Internet Industriel des Objets IIOT : SAP LEONARDO IoT – PDMS – Configuration du service de maintenance prédictive

Aperçu:

Le système SAP Leonardo Digital Innovation PDMS permet à l’utilisateur d’identifier les défaillances potentielles et d’augmenter la production d’actifs hautement critiques. Il aide l’industrie à passer de RÉACTIF à PRÉDICTIF. De sorte qu’il réduit la plupart des coûts d’exploitation et de maintenance. Ce système SAP Leonardo fonctionne sur SAP Cloud Platform pour prendre en charge l’analyse, la chaîne de blocs, le Big Data et l’IoT Machine Learning. Les données machine en temps réel sont collectées à l’aide de la plateforme Internet des objets SAP HCP (IoT) et enrichies d’informations et de règles métier prédisant les défaillances à l’aide du bon algorithme d’apprentissage automatique et des défaillances historiques.

Objectif:

Le but de ce billet de blog est d’aider le consultant à configurer la solution SAP Leonardo PDMS de bout en bout. Dans ce blog, nous couvrons les données des capteurs qui proviennent d’équipements physiques sur site utilisant la plate-forme Internet des objets (IoT) via une passerelle et transitent par Leonardo Cockpit, puis par le système de système de maintenance prédictive (PDMS) basé sur le cloud SAP.

Ce système PDMS capturera les données en temps réel et il alertera ou avisera l’ingénieur de fiabilité si une défaillance va se produire à l’avenir sur la base des défaillances précédentes.

Auteur:

Julian Bellarmin travaillant en tant qu’architecte technique dans Tech Mahindra et ayant environ 16 ans d’expérience dans la plate-forme SAP. Il est spécialisé dans la mobilisation du processus commercial en natif, hybride et multiplateforme à l’aide de la technologie de transformation numérique et apporte les fonctionnalités de tendance moderne comme la réalité augmentée, la reconnaissance vocale et les capacités de l’Internet des objets (IoT) dans un produit pour améliorer le processus commercial.

Uma Anbazhagan travailler un principe Architecte et diriger la compétence SAP Leonardo et gérer SAP Cloud Platform, SAP Cloud Integration et fournir des solutions innovantes.

1. SAP Leonardo IOT – Architecture PDMS:

  1. Périphériques – Périphérique physique sur lequel le capteur affichera les données.
  2. Passerelle réseau – Edge – Protocole de passerelle (MQTT / REST).
  3. Service IoT – IoT Cockpit consommera les données dans le cloud.
  4. SAP Cloud Foundry – SAP HCP où PDMS et Leonardo ont été configurés
  5. SAP Leonardo IoT – Utilisez les données en temps réel du cockpit IoT.
  6. SAP PDMS – Intégré à Leonardo – Consomme les données de Leonardo.

Dans la section suivante, discutera de l’importance de chaque composant et comment ils sont intégrés les uns aux autres.

Nous avons couvert la façon dont les données du capteur circulent du périphérique physique à la passerelle -àIoT Cockpit -à Sap Leonardo Cockpit PDMS.

2. Cockpit de la plateforme cloud SAP:

SAP Cloud Platform est une plateforme d’entreprise en tant que service (PaaS d’entreprise) qui fournit des services et des capacités de développement d’applications complètes, qui vous permettent de créer, d’étendre et d’intégrer des applications d’entreprise dans le cloud.

SAP Cloud Platform Cockpit est un outil d’interface d’administration basé sur le Web qui donne accès à un certain nombre de fonctions pour configurer et gérer des applications, des services et des sous-comptes.

Ce cockpit nous aide également à gérer les ressources, les services, la sécurité, à surveiller les métriques des applications et à effectuer des actions sur les applications cloud.

Obtenez les informations d’identification de votre administrateur ou inscrivez-vous.

Une fois connecté au cockpit, vous pouvez voir tous vos comptes globaux. Vous pouvez obtenir votre lien de connexion au portail PDMS et le lien cockpit Leonardo à partir du chemin ci-dessous.

Cockpit de la plateforme cloud -> Comptes globaux -> Sous-compte -> Abonnements—> Choisissez la tuile PDMS et cliquez sur le lien «aller à l’application».

Cela ouvrira le PDMS FLP.

Sur la base de l’autorisation, les tuiles PDMS seront visibles / activées pour l’utilisateur.

Pour configurer l’autorisation en fonction des utilisateurs ou des parties prenantes, veuillez vous référer à la partie 2.

3.PDMS – CONFIGURATION DU SERVICE DE MAINTENANCE PRÉDICTIVE

Une fois la connexion réussie, vous pouvez voir l’écran PDMS FLP.

L’URL du PDMS ressemble

3.1 Création et mappage de systèmes externes:

Configurez tous les systèmes externes requis.

Administrateur—> Paramètres d’application—> Système externe -> Configurer tous les systèmes externes avec les détails requis.

Les détails de l’indicateur ne seront importés dans Leonardo Cockpit qu’après une configuration réussie de cette étape.

Remarque :-

Si votre ID administrateur dispose de l’autorisation pour plusieurs locataires, la synchronisation automatique des modifications des propriétés de l’indicateur PDMS ne se reflétera pas dans le cockpit IoT.

Pour disposer de la synchronisation automatique de l’indicateur PDMS avec le capteur IoT (IoT Cockpit), maintenez un utilisateur de communication (admin) qui a un accès locataire unique. Utilisez cet ID utilisateur lorsque vous créez votre configuration de système externe. Cependant, je préfère utiliser une liaison de propriété manuelle. Pour que je puisse contrôler quelle propriété d’indicateur doit être mappée avec IoT EDGE.

3.2PDMS – Création d’indicateur:

Cliquez sur MASTER DATA -> Templates–>

Créez les indicateurs requis et affectez-les au groupe d’indicateurs

Assurez-vous que votre identifiant externe d’indicateur est mappé avec le bon système.

Vous pouvez trouver ces identifiants externes dans Leonardo Cockpit- [Refer section 6]

Suivez les conversions de dénomination de l’ID de l’indicateur / groupe. Étant donné que peu de valeurs de caractère n’ont été prises que dans la création de jumeaux numériques Leonardo (ThingType et Thing).

Une fois les propriétés de l’indicateur configurées, cliquez sur l’ID externe de l’indicateur.

Si vous obtenez les détails du système externe, vous pouvez conclure que les systèmes externes sont parfaitement configurés pour l’indicateur.

3.3 Création d’un type d’alerte:

Le type d’alerte vous permet de définir les alertes qui sont basées sur des erreurs d’équipement. Il définit également les associations avec un indicateur et les modes de défaillance possibles. L’association avec les données du mode de défaillance vous permet d’identifier des associations telles que des instructions.

Modèles—> Types d’alerte -> Créer des types d’alerte et des groupes.

Attribuez les bons indicateurs aux types d’alerte respectifs.

Attribuez ensuite les types d’alertes à des groupes en fonction de la catégorie et de l’exigence.

3.4 Création d’attribut:

Modèles—> Attributs—> alimentez les informations d’attribut avec des conditions.

Attribuez ensuite les attributs à des groupes d’attributs.

Créez une pièce de rechange et un modèle d’emplacement et affectez les groupes d’attributs.

Créez un modèle / modèle d’équipement et attribuez les groupes d’attributs et d’indicateurs.

3,5 Configurez les modes de défaillance:

Le mode de défaillance aide l’opérateur à identifier la cause première de la défaillance sur la base de données historiques. Ce mode de défaillance a été partagé par l’OEM ou l’OPÉRATEUR ou le FOURNISSEUR DE SERVICES. Sur la base de l’autorisation de l’utilisateur, il peut modifier ou créer ses propres modes de défaillance. Le mode de défaillance sera déclenché en fonction de la configuration du moteur de règles.

Créez le mode de défaillance et affectez l’équipement, les modèles, l’emplacement, les pièces de rechange, les causes, la figure RAMS et les instructions. Vous pouvez ensuite créer les causes et les effets pour chaque mode de défaillance.

Accueil -> Modes de défaillance.

3,6 Création d’instructions:

Le fabricant partage l’instruction à l’opérateur d’effectuer les activités en cas de panne ou d’entretien ou de fonctionnement ou d’élimination.

Dans le cadre de la configuration des instructions, le fabricant / opérateur peut attribuer les informations sur l’équipement, les étapes de la maintenance, la règle de sécurité, le mode de défaillance, le document, les pièces de rechange, la durée de l’activité, la personne requise, les images, etc.

Une fois l’instruction configurée, le fabricant peut publier ces informations aux parties prenantes requises.

3.7 Configuration du moteur de règles:

Vous pouvez utiliser la «vignette RÈGLES» pour configurer le moteur de règles pour alerter ou avertir l’utilisateur s’il y a un écart dans les valeurs de capteur capturées.

Ici, les notifications sont déclenchées en fonction de la règle configurée.

Remarque: Cette configuration du moteur de règles n’est pas liée à l’apprentissage automatique.

3.8 Création de modèle:

Un modèle est une représentation abstraite dérivée d’un modèle de modèle. Il conserve toutes les informations de maintenance.

Ici, vous pouvez affecter l’instruction, les modes de défaillance, les types d’alerte, les documents, les pièces de rechange…

Sur la base de ce modèle, l’utilisateur peut créer l’équipement.

Une fois le modèle configuré, n’oubliez pas de le publier. Sinon, les modifications ne se refléteront pas dans le cockpit de Leonardo.

3.9 Création d’équipement:

L’équipement est une instance physique d’un modèle.

Ici, l’opérateur peut conserver les informations supplémentaires telles que l’installation, l’emplacement, les documents… .etc.

L’indicateur IoT SYNC doit être vérifié pour obtenir les données du client final.

Assurez-vous que la conversion de noms doit être conservée. Puisque le cockpit de Leonardo ne prendra que peu de personnages pour la création de « Thing » et « Thing Modeler ».[“Thing” is the virtual representation of the equipment]. veuillez consulter la section Leonardo iOT pour plus d’informations]

Une fois les limites de seuil et les jours de prévision configurés, publiez l’équipement et le modèle. Le système PDMS est maintenant prêt à utiliser les données de Leonardo Cockpit.

[Willdiscussaboutconfiguringthe »[Willdiscussaboutconfiguringthe »[Willdiscussaboutconfiguringthe“[Willdiscussaboutconfiguringthe“APPRENTISSAGE DES MACHINES » fin de la section de ce document.]

4 CONFIGURATION INTERNET OF THINGS (IOT) DE LA PLATEFORME SAP CLOUD:

Le cockpit du service Internet des objets est l’interface principale permettant aux utilisateurs d’interagir avec le service RDMS (Remote Device Management Service). Il peut être utilisé pour enregistrer de nouveaux appareils, pour définir le schéma des messages. Ils peuvent envoyer et recevoir, ainsi que pour établir la relation de confiance nécessaire aux appareils pour interagir avec le service de gestion des messages (MMS)

Dans cette section, nous allons voir…

  1. autorisation utilisateur
  2. Dispositif embarqué avec les protocoles requis.
  3. Création de capteur et de type de capteur.
  4. Création et cartographie des capacités.
  5. Génération de certification pour la prise de contact avec le client final.

4.1 Autorisation utilisateur HCP:

Connectez-vous avec vos identifiants de compte de connexion ROOT et créez le LOCATAIRE séparé.

Et créez également l’ID utilisateur et le mot de passe pour les utilisateurs.

Attribuez ensuite l’utilisateur créé en tant qu’administrateur ou membre en fonction des besoins.

L’Internet of Things Service Device Management propose une API qui fournit des fonctionnalités pour la gestion du cycle de vie des appareils IoT. Donc, en fonction de votre commodité et de votre autorisation, vous pouvez continuer à créer les composants via l’API ou l’outil.

4.2 Création de capacités:

Les capacités sont celles que vous lisez à partir des capteurs.

Créez la capacité et les propriétés de chaque équipement.

Dans cet exemple, j’ai créé un groupe de capacités et assigné toutes les propriétés de ce capteur comme la température, la pression… etc.

Connectez-vous avec le compte nouvellement créé.

Cliquez sur la section Accueil -> gestion des appareils—> capacités.

Entrez les détails de propriété requis comme la température, la pression (que vous avez configurés dans PDMS – indicateur)… et cliquez sur le bouton Enregistrer.

Remarque:

Assurez-vous que le type de données et les unités doivent correspondre aux valeurs de propriété PDMS / LEONARDO. Sinon, le mappage ne fonctionnera pas lorsque vous intégrez ces capacités de capteur aux valeurs d’indicateur PDMS.

4.3 Créer l’affectation des types de capteurs et des capacités:

Accueil -> Gestion des appareils—> Types de capteurs.

Créez les types de capteurs et affectez le bon groupe de capacités (… c’est-à-dire votre groupe d’indicateurs créé dans PDMS) aux types de capteurs.

4.4 Dispositif et capteur embarqués manuellement avec la passerelle:

Ce composant de passerelle est responsable de la collecte de données à partir d’un réseau de capteurs et de l’envoi de commandes au réseau.

Ici, nous allons créer un nœud physique d’un appareil avec le protocole de passerelle droit (MQTT / REST).

Une fois qu’un appareil a été intégré, vous pouvez télécharger le certificat de l’appareil pour vous connecter en toute sécurité à Internet of Things Gateway Cloud MQTT et REST.

4.5 Création de capteur:

Une fois l’appareil créé, vous pouvez alors créer les capteurs pour l’appareil sélectionné.

Dans le cadre de la création du capteur, attribuez le type de capteur que nous avons créé précédemment. Ainsi, toutes les capacités attribuées à ces types de capteurs apparaîtront également dans ce capteur.

4.6 Générer et télécharger un certificat d’appareil:

Dans le cadre de cette configuration IoT SAP Cloud Platform, le périphérique physique doit établir une liaison avec le périphérique IoT.

Pour cela, nous devons télécharger le certificat de l’appareil à partir de l’appareil intégré dans l’IoT et le télécharger sur l’appareil physique.

Accueil—> Locataire—> Gestion des appareils—> Appareils—> Choisissez l’appareil -> Cliquez sur l’onglet Certificat—> Choisissez le type de certificat comme P12 et générez-le.

Lors de la génération du certificat, notez l’ID secret du certificat qui apparaîtra dans la fenêtre contextuelle. Cela sera utilisé dans le client final – facteur.

Et vous pouvez également voir le certificat téléchargé dans votre navigateur / dossier de téléchargement.

Si vous avez perdu cette valeur-clé secrète, vous devez obtenir le nouveau certificat et le télécharger sur le périphérique physique – Here Postman.

5 Envoyer des données depuis EDGE – facteur – Client final:

Il est maintenant temps d’envoyer les données du client final (appareil physique), c’est-à-dire de notre client Edge simulé vers le cockpit IoT. Pour cela, nous devons télécharger le certificat P12 qui a été téléchargé depuis IoT cockpit dans End Client.

5.1 Téléchargez le certificat téléchargé:

Cliquez sur le navigateur Chrome—> Préférences—> Gérer le certificat—> Cela ouvrira votre KEY-CHAIN.

5.2 Importez le certificat P-12 dans le porte-clés:

Fichier—> Importer des éléments.

Entrer le mot de passe secret que vous avez noté lorsque vous téléchargez le certificat de l’appareil dans le trousseau.

5.3Préparez la charge utile:

  1. Téléchargez le facteur depuis le navigateur Chrome
  2. Saisissez l’URL dans la méthode de publication.

URL: <> / iot / passerelle / repos / mesures / <>.

  1. Dans l’onglet autorisation, TYPE doit être marqué comme «No Auth».
  2. Dans l’onglet En-têtes, KEY: Content-Type

Valeur: application / json

  1. Dans le corps :

Les données seront au format «brut». choisissez la même chose.

Obtenez les ID alternatifs de l’appareil / capacité / capteurs dans IoT Cockpit.

  1. la charge utile devrait ressembler à ceci ..

« CapacityAlternateId »: « ***** »,

« les mesures »:[87,97,263,253,0],

« SensorAlternateId »: « ***** »

5.4 Affichage des valeurs mesurées par le capteur à partir du EDGE:

Cliquez ensuite sur le bouton d’envoi pour soumettre les données au cockpit IoT. Vous obtiendrez un certificat pop-up.

Choisissez le bon certificat de l’appareil et cliquez sur OK.

Si vous n’avez pas reçu la fenêtre contextuelle pour la première fois, cela signifie que l’autorisation n’est pas configurée correctement.

Vérifiez à nouveau tous les paramètres de configuration, puis fermez tous les navigateurs et sessions.

Réessayez ensuite. Vous obtiendrez le code d’état de réponse de réussite «200» ou «202». Modifiez les valeurs numériques et envoyez d’autres données à SAP Cloud Platform Internet of Things.

5.5 Afficher les données des capteurs dans SAP Cloud Platform – IoT Cockpit:

Ouvrez le cockpit IoT avec vos informations d’identification.

Ensuite, allez à Accueil -> Locataire—> Gestion des appareils—> Appareils—> choisissez votre appareil—> cliquez sur Visualisation des données—> choisissez le capteur et ses propriétés.

Les valeurs seront affichées sur le graphique / tableau.

Nous sommes maintenant prêts à utiliser ces données de capteur dans SAP Leonardo également depuis iOT Cockpit.

6 Configuration de SAP LEONARDO-IOT:

Ouvrez le cockpit IoT avec vos informations d’identification.

Ensuite, allez à Accueil -> Locataire—> Gestion des appareils—> Appareils—> choisissez votre appareil—> cliquez sur Visualisation des données—> choisissez le capteur et ses propriétés.

Les valeurs seront affichées sur le graphique / tableau.

Connectez-vous au cockpit de la plateforme SAP Cloud, accédez au compte global—> sous-compte -> cliquez sur le sous-compte de droite—> Abonnements—> Puis cliquez sur Aller à l’application dans la section SAP LEONARDO IOT.

Cela ouvrira le portail LEONARDO.

Si vous ne disposez pas de l’autorisation, votre administrateur peut ajouter votre identifiant en tant que membre.

Une fois connecté au portail Leonardo, cliquez sur Thing Engineer OData / Thing Engineer Group.

Cliquez ensuite sur Thing Modeler TILE.

À partir de ce «Thing Modeler», nous pouvons créer directement les jumeaux numériques des actifs physiques.

Dans cet exemple, nous obtenons les «jumeaux numériques» directement à partir de PDMS.

La plateforme Leonardo collectera et traiter les données du capteur de Cockpit IoT.

Ici, vous pouvez également appeler l’application UI5 personnalisée qui est hébergée sur HCP.

6.1 Cartographie des données des capteurs entre le cockpit IoT et le cockpit Leonardo:

Une fois connecté au cockpit de Leonardo—> Cliquez sur Thing Engineer ODATA -> Choisissez le package de votre appareil qui est créé dans PDMS (reportez-vous à la section 1 – Création d’équipement PDMS).

Là, vous pouvez voir votre Thing Modeler (modèle d’équipement), Thing (équipement) et ses propriétés d’indicateur associées à cela.

6.2 Création de connectivité avec IoT Cockpit:

Dans le cadre de la création de connectivité, choisissez « Service IoT SAP Cloud Platform pour environnement de fonderie Cloud« En tant que fournisseur dans ThingType.

Le système affichera tous les appareils et capteurs qui sont tous créés dans le cockpit IoT.

Choisissez le bon appareil et le bon capteur.

Donnez n’importe quel nom de mappage puis effectuez le mappage des données «Thing» et «sensor».

Vous pouvez voir la couleur verte si les propriétés de Leonardo Thing et les capacités du capteur correspondent. Sinon, cela sera affiché en gris avec une indication de mappage vierge. Cliquez sur le bouton ENREGISTRER pour continuer.

Remarque :

Si le type de données et UNITS ne correspondent pas, le mappage n’aura pas lieu.

Vous avez maintenant terminé la configuration de la cartographie dans LEONARDO.

Cela consommera les données du cockpit du capteur IoT et les transmettra à PDMS.

Il est maintenant temps de publier les «valeurs de mesure» du client final.

(Veuillez consulter la section Publication des données de facteur):

sept Vérification du flux de données:

Vous pouvez maintenant afficher les données du capteur que vous transmettez du facteur dans les trois plates-formes ci-dessous.

  1. Cockpit SAP HCP IOT
  2. Portail LEONARDO
  3. PDMS

EDGE – facteur – Client final:

Charge utile:

« CapacityAlternateId »: « IG_quintel_measure_indi_grp0 ″,

« les mesures »:[89,95,275,230],

« SensorAlternateId »: « QUINTEL_HE_SENSORS »

Cockpit SAP HCP-IoT:

Locataire–> Gestion des appareils–> Appareils–> Choisissez votre appareil–> Visualisation des données–> sélectionnez le capteur–> Choisissez la capacité.

Cockpit Leonardo:

Portail SAP LEONARDO–> Accueil–> Thing Modeler–> Choisissez le package–> Thing–> Valeurs mesurées.

Tableau des indicateurs PDMS:

PDMS—> Équipement—> Données de base—> Surveillance—> Indicateurs.

Leonardo—> Thing Engineer OData—> Thing Type—> Thing—> Valeurs mesurées.

Cockpit SAP HCP IoT—> Tenant—> Device Management—> Devices—> Visualisation des données

Indicateur PDMS:

8.Configuration du moteur d’apprentissage machine:

Cette section vous aidera à prévoir les défaillances critiques. Pour cela, nous devons configurer l’ensemble de données et le modèle avec le bon algorithme d’apprentissage automatique. Ensuite, entraînez le modèle et marquez-le. Vous devrez peut-être faire appel à l’expert MACHINE LEARNING pour configurer cette section.

8.1 Création d’un ensemble de données d’indicateur de santé:

Créez l’ensemble de données pour la configuration de l’indicateur d’intégrité.

Utilisez autant que possible les données. Plus de données amélioreront la précision de la prédiction de défaillance.

Dans cet exemple, nous utilisons l’algorithme TEC pour former notre modèle.

Ajoutez la «fonction» et les «valeurs d’étiquette» requises avec la fenêtre de prévision, la taille de pas et le délai d’exécution appropriés.

Sur la base de votre « taille de la fonction« , »taille du godet c’est-à-dire .. (période d’agrégation / taille de l’étape)

la taille de vos données d’entrée (ligne) variera pour former le modèle.

Pour TEC [Tree Ensemble Classification], nous avons choisi des étiquettes et ajouté nos modes de défaillance qui font tous partie de cet équipement d’échangeur de chaleur. Configurez le «délai» et la «fenêtre de prédiction».

8.2 Configurer la gestion du modèle d’indicateur d’intégrité:

Une fois l’ensemble de données créé, cliquez sur la vignette «Gestion des modèles d’indicateurs de santé».

Dans le cadre de cette configuration de modèle, vous devez donner le jeu de données en entrée et choisir le bon algorithme d’apprentissage automatique dans la liste déroulante.

Pour calculer l’état de santé et prévoir les défaillances de l’équipement, vous devez configurer, former et ensuite effectuer la notation.

Choisissez la variable dépendante et indépendante appropriée, la variable de score et la variable de classe prédite.

Dans mon échantillon, nous avons créé quelques indicateurs et nommés score, score de santé, score normalisé… etc. avec les valeurs d’attribut ci-dessous.

Type de données – numérique

Dimension -Aucun

Unité de mesure – Aucune

Utilisez ces indicateurs dans votre mappage de sortie.

Il y a environ 10 algorithmes disponibles dans le package standard. Vous pouvez continuer à choisir la bonne en fonction de vos besoins.

Choisissez la plage de dates ou planifiez un travail pour former le modèle. une fois la formation terminée, vous pouvez afficher le statut en vert. Après la formation, vous pouvez télécharger les données d’entrée de la formation et vérifier vos flux.

Une fois la formation terminée, vous pouvez procéder à la notation de ce modèle.

Vous pouvez trouver vos résultats de notation dans le résumé du journal.

8.3 Vérifiez l’exactitude du modèle d’indicateur de santé:

Alimentez les données du capteur du «client final» avec des données saines et malsaines.

Dans cet exemple, j’utilise l’algorithme TEC pour prédire notre défaillance de l’échangeur de chaleur.

Si vous utilisez des algorithmes de classification (régression logistique / classification d’ensemble d’arbres), entraînez le modèle avec des données saines (0) et malsaines (1) dans le cadre de l’entrée du capteur.

Par exemple :

Pour former le modèle, nous avons passé les valeurs du capteur avec le 0 et le 1.

DONNÉES saines -:[85,88,285,265,0],

DONNÉES Malsaines -:[85,78,265,284,1],

Chaque fois que les défaillances sont déclenchées en fonction de la configuration de votre règle, vous remarquerez que des alertes et des notifications seront créées pour chaque donnée d’entrée de défaillance du capteur.

Remarque:

Actuellement dans le système PDMS, peu de paramètres ne sont pas pris par défaut comme la date de début et de fin du dysfonctionnement.

Pour contourner le problème, vous pouvez appeler la notification via des collections d’API.

Publier la notification de l’API avec l’aide d’OAuth 2.0 et générer le jeton d’accès sera couvert dans mon prochain bloc.

Ici vous pouvez trouver les résultats de notation comme précision , sensibilité , Spécificité , Kappa , MCC…etc

8.4 Gestion des modèles d’analyse des modes de défaillance:

Pour analyser les notifications et les modes de défaillance de votre équipement et de votre modèle, vous devez configurer, former et évaluer les modèles dans la vignette «Analyse du mode de défaillance».

Procédure:

  • Pour former un modèle non supervisé, vous devez d’abord le configurer.
  • Une fois que vous avez configuré le modèle non supervisé, vous pouvez le former.
  • Une fois que vous avez formé le modèle non supervisé, vous pouvez configurer le modèle supervisé.
  • Une fois que vous avez configuré le modèle supervisé, vous pouvez le former.
  • Une fois que vous avez formé le modèle supervisé, vous pouvez utiliser le dernier modèle formé pour noter les données.

8.4.1Modélisation de sujets non supervisée à l’aide de l’allocation de Dirichlet latente (LDA):

Cet algorithme utilise LDA, cet algorithme prend des données de texte en entrée. En interne, cet algorithme divise les données en train et en test, il utilise 90% des données pour la formation. Après une formation, une métrique de qualité calculée sur l’ensemble de test est affichée dans le résumé du journal dans le tableau des formations.

Le modèle non supervisé identifie les caractéristiques des textes de notification et mappe les textes de notification aux caractéristiques trouvées dans les modes de défaillance standard. Après la formation, il suggère le mode d’échec le plus approprié pour chaque notification.

Vous pouvez effectuer des tâches de validation pour valider et améliorer la suggestion.

Le modèle supervisé apprend de cette suggestion en effectuant une classification de texte. Cela signifie qu’il apprend les caractéristiques des modes de défaillance individuels à partir des textes de notification mappés pour les notifications à venir pendant la formation. Après le score, il mappe les modes d’échec les plus appropriés aux notifications à venir.

8.4.2 Analyse du mode de défaillance avec TextClassEnsemble supervisé [TEC]:

Notre prochaine étape consiste à alimenter le modèle non supervisé en entrée de ce modèle.

Cet algorithme effectue une classification supervisée automatique sur les données de texte en utilisant un accord d’ensemble entre plusieurs algorithmes de classification qui fait une prédiction.

8.4.3 Entraînez et notez le modèle d’analyse du mode de défaillance:

Au moins un modèle d’analyse du mode de défaillance a été configuré pour Former le modèle.

Les notifications de votre équipement répondent aux trois exigences suivantes:

  • L’attribut de ventilation de la notification est défini sur Vrai ou l’attribut Description du type de notification est défini sur Répartition.
  • La notification a une date de début et de fin de dysfonctionnement valide.
  • La notification a une longue description.

Si ces exigences ne sont pas remplies, les notifications ne seront pas collectées pendant la formation.

Le portail PDMS ne prend pas en charge la création de tous les paramètres requis pour la notification.

Pour contourner le problème, vous pouvez utiliser l’API pour l’échec après la notification d’échec.

Une fois que le modèle non supervisé est formé, puis former le modèle supervisé et passer le modèle non supervisé comme type d’apprentissage ici. (veuillez vous référer à la procédure indiquée dans le modèle d’analyse du mode de défaillance mgmt)

8.5 Validation analytique du mode de défaillance:

Pour améliorer la précision de l’analyse de texte qui mappe les sujets avec les meilleurs mots des textes de notification aux modes de défaillance les plus appropriés, SAP nous recommande d’effectuer des tâches de validation. Les tâches de validation sont générées sur la base d’un modèle non supervisé formé et sont affichées sur l’application de validation d’analyse du modèle de défaillance. Une fois que vous avez effectué une tâche de validation, vous pouvez appliquer votre validation au prochain modèle supervisé

Dans le cadre des tâches de validation, choisissez le bon mode d’échec pour chaque sujet et cliquez sur suivant.

Choisissez le bon mode d’échec pour chaque notification et cliquez sur le bouton suivant.

Activez ensuite le modèle.

9 Analyse du mode de défaillance:

Il utilise l’apprentissage automatique et vous fournit des informations et des analyses sur votre équipement et vos modèles avec les dernières défaillances. Il utilise un apprentissage automatique non supervisé et supervisé pour extraire des sujets avec les meilleurs mots des textes de notification. Il utilise également diverses métriques et visualisations pour vous fournir des informations

Sur les cartes de mode de défaillance, vous pouvez également afficher des détails qui incluent des KPI pour MTTR, MTTF, MTBF et les principaux mauvais acteurs.

vous pouvez trouver les meilleurs mots trouvés dans les notifications pour le mode de défaillance et le modèle d’équipement choisis par pertinence dans un graphique à barres et une liste de toutes les notifications associées.

dix PREDICTION D’ECHEC et CONCLUSION:

Une fois que votre modèle de données est formé, vous pouvez prédire les défaillances à l’aide de la figure de défaillance RAMS et de l’analyse du mode de défaillance.

Accueil–> Équipement–> Analytique–> Mode de défaillance…

  • MTTR – TEMPS MOYEN POUR RÉPARER.
  • MTTF – TEMPS MOYEN D’ÉCHEC.
  • MTBF – TEMPS MOYEN ENTRE ÉCHEC.

Voici donc le calcul – l’ingénieur de fiabilité fera pour prédire la panne.

MTBF = MTTF + MTTR

Selon l’échantillon joint pour l’équipement d’échangeur de chaleur, la prochaine panne de température de sortie se produira dans 37,4 heures supplémentaires.

Pour confirmer cela, l’ingénieur en fiabilité se penchera sur l’analyse de ce mode de défaillance. Sur la base des textes de notification, il peut identifier la cause première de l’échec de la température de sortie car le niveau d’huile de refroidissement n’est pas correctement maintenu.

Ainsi, l’ingénieur de la fiabilité avisera / alertera le technicien pour effectuer l’activité de maintenance requise.

Il informera également les fournisseurs / opérateurs de garder les pièces de rechange prêtes pour cette panne de température de sortie à venir.

Laisser un commentaire