预测性维护和资产可用性优化

通过实时洞察改善资产维护

预测性维护是工业 4.0 的关键组成部分。维护策略不当可能会大大影响工业制造商的运营效率和盈利能力。为了提高竞争力，资产密集型行业的公司需要尽量减少非计划外停机时间并优化维护成本。

• 在过去三年中，82% 的公司发生过计划外停机，每小时损失高达 26 万美元，平均停机时间为 4 小时。
• 对于资产密集型组织来说，维护实践的成熟度是其能否可靠、不间断地运营并获得盈利的关键决定因素。改进维护实践、流程和系统可以带来巨大的投资回报。
• 组织可以使用预测分析来预测资产故障和使用寿命，并实时生成具体可行的洞察。

对于制造业来说，使用数据来实现和改进预测性维护尤其重要，因为该用例可以应用于任何一种制造生产系统，如计算机数控 (CNC) 基础设施、供应链和仓库系统、物流和测试系统等。

虽然可以根据具体应用使用各种数据源，但从被动维护转变为预测性维护的关键是物联网 (IoT) 数据流或机器对机器 (M2M) 消息。这些消息通过 MQTT（IoT 消息传递标准）代理发送和接收，或由历史记录从运营智能系统提供。这些是评估是否需要维护操作所需的原始数据来源；然而，来自其他来源的数据对于建立适当的预测性维护系统是必要的，例如包含维护管理系统信息的维护报告。其他数据来源包括监督控制和数据采集 (SCADA) 系统、包含媒体文件的特殊存储库（如图片和视频流）、维护手册和天气预报。目前，可用于预测性维护的数据种类繁多。

通过微调预测性维护来降低成本并提高效率

此处介绍的架构展示了搭配使用推荐的 Oracle 组件来构建涵盖整个数据分析生命周期的完整分析架构，从发现、操作到测量，并提供了上述各种业务优势。

此图显示了面向制造业的 Oracle Data Platform 如何用于支持预测性维护和资产可用性优化。该平台包括以下五个支柱：

• 数据源、探索
• 摄取、转换
• 持久保存、整理、创建
• 分析、学习、预测
• 评估、行动

“数据源、探索”支柱包括两类数据。

业务记录数据包括来自 MES、WHM、CMM（维护和资产管理）、IoT、SCADA 系统以及历史记录和操作员条目（包括故障、质量和观察）的数据。

技术输入数据包括 IIoT、图像、电子邮件、视频、纸质文档 (OCR) 和离散事件（例如生产线的紧急停止）。

“摄取、转换”支柱包括四个功能。

批量摄取使用 OCI Data Integration、Oracle Data Integrator 和数据库工具。

批量传输使用 OCI FastConnect、OCI Data Transfer、MFT 和 OCI CLI。

更改数据捕获使用 OCI GoldenGate。

流摄取使用 Kafka Connect。

所有四种功能都单向连接到“持久保存、整理、创建”支柱中的服务数据存储、事务数据存储和云端存储。

此外，流摄取连接至“分析、学习、预测”支柱中的流处理。

“持久保存、整理、创建”支柱包括五个功能。

服务数据存储使用 Autonomous Data Warehouse 和 Exadata Cloud Service。

事务数据存储使用 ATP、MySQL、Oracle NoSQL 和 Exadata Cloud Service。

云端存储使用 OCI Object Storage。

批处理使用 OCI Data Flow。

监管使用 OCI Data Catalog。

这些功能在支柱内互联。云端存储不仅单向连接至服务数据存储和事务数据存储，还双向连接至批处理。

两项功能连接到“分析、学习、预测”支柱，其中伺服数据存储连接到分析和可视化功能，还连接到数据产品及 API 功能，云端存储连接到机器学习功能。

“分析、学习和预测”支柱包括五个功能。

分析和可视化使用 Oracle Analytics Cloud、GraphStudio 和 ISV。

数据产品、API 使用 OCI API Gateway 和 OCI Functions。

机器学习使用 OCI Data Science 和 Oracle Machine Learning。

AI 服务使用 OCI Anomaly Detection、OCI Forecasting、OCI Language 和 OCI Vision。

流处理使用 GoldenGate Stream Analytics 和来自第三方的流分析。

“评估、行动”支柱捕获数据分析可能被使用的方式：由人员和合作伙伴以及应用和模型使用，特别是更新的 AI 服务模型。

人员和合作伙伴包括条件监视和传感器数据分析、故障模式和影响分析 (FMEA)。

应用包括资产绩效管理 (APM)、根本原因分析、以可靠性为中心的维护 (RCM)。

模型包括经过更新的 AI 服务模型、预测分析和机器学习模型

“摄取、转换”、“持久保存、整理、创建”及“分析、学习、预测”这三大核心支柱由基础设施、网络、安全和 IAM 提供支持。

连接、摄取和转换数据

Oracle 解决方案由三大支柱组成，每个支柱负责特定的数据平台功能。第一个支柱提供数据连接、摄取和转换功能。

目前有四种主要方法可以将数据注入架构，帮助制造企业能够从被动维护转变为预测性维护。

• 首先，我们将批量传输运营事务数据。当首次需要将大量数据移动到 Oracle Cloud Infrastructure (OCI) 时，可以使用批量传输服务的。这些数据来自现有本地分析存储库或其他云技术源。使用的具体批量传输服务将取决于数据的位置和传输频率。例如，OCI Data Transfer 服务或 OCI Data Transfer Appliance 可用于从历史计划或数据仓库存储库加载大量本地数据。当需要持续移动大量数据时，Oracle 建议使用 OCI FastConnect，它可以在客户数据中心与 OCI 之间提供高带宽的专用网络连接。
• 通常需要频繁、实时或近乎实时的提取，并且使用 OCI GoldenGate 定期从仓库管理、调度和订单管理系统中提取数据。OCI GoldenGate 使用更改数据捕获来检测需要服务的系统底层结构中的更改事件（例如，添加新组件、完成维护操作、天气变化等）并将数据实时发送到持久层和/或流层。
• 对于制造公司而言，实时分析来自多个来源的数据有助于提供有关其运营效率和整体绩效的宝贵洞察。在此用例中，我们使用流摄取通过物联网、M2M 通信和其他方式摄取从传感器读取的所有数据。实时捕获和分析数据流功能对于制造商而言非常重要，有助他们对其资产执行预测性维护。流可以源自多个 ISA-95 2 级系统，例如 SCADA 系统、可编程逻辑控制和批处理自动化系统。数据（事件）将被摄取，一些基本的转换/聚合将在其存储到 OCI Object Storage 之前进行。此外，还可以使用其他流分析来识别关联事件，并且可以（手动）反馈任何已识别的模式，以对原始数据进行数据科学检查。
• 为了实时分析此高频流数据，我们将使用流处理提供高级分析。传统分析工具从静态数据中提取信息，而流分析则评估动态数据的价值，即实时评估。而这不是唯一的好处。由于流分析可以实现高度自动化，因此可以帮助制造商降低运营成本。例如，流分析可以提供有关基本公用事业成本（例如电力和水）的实时数据。然后，工厂可以使用自动化流分析工具来获取即时洞察，以优化相关方面，降低能源成本并使用人工智能对某些运营事件做出适当响应。流分析还可以对即将到来的设备维护要求进行实时预测，帮助企业提前为任何即将到来的维修或日常维护做好准备。
• 架构的一个潜在重要的可选组件是 OCI Roving Edge Infrastructure，它可以与远程设施中的 Oracle Roving Edge 设备搭配使用，例如发电厂或太阳能电池板场。OCI Roving Edge Infrastructure 提供所有 OCI 服务，因此它可以复制预测性维护架构。OCI Roving Edge Infrastructure 还可以用作流数据的数据中心，然后再将其进行流摄取/处理。
• 虽然实时需求在不断变化，但从 ERP、计划、仓库管理和运输管理系统中提取的常见信息是某种使用 ETL 流程的批量摄取。批量摄取用于从不支持数据流的系统（例如，旧的 SCADA 或维护管理系统）导入数据。对于这些数据，虽然摄取频率通常高达每 10 或 15 分钟一次，但它们本质上仍然属于批量数据，因为每次提取和处理的是一组​​而不是单个事务。OCI 提供多种服务来执行批量摄取，例如基于 OCI Compute 实例运行的原生 OCI Data Integration 服务和 Oracle Data Integrator。客户无需考虑技术问题，可基于自身偏好按需选择。

持久保存、处理和整理数据

数据持久性和处理建立在三个（可选四个）组件之上。有些客户会使用所有组件，有些客户则仅使用其中一部分组件。视数据规模和数据类型不同，数据既可以加载到对象存储，也可以直接加载到一个结构化关系数据库以进行持久存储。当我们预计应用数据科学功能时，从数据源以原始形式（作为未处理的本机文件或提取）检索的数据通常会被捕获，并从事务系统加载到云端存储中。

• 云端存储是 Oracle 数据平台最常用的数据持久性层，它适用于结构化和非结构化数据，基本构件块包括 OCI Object Storage、OCI Data Flow 和 Oracle Autonomous Data Warehouse。具体而言，以原始格式从数据源检索的数据将被捕获并加载到 OCI Object Storage，以 OCI Object Storage 作为主要的数据持久性层，以 OCI Data Flow 中的 Spark 作为主要的批处理引擎。批处理涉及多项活动，包括基本噪声处理、缺失数据管理和基于定义的出站数据集筛选。根据所需处理操作和所使用的数据类型，批处理结果将写回对象存储的各个层或一个持久化的关系存储库。
• 以原始格式和处理后格式存储的所有数据类型都保存在事务数据存储中。Oracle Autonomous Database 等数据库可以高效地处理所有用例，但一些客户可能认为将某些数据存储在 NoSQL 数据库中会更好。然而，这不一定是真的 — 在 Exadata 之上的优化的 Oracle Database 的写入速度比 NoSQL 数据库更快，而且如果使用 NoSQL 数据库，您就无法将所有数据放在一个具有统一视图的单一存储库中。您还可以利用混合分区在 Exadata 存储中仅保留几个分区，而将其余数据保留在对象存储中，因为大多数运营分析和仪表板都使用新数据。
• 我们现在将使用服务数据存储以优化的形式保存经过整理的数据，以提高查询性能。伺服数据存储可提供一个持久化的关系层，支持最终用户通过基于 SQL 的工具直接获取整理后的高质量数据。在这一解决方案中，Oracle Autonomous Data Warehouse 被实例化为企业数据仓库或更专业的域级数据集市（如有需要）的伺服数据存储。它也可以是数据科学项目的数据源或 Oracle Machine Learning 所需的存储库。实践中，伺服数据存储可表现为多种形式，包括 Oracle MySQL HeatWave、Oracle Database Exadata Cloud Service 以及 Oracle Exadata Cloud@Customer。

分析数据、预测和行动

有三种技术方法可以促进分析、预测和行动的能力。

• 高级分析功能对于维护优化至关重要。在这一使用场景中，Oracle 通过 Oracle Analytics Cloud 提供分析和可视化功能。这使组织能够使用描述性分析（用直方图和图表描述当前趋势）、预测分析（预测未来事件、确定趋势以及确定不确定结果的可能性）和规范分析（提出合适的行动，从而做出理想决策）。
• 除了高级分析之外，越来越多的数据科学、机器学习和人工智能还可用于查找异常、预测可能发生故障的位置并优化寻源流程。像是可以在数据库中使用 OCI Data Science、OCI AI Services 或 Oracle Machine Learning。我们使用机器学习和数据科学方法来构建和训练预测性维护模型。然后，我们可以通过 API 来部署这些机器学习模型以进行评分，或者将其嵌入到 GoldenGate 流分析管道中。在某些情况下，这些模型甚至可以藉由 Oracle Machine Learning Services REST API 部署在数据库中（为此，模型需采用开放式神经网络交换格式）。此外，伺服或事务数据存储中也能部署面向 Jupyter/Python 笔记本的 OCI Data Science 或面向 Zeppelin 笔记本和机器学习算法的 Oracle Machine Learning。同样，无论是单独使用还是搭配使用，Oracle Machine Learning 和 OCI Data Science 都可以用于开发建议模型/决策模型。这些模型可以作为服务部署在 OCI API Gateway 后面，作为“数据产品”和服务进行交付。构建后，机器学习模型可以部署到分布式控制系统的应用程序中（如果允许），或者通过 Oracle Roving Edge Device 或类似设备部署在边缘。

通过将数据科学与机器学习识别的模式相结合而创建的多个模型可应用于 AI 服务提供的响应和决策系统。

• OCI Anomaly Detection 可以帮助实时监视供应链绩效指标（例如，原材料库存、生产吞吐量、在制品、运输时间、库存周转率等），以识别和解决中断问题。在复杂的供应链中，已识别异常的严重性评分可以帮助确定观察到的业务中断的优先级，以便采取行动。
• OCI Forecasting 可以帮助预测供应链指标，例如需求、供应和资源容量，因此可以采取适当的行动，提前做好准备。
• OCI Vision 和 OCI Language 可以帮助理解用于扩充供应链数据的文档，如汇出的产品质量报告和产品缺陷报告。

最后一个也十分关键的组成部分是数据治理，它基于 OCI Data Catalog 实现。OCI Data Catalog 是一项免费服务，能够为数据平台生态系统中的所有数据源提供数据治理和元数据（包括技术和业务元数据）管理支持。OCI Data Catalog 还是一个从 Oracle Autonomous Data Warehouse 到 OCI Object Storage 的重要查询组件，它支持快速定位数据，无论数据存储方式如何。这允许最终用户、开发人员和数据科学家在架构中的所有持久数据存储中使用通用访问语言 (SQL)。

使用数据改善制造运营并提高盈利能力

通过预测性维护，仅在需要时才进行设备维修，减少了意外停机。这带来了多种优势，包括更少的预定维护、维修或更换、使用更少的维护资源（包括备件和用品），同时也减少了故障。这些主动预测有助于延长设备的使用寿命，同时尽可能减少设备转换和停机时间来降低潜在产品延迟的风险。

减少计划外停机有助于优化业务运营、提高效率、生产力和速度，并有助于确保在适当的时间将正确的部件送到正确的位置。同时，减少维护、人工和材料成本并优化资产生命周期成本等优势有助于提高盈利能力。