Manufacturing: predictive maintenance met sensordata

IoT-sensoren voeden een Eventstream per fabriek, die doorstroomt naar een Eventhouse voor KQL-gebaseerde anomaliedetectie in sub-seconde tijd. Data Activator vertaalt afwijkende patronen naar onderhoudstriggers richting het onderhoudsteam. Parallel trainen machine learning-modellen op historische sensordata een schatting van de resterende levensduur (remaining useful life) per machine-onderdeel. Een Gold-laag met OEE-cijfers (Overall Equipment Effectiveness) wordt via Direct Lake ontsloten in Power BI-dashboards per fabriek.

Sub-seconde streaming en ML-training op dezelfde platformdata betekende dat er geen aparte data-pijplijn nodig was tussen "real-time detectie" en "voorspellend model", beide lazen uit dezelfde OneLake-laag. Voor een fabrikant met meerdere locaties en wisselende connectiviteit was één platform met een voorspelbaar capaciteitsmodel eenvoudiger te beheren dan een verzameling losse edge- en cloudoplossingen per fabriek.

Een edge-only oplossing per fabriek gaf lagere latency voor lokale detectie, maar maakte het onmogelijk om patronen tussen fabrieken te vergelijken, en elke fabriek zou zijn eigen onderhoudsmodel opnieuw moeten trainen. Een aparte streaming-dienst naast een apart ML-platform loste het technische probleem op maar verdubbelde de beveiligings- en beheerlast, precies wat een lean onderhoudsteam niet kon dragen.

• Streaming-capaciteit moet gedimensioneerd zijn op de piekload per fabriek, niet op het gemiddelde; onderdimensioneren geeft gemiste detecties op precies de momenten die ertoe doen.
• Machine learning voor remaining-useful-life vraagt voldoende historische storingsdata; nieuwe machines leveren aanvankelijk zwakkere voorspellingen.
• Segmentatie per fabriek (aparte workspaces, OneLake Security) voegt beheer toe, maar was nodig om OT-netwerken van elkaar te isoleren.

Microsoft Fabric (Eventstream, Eventhouse, Data Activator, Data Science met ML en MLflow), OneLake met OneLake Security, Power BI met Direct Lake.

• Stuur alerts op een gestabiliseerde afwijking over een venster, niet op elke losse meting; anders verzuipt het onderhoudsteam in valse meldingen.
• Isoleer per fabriek op workspace- en beveiligingsniveau, met Private Link naar het OT-netwerk, in plaats van alles in één gedeelde omgeving te proppen.
• Behandel remaining-useful-life-modellen als een groeiend model, niet als eenmalig opgeleverd; elke nieuwe storing is trainingsdata.

De grootste besparing kwam niet van het voorspellen van storingen die toch al zichtbaar waren, maar van het wegnemen van onnodig vast onderhoud op machines die het niet nodig hadden. Een harde les: Data Activator is geschikt voor operationele alerts, maar niet voor veiligheidskritische noodstop, die functie hoort in een deterministische PLC/SCADA-laag, en dat onderscheid moest expliciet worden vastgelegd voordat een team de verleiding voelde om het toch te combineren.