การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์คืออะไร

การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์จะเกี่ยวข้องกับการตรวจติดตาม การวิเคราะห์ และการดำเนินการตามข้อมูลเชิงลึกที่รวบรวมไว้

การตรวจสอบ

คุณต้องตรวจติดตามอุปกรณ์ตลอดการใช้งานด้วยเซ็นเซอร์ IoT ที่หลากหลายเพื่อจุดประสงค์นี้ เซ็นเซอร์จะวัดอุณหภูมิ การสั่นสะเทือน ความชื้น และพารามิเตอร์อื่นๆ ที่ให้ข้อมูลเชิงลึกเกี่ยวกับสภาพของเครื่องจักร

ตัวอย่างเช่น เซ็นเซอร์วัดอุณหภูมิจะระบุว่าเครื่องจักรมีความร้อนเพิ่มขึ้นหรือไม่หลังจากใช้งานเป็นเวลานาน หรือภาพจากกล้องอาจแสดงได้หากวาล์วไม่ได้เปิดกว้างเท่าที่ควร อุปกรณ์จะได้รับการตรวจติดตามอย่างต่อเนื่องหรือเป็นระยะๆ เพื่อให้มั่นใจว่าสามารถเก็บข้อมูลได้ทันเวลา และเพิ่มโอกาสในการตรวจจับความผิดปกติ

การวิเคราะห์

คุณสามารถวิเคราะห์ข้อมูลที่รวบรวมจากเซ็นเซอร์เพื่อพิจารณาว่าอุปกรณ์เสื่อมสภาพเร็วเพียงใดหรือจะเกิดขัดข้องในเร็วๆ นี้หรือไม่ อุปกรณ์ IoT จะสื่อสารข้อมูลไปยังระบบส่วนกลาง ที่นี่ แมช ชีนเลิร์นนิ่ง (ML) และอัลกอริทึม AI ขั้นสูงอื่น ๆ จะวิเคราะห์ข้อมูลเพื่อตรวจจับการเบี่ยงเบนจากเส้นพื้นฐานหรือรูปแบบที่กำหนดไว้ โดยจะสร้างโมเดลการคาดการณ์โดยการวิเคราะห์ประวัติข้อมูลและเชื่อมโยงเข้ากับการขัดข้องที่ทราบ การเปลี่ยนค่าดิบที่อ่านจากเซ็นเซอร์ให้เป็นข้อมูลที่นำไปใช้งานได้นั้นต้องใช้ความสามารถในการประมวลผลที่มีประสิทธิภาพ

การดำเนินการ

โมเดลการคาดการณ์จะประมาณการว่าเมื่อใดที่อุปกรณ์มีแนวโน้มที่จะขัดข้อง โดยพิจารณาจากรูปแบบข้อมูลทั้งในปัจจุบันและในอดีต ระบบจะสร้างกำหนดเวลาในการบำรุงรักษาเชิงรุกขึ้นมาตามการวิเคราะห์ในอนาคต นอกจากนี้ยังใช้อีเมล ข้อความ แดชบอร์ด หรือกลไกอื่นๆ เพื่อแจ้งเตือนทีมบำรุงรักษาให้ทราบถึงการขัดข้องที่อาจเกิดขึ้นหรือความผิดปกติที่เกี่ยวข้องกับเวลา เมื่อองค์กรของคุณดำเนินการบำรุงรักษาและรวบรวมข้อมูลมากขึ้นเมื่อนานวันไป โมเดลการคาดการณ์ก็จะมีความแม่นยำและเชื่อถือได้มากขึ้น

เทคโนโลยีการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์

การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์เป็นงานที่ซับซ้อนซึ่งมีการเคลื่อนย้ายข้อมูลจำนวนมาก โดยต้องมีระบบที่รองรับการจัดเก็บ ถ่ายโอน และวิเคราะห์ข้อมูลจำนวนมหาศาล ซึ่งมักจะเป็นการสตรีมข้อมูลแบบเรียลไทม์ที่รวบรวมมาจากแหล่ง IoT ต่างๆ นับร้อยหรือเป็นพันหรือล้านแห่ง การถ่ายโอนข้อมูลต้องใช้เครือข่ายเฉพาะ พร้อมทั้งมีพื้นที่จัดเก็บใน Data Lake และการประมวลผลโดยใช้คลัสเตอร์เซิร์ฟเวอร์ประสิทธิภาพสูงโดยเฉพาะ

โครงสร้างพื้นฐานที่คุณต้องใช้เพื่อรองรับโปรแกรมการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์นั้นจะขึ้นอยู่กับระบบและสถาปัตยกรรมที่คุณใช้ นอกจากนี้ยังขึ้นอยู่กับเซ็นเซอร์ ประเภทข้อมูล และประเภทของการวิเคราะห์ที่คุณดำเนินการอีกด้วย การปรับแต่งโซลูชันการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ต้องอาศัยวิศวกร สถาปนิกโครงสร้างพื้นฐาน และนักวิทยาศาสตร์ข้อมูลเพื่อสร้างการกำหนดค่าที่เหมาะสม 

องค์กรของคุณยังสามารถนำหลักปฏิบัติในการบำรุงรักษาเชิงป้องกันและการบำรุงรักษาตามการตรวจสอบมาใช้งานได้อีกด้วย

การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์เทียบกับการบำรุงรักษาเชิงป้องกัน

การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ คุณจะคาดการณ์ความล้มเหลวหรือการเสื่อมสภาพของอุปกรณ์ล่วงหน้าได้ จากนั้นจึงทำการบำรุงรักษาล่วงหน้าก่อนที่จะเกิดเหตุการณ์ขึ้น

ในทางกลับกัน การบำรุงรักษาเชิงป้องกันคือการดำเนินการบำรุงรักษาตามเวลาที่กำหนดไว้ กำหนดเวลาในการบำรุงรักษานี้อาจขึ้นอยู่กับช่วงเวลาหรือหน่วยการใช้งานที่วัดได้ (เช่น จำนวนรอบการหมุนของพัดลม) โดยปกติแล้ว กำหนดเวลาในการบำรุงรักษาเหล่านี้จะถูกกำหนดโดยผู้ผลิตอุปกรณ์

คุณสามารถใช้ทั้งเทคนิคการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์และการบำรุงรักษาเชิงป้องกันไปพร้อมๆ กัน หรือจะใช้วิธีใดวิธีหนึ่งแทนอีกวิธีก็ได้ การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์มีความล้ำหน้ามากกว่าการบำรุงรักษาเชิงป้องกัน โดยมีประสิทธิภาพมากกว่าเมื่อมีการออกแบบสถาปัตยกรรม กำหนดค่า ปรับใช้ และบำรุงรักษาอย่างถูกต้อง

การบำรุงรักษาแบบใช้ข้อมูลคาดการณ์เทียบกับการตรวจสอบหาข้อบกพร่อง

การตรวจสอบหาข้อบกพร่องเป็นกระบวนการที่คุณตรวจสอบสถานะปัจจุบันของอุปกรณ์เพื่อตัดสินใจว่าจะเริ่มการบำรุงรักษาใหม่หรือไม่ นอกจากนี้ยังสามารถตรวจสอบความจำเป็นที่จะต้องดำเนินการบำรุงรักษาตามที่เสนอได้อีกด้วย โดยทั่วไปแล้ว กระบวนการนี้จะเกี่ยวข้องกับการวิเคราะห์ภาคพื้นดิน เช่น การถ่ายภาพสนิมบนเครื่องจักร นอกจากนี้ยังอาจเกี่ยวข้องกับเทคนิคการวิเคราะห์จากระยะไกล เช่น การวิเคราะห์การสั่นสะเทือนหรือการใช้ IoT ช่วยตรวจจับ

คุณสามารถใช้การตรวจสอบหาข้อบกพร่องควบคู่ไปกับการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์และการบำรุงรักษาเชิงป้องกันได้ นอกจากนี้ ยังสามารถใช้การตรวจสอบเพื่อวัตถุประสงค์อื่นนอกเหนือจากการกำหนดเวลาในการบำรุงรักษาได้อีกด้วย ตัวอย่างเช่น การตรวจสอบหาข้อบกพร่องอาจเข้ามามีบทบาทหากบริษัทต้องการขายโรงงานอุตสาหกรรมของตนเอง ผู้ซื้ออาจต้องการทราบขอบเขตของความเสียหายหรือการสึกหรอของเครื่องจักร ซึ่งจะส่งผลต่อต้นทุนในการซื้อ

Amazon Web Services (AWS) ให้บริการที่หลากหลายเพื่อช่วยให้องค์กรของคุณพัฒนาและนำโซลูชันการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์มาใช้งาน บริการเหล่านี้สามารถดำเนินการได้ในวงกว้างโดยไม่ต้องลงทุนในโครงสร้างพื้นฐานของตนเองและการบำรุงรักษา

บริการและโซลูชัน AWS IoT ช่วยให้คุณรวบรวมและจัดเก็บข้อมูลเซ็นเซอร์สำหรับการบำรุงรักษาเชิงคาดการณ์ ดังตัวอย่างต่อไปนี้

• AWS IoT Core ช่วยให้คุณเชื่อมต่ออุปกรณ์ IoT หลายพันล้านรายการและเส้นทางข้อความหลายล้านล้านรายการไปยังบริการ AWS โดยไม่ต้องจัดการโครงสร้างพื้นฐาน

• AWS IoT Device Management ช่วยให้คุณลงทะเบียน จัดระเบียบ ตรวจสอบ และจัดการอุปกรณ์ IoT จากระยะไกลในขนาดใหญ่

• AWS IoT Ev ents ตรวจสอบอุปกรณ์หรือกลุ่มอุปกรณ์ของคุณเพื่อหาความล้มเหลวหรือการเปลี่ยนแปลงในการดำเนินงาน จากนั้นเริ่มดำเนินการที่จำเป็น

Machine Learning บน AWS แสดงรายการบริการที่มีการจัดการอย่างสมบูรณ์มากมายสำหรับการวิเคราะห์ข้อมูลเซ็นเซอร์ของคุณ ต่อไปนี้คือตัวอย่างบางส่วน

• Amazon Monitron เป็น ระบบแบบ end-to-end ที่ใช้ ML เพื่อตรวจจับสภาพผิดปกติในอุปกรณ์อุตสาหกรรมและเปิดใช้งานการบำรุงรักษาเชิงคาดการณ์

• Amazon Rekognition นำเสนอความ สามารถในการมองเห็นคอมพิวเตอร์ (CV) ที่ผ่านการฝึกอบรมล่วงหน้าและปรับแต่งได้เพื่อดึงข้อมูลและข้อมูลเชิงลึกจากภาพและวิดีโอของคุณ

ด้วย Amazon SageMaker คุณสามารถสร้าง ฝึกอบรม และปรับใช้โมเดล ML ที่กำหนดเองสำหรับซอฟต์แวร์การบำรุงรักษาเชิงคาดการณ์ด้วยโครงสร้างพื้นฐาน เครื่องมือ และเวิร์กโฟลว์ที่มีการจัดการอย่างเต็มที่ คุณสามารถเรียกดูตัวอย่างการ บำรุงรักษาเชิงคาดการณ์โดยใช้แมชชีนเลิร์นนิ งในไลบรารีโซลูชั่น AWS เพื่อเริ่มต้น การใช้โค้ดของเราบน GitHub พร้อมด้วยชุดข้อมูลตัวอย่างการเสื่อมสภาพของเทอร์โบแฟน ช่วยให้คุณสามารถสำรวจโซลูชันการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ของ AWS ที่ใช้งานอยู่ได้ ปรับแต่งด้วยข้อมูลของคุณเองเพื่อทำความเข้าใจความสามารถของเราให้ลึกซึ้งยิ่งขึ้นสำหรับกรณีการใช้งานที่เฉพาะเจาะจงของคุณ

เริ่มต้นด้วยการบำรุงรักษาเชิงคาดการณ์บน AWS โดย การสร้างบัญชีวัน นี้