisse (z. B. ein Notabschaltung der Produktionslinie).

Der Pillar „Aufnehmen, transformieren“ umfasst vier Funktionen.

Die Batchaufnahme verwendet OCI Data Integration, Oracle Data Integrator und DB-Tools.

Die Massenübertragung verwendet OCI FastConnect, OCI Data Transfer, MFT und OCI CLI.

Die Datenänderungserfassung verwendet OCI GoldenGate.

Die Streaming-Aufnahme verwendet Kafka Connect.

Alle vier Funktionen verbinden sich unidirektional mit dem bereitstellenden Datenspeicher, dem Transaktionsdatenspeicher und dem Cloud-Speicher innerhalb des Pillars „Beibehalten, kurieren, erstellen“.

Darüber hinaus ist die Streaming-Aufnahme mit der Stream-Verarbeitung innerhalb des Pillars „Analysieren, lernen, prognostizieren“ verbunden.

Der Pillar „Beibehalten, kurieren, erstellen“ umfasst fünf Funktionen.

Der bereitstellende Datenspeicher verwendet Autonomous Data Warehouse und Exadata Cloud Service.

Der Transaktionsdatenspeicher verwendet ATP, MySQL, Oracle NoSQL und Exadata Cloud Service.

Der Cloud-Speicher verwendet OCI Object Storage.

Die Batchverarbeitung verwendet OCI Data Flow.

Governance verwendet OCI Data Catalog.

Diese Funktionen sind innerhalb des Pillars miteinander verbunden. Der Cloud-Speicher ist unidirektional mit dem bereitstellenden Datenspeicher und dem Transaktionsdatenspeicher und außerdem bidirektional mit der Batchverarbeitung verbunden.

Zwei Funktionen sind mit dem Pillar „Analysieren, lernen, prognostizieren“ verbunden. Der bereitstellende Datenspeicher ist sowohl mit der Analyse- und Visualisierungsfunktion als auch mit den Datenprodukten und API-Funktionen verbunden. Der Cloud-Speicher ist mit der ML-Funktion verbunden.

Der Pillar „Analysieren, lernen, prognostizieren“ umfasst fünf Funktionen.

Analysen und Visualisierungen verwenden Oracle Analytics Cloud, GraphStudio und ISVs.

Datenprodukte, APIs verwenden OCI API Gateway und OCI Functions.

Maschinelles Lernen verwendet OCI Data Science und Oracle Machine Learning.

KI-Services verwenden OCI Anomaly Detection, OCI Forecasting, OCI Language und OCI Vision.

Die Streaming-Verarbeitung verwendet GoldenGate Stream Analytics und Stream-Analysen von Drittanbietern.

Der Pillar „Messen, handeln“ erfasst, wie die Datenanalyse eingesetzt werden kann: von Personen, Partnern, Anwendungen, Modellen und insbesondere zur Aktualisierung von KI-Servicemodellen.

Personen und Partner umfassen Condition Monitoring und Sensordatenanalyse sowie Fehlermöglichkeits- und -einflussanalyse (FMEA).

Anwendungen umfassen das Anlagenleistungsmanagement (APM), die Ursachenanalyse und die zuverlässigkeitsorientierte Instandhaltung (RCM).

Modelle umfassen das aktualisierte KI-Servicemodell, Vorhersageanalysen und Modelle für maschinelles Lernen

Die drei zentralen Pillar – Aufnehmen, transformieren; Ausharren, kuratieren, schaffen; und Analysieren, lernen, prognostizieren – werden durch Infrastruktur, Netzwerk, Sicherheit und IAM unterstützt.

Daten verbinden, aufnehmen und transformieren

Unsere Lösung besteht aus drei Pillar, die jeweils spezifische Datenplattformfunktionen unterstützen. Der erste Pillar bietet die Möglichkeit, Daten zu verbinden, aufzunehmen und zu transformieren.

Es gibt vier Hauptwege, um Daten in eine Architektur einzuspeisen, damit Fertigungsunternehmen von reaktiver zu vorausschauender Wartung übergehen können.

• Um unseren Prozess zu starten, aktivieren wir den Bulk-Transfer von operativen Transaktionsdaten. Bulk-Transfer-Services werden in Situationen verwendet, in denen große Datenmengen zum ersten Mal in die Oracle Cloud Infrastructure (OCI) verschoben werden müssen, z. B. Daten aus vorhandenen On-Premises-Analyse-Repositorys oder anderen Cloud-Quellen . Der spezifische Bulk-Transfer-Service, der verwendet wird, hängt vom Speicherort der Daten und der Übertragungshäufigkeit ab. Beispielsweise kann der OCI Data Transfer Service oder OCI Data Transfer Appliance verwendet werden, um eine große Menge an On-Premises-Daten aus historischen Planungs- oder Data Warehouse-Repositorys zu laden. Wenn große Datenmengen kontinuierlich verschoben werden müssen, empfehlen wir die Verwendung von OCI FastConnect, das eine dedizierte private Netzwerkverbindung mit hoher Bandbreite zwischen dem Data Center eines Kunden und OCI bietet.
• Häufige Echtzeit- oder nahezu Echtzeit-Extrakte sind oft erforderlich, und Daten werden regelmäßig von Lagerverwaltungs-, Planungs- und Auftragsverwaltungssystemen mit OCI GoldenGate aufgenommen. OCI GoldenGate verwendet die Erfassung von Änderungsdaten, um Änderungsereignisse in der zugrunde liegenden Struktur der Systeme zu erkennen, die gewartet werden müssen (z. B. das Hinzufügen einer neuen Komponente, abgeschlossene Wartungsarbeiten, Wetteränderungen usw.) und sendet die Daten in Echtzeit an eine Persistenzschicht und/oder den Streaminglayer.
• Für Fertigungsunternehmen kann die Echtzeit-Analyse von Daten aus mehreren Quellen wertvolle Einblicke in ihre Betriebseffizienz und Gesamtleistung liefern. In diesem Anwendungsfall verwenden wir die Streaming-Aufnahme, um alle Daten aufzunehmen, die von Sensoren über IoT, M2M-Kommunikation und andere Mittel gelesen werden. Die Möglichkeit, Datenstreams in Echtzeit zu erfassen und zu analysieren, ist für die Fähigkeit eines Herstellers, eine vorausschauende Wartung seiner Assets durchzuführen, von entscheidender Bedeutung. Streams können von mehreren ISA-95 Level 2-Systemen stammen, wie z. B. SCADA-Systemen, speicherprogrammierbaren Steuerungen und Batch-Automatisierungssystemen. Daten (Ereignisse) werden aufgenommen und es finden einige grundlegende Transformationen/Aggregationen statt, bevor sie im OCI Object Storage gespeichert werden. Mit zusätzlichen Streamanalysen können korrelierende Ereignisse und die identifizierten Muster (manuell) für datenwissenschaftliche Untersuchung der Rohdaten verwendet werden.
• Um diese hochfrequenten Streaming-Daten in Echtzeit zu analysieren, verwenden wir die Streaming-Verarbeitung, um erweiterte Analysen bereitzustellen. Während herkömmliche Analysetools Informationen aus Daten im Ruhezustand extrahieren, bewertet die Streaming-Analyse den Wert von Daten in Bewegung, d. h. in Echtzeit. Und das ist nicht der einzige Vorteil. Da die Streaming-Analyse hochgradig automatisiert werden kann, kann sie den Herstellern beim Senken der Betriebskosten behilflich sein. Streaming-Analysen können beispielsweise Echtzeitdaten zu grundlegenden Versorgungskosten wie Strom und Wasser liefern. Fabriken und Werke können dann ein automatisiertes Streaming-Analysetool verwenden, um auf sofortige Einblicke in Bereiche zuzugreifen, die optimiert werden könnten, um die Energiekosten zu senken und mithilfe künstlicher Intelligenz angemessen auf bestimmte betriebliche Ereignisse zu reagieren. Streaming-Analysen können auch Echtzeitprognosen über bevorstehende Wartungsanforderungen für Geräte treffen und Unternehmen dabei helfen, sich frühzeitig auf anstehende Reparaturen oder routinemäßige Wartungsarbeiten vorzubereiten.
• Eine potenziell wichtige optionale Komponente der Architektur ist die OCI Roving Edge Infrastructure, die mit Oracle Roving Edge Devices in entfernten Einrichtungen wie einem Kraftwerk oder einem Solarpanelfeld verwendet werden kann. OCI Roving Edge Infrastructure bietet alle OCI-Services, sodass sie eine Predictive-Maintenance-Architektur replizieren kann. Die OCI Roving Edge Infrastructure kann auch als Data Hub für Streaming-Daten verwendet werden, bevor sie der Streaming-Aufnahme/-Verarbeitung in der Cloud zugeführt werden.
• Während sich die Echtzeitanforderungen weiterentwickeln, ist der häufigste Extrakt aus ERP-, Planungs-, Lagerverwaltungs- und Transportverwaltungssystemen eine Art Batchaufnahme mit einem ETL-Prozess. Die Batchaufnahme wird verwendet, um Daten aus Systemen zu importieren, die kein Datenstreaming unterstützen können (z. B. ältere SCADA- oder Wartungsverwaltungssysteme). Diese Extracts können häufig aufgenommen werden, so oft wie alle 10 oder 15 Minuten. Sie sind jedoch immer noch in Batch-Form, da Transaktionsgruppen extrahiert und verarbeitet werden und nicht einzelne Transaktionen. OCI bietet verschiedene Services für die Batch-Ingestion, wie z. B. den nativen OCI Data Integration-Service und Oracle Data Integrator, die auf einer OCI Compute-Instanz ausgeführt werden. Die Wahl des Services würde in erster Linie eher auf Kundenpräferenzen als auf technischen Anforderungen basieren.

Daten beibehalten, verarbeiten und kuratieren

Die Datenpersistenz und -verarbeitung basieren auf drei (optional vier) Komponenten. Einige Kunden werden alle verwenden, und andere wiederum nur einen Teil. Je nach Volumes und Datentypen können Daten in den Objektspeicher oder direkt in eine strukturierte relationale Datenbank zur dauerhaften Speicherung geladen werden. Wenn wir die Anwendung von Data Science-Funktionen erwarten, werden Daten, die aus Datenquellen in ihrer Rohform (als unverarbeitete native Datei oder Extrakt) abgerufen werden, in der Regel erfasst und von Transaktionssystemen in den Cloud-Speicher geladen.

• Der Cloud-Speicher ist die häufigste Datenpersistenzschicht für unsere Datenplattform. Er kann sowohl für strukturierte als auch für unstrukturierte Daten verwendet werden. OCI Object Storage, OCI Data Flow und Oracle Autonomous Data Warehouse sind die grundlegenden Bausteine. Aus Datenquellen im Rohformat abgerufene Daten werden erfasst und in den OCI Object Storage geladen. OCI Object Storage ist die primäre Datenpersistenzschicht, und Spark in OCI Data Flow ist die primäre Batchverarbeitungs-Engine. Die Batchverarbeitung umfasst mehrere Aktivitäten, einschließlich der grundlegenden Behandlung hinsichtlich der Qualität, der Verwaltung fehlender Daten und der Filterung basierend auf definierten ausgehenden Datasets. Die Ergebnisse werden basierend auf der erforderlichen Verarbeitung und den verwendeten Datentypen in verschiedene Ebenen des Objektspeichers oder in ein persistentes relationales Repository zurückgeschrieben.
• Alle Datentypen, die sowohl im Rohformat als auch im verarbeiteten Format gespeichert sind, werden in einem Transaktionsdatenspeicher beibehalten. Eine Oracle Database wie Oracle Autonomous Database funktioniert für alle Anwendungsfälle effizient, jedoch denken einige Kunden vielleicht, dass einige Daten besser in einer NoSQL-Datenbank gespeichert werden sollten. Dies ist jedoch nicht unbedingt wahr – eine optimierte Oracle Database auf Exadata ist für Schreibvorgänge schneller als eine NoSQL-Datenbank – und außerdem verlieren Sie durch die Verwendung einer NoSQL-Datenbank die Vorteile, alle Ihre Daten in einem einzigen Repository mit einer einheitlichen Ansicht zu haben. Darüber hinaus können Sie auch hybride Partitionen nutzen, um nur wenige Partitionen im Exadata-Speicher und den Rest der Daten im Objektspeicher zu behalten, da die meisten Betriebsanalysen und Dashboards die neuesten Daten verwenden.
• Wir verwenden jetzt einen bereitstellenden Datenspeicher, um unsere kuratierten Daten in einer für die Abfrageleistung optimierten Form zu speichern. Der bereitstellende Datenspeicher bietet eine persistente relationale Ebene, über die qualitativ hochwertige kuratierte Daten über SQL-basierte Tools direkt an Endbenutzer bereitgestellt werden. In dieser Lösung wird Oracle Autonomous Data Warehouse als bereitstellender Datenspeicher für das Data Warehouse des Unternehmens und, falls erforderlich, spezialisiertere Data Marts auf Domainebene instanziiert. Außerdem kann es die Datenquelle für Data Science-Projekte oder das für Oracle Machine Learning erforderliche Repository sein. Der bereitstellende Datenspeicher kann eine von mehreren Formen annehmen, einschließlich Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service oder Oracle Exadata Cloud@Customer.

Daten analysieren, prognostizieren und handeln

Die Fähigkeit zu analysieren, zu prognostizieren und zu handeln wird durch drei Technologieansätze erleichtert.

• Erweiterte Analysefunktionen sind für die Wartungsoptimierung von entscheidender Bedeutung. In diesem Anwendungsfall verlassen wir uns für die Bereitstellung von Analysen und Visualisierungen auf Oracle Analytics Cloud. Dadurch kann das Unternehmen beschreibende Analysen (beschreibt aktuelle Trends mit Histogrammen und Diagrammen), prädiktive Analysen (sagt zukünftige Ereignisse voraus, identifiziert Trends und bestimmt die Wahrscheinlichkeit ungewisser Ergebnisse) und präskriptive Analysen (schlägt geeignete Maßnahmen vor, was zu einer optimalen Entscheidungsfindung führt) verwenden.
• Neben erweiterten Analysen werden zunehmend Data Science, maschinelles Lernen und künstliche Intelligenz eingesetzt, um nach Anomalien zu suchen, mögliche Ausfälle vorherzusagen und den Beschaffungsprozess zu optimieren. OCI Data Science, OCI AI Services bzw. Oracle Machine Learning können in Datenbanken verwendet werden. Wir verwenden maschinelles Lernen und Data Science-Methoden, um unsere vorausschauenden Wartungsmodelle zu entwickeln und zu trainieren. Diese ML-Modelle können dann für die Bewertung über APIs bereitgestellt oder als Teil der GoldenGate-Streamanalyse-Pipeline eingebettet werden. In einigen Fällen können diese Modelle sogar mithilfe der REST-API von Oracle Machine Learning Services in der Datenbank bereitgestellt werden (dazu muss das Modell im Open Neural Network Exchange-Format vorliegen). Darüber hinaus können OCI Data Science für Jupyter/Python-zentrierte Notebooks oder Oracle Machine Learning für das Zeppelin-Notebook und Algorithmen für maschinelles Lernen innerhalb des bereitstellenden oder Transaktionsdatenspeichers bereitgestellt werden. In ähnlicher Weise können Oracle Machine Learning und OCI Data Science (entweder allein oder in Kombination) Empfehlungs-/Entscheidungsmodelle entwickeln. Diese Modelle können als Service eingesetzt werden, und wir können sie hinter OCI API Gateway implementieren, um sie als „Datenprodukte“ und Services bereitzustellen. Schließlich können die Machine Learning-(ML-)Modelle nach der Erstellung in Anwendungen bereitgestellt werden, die Teil eines verteilten Steuerungssystems sind (sofern zulässig) oder am Rand über ein Oracle Roving Edge Device oder Ähnliches eingesetzt werden.

Die zahlreichen Modelle, die durch die Kombination von Data Science mit den durch maschinelles Lernen identifizierten Mustern erstellt wurden, können auf Reaktions- und Entscheidungssysteme angewendet werden, die von KI-Services bereitgestellt werden.

• Mit OCI Anomaly Detection können Sie Leistungsmetriken der Lieferkette (z. B. Rohmaterialbestand, Produktionsdurchsatz, laufende Arbeiten, Transitzeiten, Lagerumschlag usw.) in Echtzeit überwachen, um Störungen zu erkennen und zu beheben. In einer komplexen Lieferkette kann die Dringlichkeitsbewertung identifizierter Anomalien dabei helfen, beobachtete Geschäftsunterbrechungen für Maßnahmen zu priorisieren.
• Mit OCI Forecasting können Sie Metriken der Lieferkette wie Nachfrage, Angebot und Ressourcenkapazität prognostizieren, sodass für eine rechtzeitige Vorbereitung geeignete Maßnahmen ergriffen werden können.
• Mit OCI Vision und OCI Language können Sie Dokumente wie ausgehende Produktqualitätsberichte und Produktfehlerberichte verstehen, um Lieferkettendaten anzureichern.

Die letzte, aber entscheidende Komponente ist die Data Governance. Dies wird von OCI Data Catalog ausgeführt, einem kostenlosen Service, der Data Governance und Metadatenverwaltung (sowohl für technische als auch geschäftliche Metadaten) für alle Datenquellen im Datenplattform-Ökosystem bereitstellt. OCI Data Catalog ist ebenso eine wichtige Komponente für Abfragen von Oracle Autonomous Data Warehouse an OCI Object Storage, da damit Daten unabhängig von der Speichermethode schnell lokalisiert werden können. Dadurch können Endbenutzer, Entwickler und Data Scientists eine gemeinsame Zugriffssprache (SQL) für alle persistenten Datenspeicher in der Architektur verwenden.

Nutzen Sie Ihre Daten, um Fertigungsabläufe zu verbessern und die Rentabilität zu steigern

Mit vorausschauender Wartung werden Geräte nur dann gewartet, wenn sie gewartet werden müssen, wodurch unerwartete Ausfälle reduziert werden. Dies bietet mehrere Vorteile, darunter weniger geplante Wartungsreparaturen oder Austausche, die Verwendung von weniger Wartungsressourcen (einschließlich Ersatzteilen und Verbrauchsmaterialien) und gleichzeitig weniger Ausfälle. Außerdem können diese proaktiven Vorhersagen dazu beitragen, die Lebensdauer von Geräten zu verlängern und gleichzeitig das Risiko potenzieller Produktverzögerungen zu verringern, indem die Umrüstung der Geräte und die damit verbundenen Ausfallzeiten minimiert werden.

Durch die Reduzierung ungeplanter Ausfallzeiten können Sie den Geschäftsbetrieb optimieren, die Effizienz, Produktivität und Geschwindigkeit verbessern und sicherstellen, dass das richtige Teil zur richtigen Zeit am richtigen Ort ist. Darüber hinaus steigern die Senkung der Wartungs-, Arbeits- und Materialkosten sowie die Optimierung der Lebenszykluskosten der Anlagen gleichzeitig die Rentabilität.