Pålidelighedsledere og teknikere i industrielle miljøer såsom produktionslinjer, varehuse og industrianlæg er ivrige efter at forbedre udstyrs sundhed og oppetid for at maksimere produktoutput og kvalitet. Maskin- og procesfejl løses ofte af reaktiv aktivitet efter hændelser sker eller ved omkostningstung forebyggende vedligeholdelse, hvor du risikerer at over-vedligeholde udstyret eller manglende problemer, der kan ske mellem de periodiske vedligeholdelsescyklusser. Forudsigende tilstandsbaseret vedligeholdelse er en proaktiv strategi, der er bedre end reaktive eller forebyggende. Faktisk kombinerer denne tilgang kontinuerlig overvågning, forudsigende analyser og just-in-time handling. Dette gør det muligt for vedligeholdelses- og pålidelighedsteams kun at servicere udstyr, når det er nødvendigt, baseret på udstyrets faktiske tilstand.
Der har været fælles udfordringer med tilstandsbaseret overvågning for at generere handlingsorienteret indsigt for store industrielle aktivflåder. Disse udfordringer omfatter, men er ikke begrænset til: opbygge og vedligeholde en kompleks infrastruktur af sensorer, der indsamler data fra felten, opnå en pålidelig oversigt på højt niveau af industrielle aktivflåder, effektivt administrere fejlalarmer, identificere mulige grundlæggende årsager til uregelmæssigheder og effektivt visualisere industrielle aktivers tilstand i stor skala.
Amazon Monitron er en end-to-end tilstandsovervågningsløsning, der gør dig i stand til at begynde at overvåge udstyrs sundhed ved hjælp af maskinlæring (ML) på få minutter, så du kan implementere forudsigende vedligeholdelse og reducere uplanlagt nedetid. Det inkluderer sensorenheder til at fange vibrations- og temperaturdata, en gateway-enhed til sikker overførsel af data til AWS Cloud, Amazon Monitron-tjenesten, der analyserer dataene for uregelmæssigheder med ML, og en ledsagende mobilapp til at spore potentielle fejl i dit maskineri. Dine feltingeniører og operatører kan direkte bruge appen til at diagnosticere og planlægge vedligeholdelse af industrielle aktiver.
Fra det operationelle teknologihold (OT)-teamets synspunkt åbner brugen af Amazon Monitron-data også op for nye måder at forbedre, hvordan de driver store industrielle aktivflåder takket være AI. OT-teams kan forstærke den prædiktive vedligeholdelsespraksis fra deres organisation ved at opbygge en konsolideret visning på tværs af flere hierarkier (aktiver, websteder og anlæg). De kan kombinere faktiske målinger og ML-inferensresultater med ikke-anerkendte alarmer, sensorer eller flugtforbindelsesstatus eller aktivtilstandsovergange for at opbygge en oversigt på højt niveau for det omfang (aktiv, websted, projekt), de er fokuseret på.
Med den nyligt lancerede Amazon Monitron Kinesis dataeksport v2-funktion, kan dit OT-team streame indgående måledata og slutningsresultater fra Amazon Monitron via Amazon Kinesis til AWS Enkel opbevaringsservice (Amazon S3) til at bygge en Internet of Things (IoT) datasø. Ved at udnytte seneste dataeksportskema, kan du få sensorers tilslutningsstatus, gateways forbindelsesstatus, målingsklassificeringsresultater, lukningsårsagskode og detaljer om aktivtilstandsovergangshændelser.
Oversigt over brugssager
Den berigede datastrøm, som Amazon Monitron nu afslører, gør dig i stand til at implementere flere vigtige brugssager såsom automatisk oprettelse af arbejdsordrer, berigelse af en enkelt operationel rude eller automatisering af fejlrapportering. Lad os dykke ned i disse use cases.
Du kan bruge Amazon Monitron Kinesis dataeksport v2 til at oprette arbejdsordrer i Enterprise Asset Management (EAM)-systemer såsom Infor EAM, SAP Asset Management eller IBM Maximo. For eksempel i videoen undgå mekaniske problemer med forudsigelig vedligeholdelse og Amazon Monitron, kan du opdage, hvordan vores Amazon Fulfillment Centers undgår mekaniske problemer på transportbånd med Amazon Monitron-sensorer integreret med tredjepartssoftware, såsom EAM, der bruges hos Amazon, såvel som med de anvendte chatrumsteknikere. Dette viser, hvordan du naturligt kan integrere Amazon Monitron-indsigt i dine eksisterende arbejdsgange. Følg med i de kommende måneder for at læse den næste del af denne serie med en faktisk implementering af denne integration.
Du kan også bruge datastrømmen til at indlæse Amazon Monitron-indsigt tilbage i et butiksgulvsystem, såsom en Supervisory Control and Data Acquisition (SCADA) eller en historiker. Butiksgulvsoperatører er mere effektive, når al indsigt om deres aktiver og processer leveres i en enkelt rude. I dette koncept bliver Amazon Monitron ikke endnu et værktøj, teknikere skal overvåge, men en anden datakilde med indsigt i den enkelte visning, de allerede er vant til. Senere i år vil vi også beskrive en arkitektur, du kan bruge til at udføre denne opgave og sende Amazon Monitron-feedback til større tredjeparts SCADA-systemer og historikere.
Sidst, men ikke mindst, inkluderer den nye datastrøm fra Amazon Monitron aktivtilstandsovergange og lukningskoder, der leveres af brugere, når de anerkender alarmer (som udløser overgangen til en ny tilstand). Takket være disse data kan du automatisk bygge visualiseringer, der giver realtidsrapportering af de fejl og handlinger, der er foretaget under driften af deres aktiver.
Dit team kan derefter bygge et bredere dataanalyse-dashboard til at understøtte din industrielle flådestyringspraksis ved at kombinere disse aktivtilstandsdata med Amazon Monitron-målingsdata og andre IoT-data på tværs af store industrielle aktivflåder ved at bruge vigtige AWS-tjenester, som vi beskriver i dette indlæg. Vi forklarer, hvordan man bygger en IoT-datasø, arbejdsgangen til at producere og forbruge dataene, samt et oversigtsdashboard til at visualisere Amazon Monitron-sensordata og slutningsresultater. Vi bruger et Amazon Monitron-datasæt, der kommer fra omkring 780 sensorer installeret i et industrilager, som har kørt i mere end 1 år. Se den detaljerede Amazon Monitron installationsvejledning Kom godt i gang med Amazon Monitron.
Løsningsoversigt
Amazon Monitron giver ML-slutning om aktivs sundhedsstatus efter 21 dage af ML-modellens træningsperiode for hvert aktiv. I denne løsning eksporteres måledata og ML-inferens fra disse sensorer til Amazon S3 via Amazon Kinesis datastrømme ved at bruge nyeste Amazon Monitron-dataeksportfunktion. Så snart Amazon Monitron IoT-data er tilgængelige i Amazon S3, oprettes en database og tabel i Amazonas Athena ved hjælp af en AWS Lim crawler. Du kan forespørge Amazon Monitron-data via AWS Glue-tabeller med Athena og visualisere måledata og ML-inferens med Amazon administrerede Grafana. Med Amazon Managed Grafana kan du oprette, udforske og dele observerbarhedsdashboards med dit team og bruge mindre tid på at administrere din Grafana-infrastruktur. I dette indlæg forbinder du Amazon Managed Grafana til Athena og lærer, hvordan du opbygger et dataanalyse-dashboard med Amazon Monitron-data for at hjælpe dig med at planlægge industrielle aktivoperationer i stor skala.
Følgende skærmbillede er et eksempel på, hvad du kan opnå i slutningen af dette indlæg. Dette dashboard er opdelt i tre sektioner:
- Plantevisning – Analytisk information fra alle sensorer på tværs af anlæg; for eksempel de overordnede tællinger af forskellige tilstande af sensorer (sund, advarsel eller alarm), antallet af ikke-bekræftede og bekræftede alarmer, gateway-forbindelse og gennemsnitlig tid til vedligeholdelse
- Site View – Statistikker på webstedsniveau, såsom statistikker over aktivstatus på hvert websted, det samlede antal dage, hvor en alarm forbliver ubekræftet, aktiver med top-/bundydelser på hvert websted og mere
- Visning af aktiv – Oversigtsoplysninger for Amazon Monitron-projektet på aktivniveau, såsom alarmtypen for en ikke-bekræftet alarm (ISO eller ML), tidslinjen for en alarm og mere
Disse paneler er eksempler, der kan hjælpe strategisk operationel planlægning, men de er ikke eksklusive. Du kan bruge en lignende arbejdsgang til at tilpasse dashboardet i henhold til din målrettede KPI.
Arkitektur oversigt
Løsningen, du vil bygge i dette indlæg, kombinerer Amazon Monitron, Kinesis Data Streams, Amazon Kinesis Data Firehose, Amazon S3, AWS Glue, Athena og Amazon Managed Grafana.
Følgende diagram illustrerer løsningsarkitekturen. Amazon Monitron-sensorer måler og registrerer uregelmæssigheder fra udstyr. Både måledata og ML-inferensoutput eksporteres med en frekvens på én gang i timen til en Kinesis-datastrøm, og de leveres til Amazon S3 via Kinesis Data Firehose med en 1-minutters buffer. De eksporterede Amazon Monitron-data er i JSON-format. En AWS Glue-crawler analyserer Amazon Monitron-dataene i Amazon S3 med en valgt frekvens på én gang i timen, opbygger et metadata-skema og opretter tabeller i Athena. Endelig bruger Amazon Managed Grafana Athena til at forespørge Amazon S3-dataene, hvilket gør det muligt at bygge dashboards til at visualisere både måledata og enhedens helbredsstatus.
For at bygge denne løsning skal du udføre følgende trin på højt niveau:
- Aktiver en Kinesis Data Stream-eksport fra Amazon Monitron og opret en datastrøm.
- Konfigurer Kinesis Data Firehose til at levere data fra datastrømmen til en S3-bøtte.
- Byg AWS Glue-crawleren for at oprette en tabel med Amazon S3-data i Athena.
- Opret et dashboard af Amazon Monitron-enheder med Amazon Managed Grafana.
Forudsætninger
For denne gennemgang skal du have følgende forudsætninger:
Sørg desuden for, at alle de ressourcer, du implementerer, er i samme region.
Aktiver en Kinesis-datastrømeksport fra Amazon Monitron, og opret en datastrøm
For at konfigurere din datastrømeksport skal du udføre følgende trin:
- På Amazon Monitron-konsollen, fra dit projekts hovedside, skal du vælge Start live dataeksport.
- Under Vælg Amazon Kinesis-datastrøm, vælg Opret en ny datastrøm.
- Under Konfiguration af datastrøm, indtast dit datastrømnavn.
- Til Datastrømkapacitet, vælg On-demand.
- Vælg Opret datastrøm.
Bemærk, at enhver live dataeksport aktiveret efter den 4. april 2023 vil streame data efter Kinesis Data Streams v2-skemaet. Hvis du har en eksisterende dataeksport, der blev aktiveret før denne dato, vil skemaet følge v1-formatet.
Du kan nu se live dataeksportoplysninger på Amazon Monitron-konsollen med din specificerede Kinesis-datastrøm.
Konfigurer Kinesis Data Firehose til at levere data til en S3-spand
For at konfigurere din Firehose-leveringsstrøm skal du udføre følgende trin:
- Vælg på Kinesis-konsollen Leveringsstrømme i navigationsruden.
- Vælg Opret leveringsstrøm.
- Til Kilde, Vælg Amazon Kinesis datastrømme.
- Til Bestemmelsessted, Vælg Amazon S3.
- Under Kildeindstillinger, For Kinesis datastrøm, skal du indtaste ARN for din Kinesis-datastrøm.
- Under Navn på leveringsstrøm, indtast navnet på din Kinesis-datastrøm.
- Under Destinationsindstillinger, vælg en S3-spand eller indtast en bucket-URI. Du kan enten bruge en eksisterende S3-spand til at gemme Amazon Monitron-data, eller du kan oprette en ny S3-spand.
- Aktiver dynamisk partitionering ved hjælp af inline-parsing for JSON:
- Vælg Aktiveret forum Dynamisk partitionering.
- Vælg Aktiveret forum Inline-parsing for JSON.
- Under Dynamiske partitioneringsnøgler, tilføj følgende partitionsnøgler:
Tastnavn | JQ udtryk |
projekt | .projectName| "project=(.)" |
websted | .eventPayload.siteName| "site=(.)" |
aktiv | .eventPayload.assetName| "asset=(.)" |
position | .eventPayload.positionName| "position=(.)" |
tid | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- Vælg Anvend dynamiske partitioneringsnøgler og bekræft, at det genererede S3-bucket-præfiks er:
- Indtast et præfiks for S3 bucket error output præfiks. Enhver JSON-nyttelast, der ikke indeholder de nøgler, der er beskrevet tidligere, vil blive leveret i dette præfiks. For eksempel
gatewayConnected
,gatewayDisconnected
begivenheder er ikke knyttet til et givent aktiv eller position. Derfor vil de ikke indeholdeassetName
,positionName
felter. Ved at angive dette valgfri præfiks her kan du overvåge denne placering og behandle disse hændelser i overensstemmelse hermed. - Vælg Opret leveringsstrøm.
Du kan inspicere Amazon Monitron-dataene i S3-bøtten. Bemærk, at Amazon Monitron-dataene eksporterer live-data med en frekvens på én gang i timen, så vent i 1 time med at inspicere dataene.
Denne Kinesis Data Firehose-opsætning muliggør dynamisk partitionering, og de leverede S3-objekter vil bruge følgende nøgleformat:
Byg AWS Glue-crawleren for at oprette en tabel med Amazon S3-data i Athena
Efter at live-dataene er blevet eksporteret til Amazon S3, bruger vi en AWS Glue-crawler til at generere metadatatabellerne. I dette indlæg bruger vi AWS Glue-crawlere til automatisk at udlede database- og tabelskemaer fra Amazon Monitron-data eksporteret i Amazon S3, og gemme de tilknyttede metadata i AWS Glue Data Catalog. Athena bruger derefter tabellens metadata fra datakataloget til at finde, læse og behandle dataene i Amazon S3. Udfør følgende trin for at oprette dit database- og tabelskema:
- På AWS Glue-konsollen skal du vælge Crawlere i navigationsruden.
- Vælg Opret crawler.
- Indtast et navn til webcrawleren (f.eks.
XXX_xxxx_monitron
). - Vælg Næste.
- Til Er dine data allerede knyttet til limtabeller, vælg Endnu ikke.
- Til Datakilde, vælg S3.
- Til Placering af S3-data, vælg På denne konto, og indtast stien til din S3 bucket-mappe, du konfigurerede i det forrige afsnit (
s3://YourBucketName
). - Til Gentag gennemgange af S3-datalagre, Vælg Gennemgå alle undermapper.
- Endelig skal du vælge Næste.
- Type Opret ny IAM-rolle og indtast et navn til rollen.
- Vælg Næste.
- Type Tilføj database, og indtast et navn til databasen. Dette opretter Athena-databasen, hvor dine metadatatabeller er placeret, efter at crawleren er færdig.
- Til Crawler tidsplan, vælg en foretrukken tidsbaseret planlægger (for eksempel hver time) for at opdatere Amazon Monitron-dataene i databasen, og vælg Næste.
- Gennemgå webcrawleroplysningerne, og vælg Opret.
- På Crawlere siden på AWS Glue-konsollen, vælg den webcrawler, du har oprettet, og vælg Kør crawler.
Du skal muligvis vente et par minutter, afhængigt af størrelsen af dataene. Når den er færdig, vises webcrawlerens status som Ready. For at se metadatatabellerne skal du navigere til din database på Databaser side og vælg tabeller i navigationsruden.
Du kan også se data ved at vælge Tabel data på konsollen.
Du bliver omdirigeret til Athena-konsollen for at se de 10 bedste registreringer af Amazon Monitron-data i Amazon S3.
Opret et dashboard af Amazon Monitron-enheder med Amazon Managed Grafana
I dette afsnit bygger vi et tilpasset dashboard med Amazon Managed Grafana for at visualisere Amazon Monitron-data i Amazon S3, så OT-teamet kan få strømlinet adgang til aktiver i alarm på tværs af hele deres Amazon Monitron-sensorflåde. Dette vil gøre det muligt for OT-teamet at planlægge næste trins handlinger baseret på den mulige grundlæggende årsag til uregelmæssighederne.
Til skabe et Grafana-arbejdsområde, udfør følgende trin:
- Sørg for, at din brugerrolle er administrator eller redaktør.
- På Amazon Managed Grafana-konsollen skal du vælge Skab arbejdsrum.
- Til Arbejdsområdets navn, indtast et navn til arbejdsområdet.
- Vælg Næste.
- Til Godkendelsesadgang, Vælg AWS IAM Identity Center (efterfølger til AWS Single Sign-On). Du kan bruge det samme AWS IAM Identity Center-bruger som du brugte til at konfigurere dit Amazon Monitron-projekt.
- Vælg Næste.
- For dette første arbejdsområde skal du bekræfte det Service administreret er valgt til Tilladelsestype. Dette valg gør det muligt for Amazon Managed Grafana automatisk at levere de tilladelser, du har brug for, til de AWS-datakilder, som du bruger til dette arbejdsområde.
- Vælg Nuværende konto.
- Vælg Næste.
- Bekræft arbejdsområdets detaljer, og vælg Skab arbejdsrum. Siden med arbejdsområdedetaljer vises. I første omgang er status SKABER.
- Vent til status er Acrive Surfaces at gå videre til næste trin.
For at konfigurere din Athena-datakilde skal du udføre følgende trin:
- På Amazon Managed Grafana-konsollen skal du vælge det arbejdsområde, du vil arbejde på.
- På Data kilder fanebladet, vælg Amazonas Athena, og vælg Handlinger, Aktiver servicestyret politik.
- Vælg Konfigurer i Grafana i Amazonas Athena række.
- Log ind på Grafana-arbejdspladskonsollen ved hjælp af IAM Identity Center, hvis det er nødvendigt. Brugeren skal have Athena-adgangspolitikken knyttet til brugeren eller rollen for at få adgang til Athena-datakilden. Se AWS-styret politik: AmazonGrafanaAthenaAccess for mere info.
- På Grafana-arbejdspladskonsollen i navigationsruden skal du vælge det nederste AWS-ikon (der er to) og derefter vælge Athena på den Data kilder menu.
- Vælg den standardregion, som du vil have Athena-datakilden til at forespørge fra, vælg de konti, du ønsker, og vælg derefter Tilføj datakilde.
- Følg trinnene til konfigurer Athena detaljer.
Hvis din arbejdsgruppe i Athena ikke allerede har konfigureret en outputplacering, skal du angive en S3-bøtte og -mappe, der skal bruges til forespørgselsresultater. Efter opsætning af datakilden kan du se eller redigere den i Konfiguration rude.
I de følgende underafsnit demonstrerer vi adskillige paneler i Amazon Monitron-dashboardet bygget i Amazon Managed Grafana for at få operationel indsigt. Athena-datakilden giver en standard SQL-forespørgselseditor, som vi vil bruge til at analysere Amazon Monitron-dataene for at generere ønskede analyser.
For det første, hvis der er mange sensorer i Amazon Monitron-projektet, og de er i forskellige tilstande (sunde, advarsel, alarmer og har brug for vedligeholdelse), ønsker OT-teamet visuelt at se antallet af positioner, som sensorer er i forskellige tilstande. Du kan få sådanne oplysninger som en cirkeldiagram-widget i Grafana via følgende Athena-forespørgsel:
Select * FROM (Select latest_status, COUNT(assetdisplayname)OVER (PARTITION BY latest_status) AS asset_health_count FROM (SELECT timestamp, sitedisplayname, assetdisplayname, assetState.newState as latest_status, RANK() OVER (PARTITION BY assetdisplayname ORDER BY timestamp DESC)AS rnk FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name") tt WHERE tt.rnk=1) GROUP BY latest_status, asset_health_count;
Følgende skærmbillede viser et panel med den seneste distribution af Amazon Monitron-sensorstatus.
For at formatere din SQL-forespørgsel til Amazon Monitron-data, se Forstå dataeksportskemaet.
Dernæst vil dit Operations Technology-team måske planlægge forudsigelig vedligeholdelse baseret på aktiver, der er i alarmstatus, og derfor vil de hurtigt kende det samlede antal bekræftede alarmer vs. ikke-bekræftede alarmer. Du kan vise oversigtsoplysninger om alarmtilstand som simple statistikpaneler i Grafana:
Select COUNT(*) FROM (Select timestamp, sitedisplayname, assetdisplayname, assetState.newState as latest_status, RANK() OVER (PARTITION BY assetdisplayname ORDER BY timestamp DESC)AS rnk FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name") tt WHERE tt.rnk=1 AND tt.latest_status = 'Alarm';
Det følgende panel viser bekræftede og ikke-bekræftede alarmer.
OT-teamet kan også forespørge på, hvor længe sensorerne forbliver i alarmstatus, så de kan bestemme deres vedligeholdelsesprioritet:
Select c.assetdisplayname, b.sensorpositiondisplayname, b.alarm_date FROM (Select a.assetdisplayname, a.sensorpositiondisplayname, COUNT(*)/24+1 AS number_of_days_in_alarm_state FROM (Select * FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name" WHERE (assetState.newState = 'ALARM' AND assetState.newState = assetState.previousState) ORDER BY timestamp DESC) a GROUP BY a.assetdisplayname, a.sensorpositiondisplayname) b INNER JOIN (Select * FROM (Select timestamp, sitedisplayname, assetdisplayname, assetState.newState AS latest_status, RANK() OVER (PARTITION BY assetdisplayname ORDER BY timestamp DESC)AS rnk FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name") tt WHERE tt.rnk=1 AND tt.latest_status = 'ALARM') c ON b.assetdisplayname = c.assetdisplayname;
Outputtet af denne analyse kan visualiseres af et søjlediagram i Grafana, og alarmen i alarmtilstand kan nemt visualiseres som vist på det følgende skærmbillede.
For at analysere top/bund aktivets ydeevne baseret på den samlede tid, aktiverne er i en alarm eller har behov for vedligeholdelse, skal du bruge følgende forespørgsel:
Select s.sitedisplayname, s.assetdisplayname, COUNT(s.timestamp)/24 AS trouble_time FROM (Select timestamp, sitedisplayname, assetdisplayname, sensorpositiondisplayname, assetState.newState FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name" WHERE assetState.newState = 'ALARM' OR assetState.newState = 'NEEDS_MAINTENANCE') AS s GROUP BY s.assetdisplayname, s.sitedisplayname ORDER BY trouble_time, s.assetdisplayname ASC LIMIT 5;
Følgende søjlemåler bruges til at visualisere det foregående forespørgselsoutput, hvor de bedste aktiver viser 0 dages alarmtilstande, og de nederste aktiver viser akkumulerede alarmtilstande i løbet af det seneste år.
For at hjælpe OT-teamet med at forstå den mulige grundårsag til en anomali, kan alarmtyperne vises for disse aktiver, der stadig er i alarmtilstand, med følgende forespørgsel:
Select a.assetdisplayname, a.sensorpositiondisplayname, a.latest_status, CASE WHEN a.temperatureML != 'HEALTHY' THEN 'TEMP' WHEN a.vibrationISO != 'HEALTHY' THEN 'VIBRATION_ISO' ELSE 'VIBRATION_ML' END AS alarm_type FROM (Select sitedisplayname, assetdisplayname, sensorpositiondisplayname, models.temperatureML.persistentClassificationOutput as temperatureML, models.vibrationISO.persistentClassificationOutput as vibrationISO, models.vibrationML.persistentClassificationOutput as vibrationML, assetState.newState as latest_status FROM (Select *, RANK() OVER (PARTITION BY assetdisplayname, sensorpositiondisplayname ORDER BY timestamp DESC)AS rnk FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name") tt WHERE tt.rnk=1 AND assetState.newState = 'ALARM' ) a WHERE (a.temperatureML != 'HEALTHY' OR a. vibrationISO != 'HEALTHY' OR a. vibrationML != 'HEALTHY');
Du kan visualisere denne analyse som en tabel i Grafana. I dette Amazon Monitron-projekt blev to alarmer udløst af ML-modeller til vibrationsmåling.
Amazon Managed Grafana-dashboardet er vist her til illustrationsformål. Du kan tilpasse dashboarddesignet efter dine egne forretningsbehov.
Fejlrapporter
Når en bruger anerkender en alarm i Amazon Monitron-appen, skifter de tilknyttede aktiver til en ny tilstand. Brugeren har også mulighed for at give nogle detaljer om denne alarm:
- Fejlårsag – Dette kan være en af følgende: ADMINISTRATION, DESIGN, FABRIKATION, VEDLIGEHOLDELSE, DRIFT, ANDET, KVALITET, SLID eller UBESTEMMET
- Fejl tilstand – Dette kan være en af følgende: NO_ISSUE, BLOCKAGE, CAVITATION, CORROSION, DEPOSIT, IMBALANCE, LUBRICATION, MISALIGNMENT, OTHER, RESONANCE, ROTATING_LOOSENESS, STRUCTURAL_LOOSENESS, TRANSMITTED_FAULT eller UBESTEMMET
- Handling taget – Dette kan være ADJUST, CLEAN, LUBRICATE, MODIFY, OVERHAUL, REPLACE, NO_ACTION eller OTHER
Hændelsesnyttelasten, der er knyttet til aktivtilstandsovergangen, indeholder alle disse oplysninger, aktivets tidligere tilstand og aktivets nye tilstand. Hold dig opdateret for en opdatering af dette indlæg med flere detaljer om, hvordan du kan bruge disse oplysninger i et ekstra Grafana-panel til at opbygge Pareto-diagrammer over de mest almindelige fejl og handlinger, der udføres på tværs af dine aktiver.
Konklusion
Enterprise-kunder hos Amazon Monitron leder efter en løsning til at bygge en IoT-datasø med Amazon Monitrons live-data, så de kan administrere flere Amazon Monitron-projekter og -aktiver og generere analyserapporter på tværs af flere Amazon Monitron-projekter. Dette indlæg giver en detaljeret gennemgang af en løsning til at bygge denne IoT-datasø med det seneste Amazon Monitron Kinesis dataeksport v2-funktion. Denne løsning viste også, hvordan man bruger andre AWS-tjenester, såsom AWS Glue og Athena til at forespørge dataene, generere analyseoutput og visualisere sådanne output med Amazon Managed Grafana med hyppig opdatering.
Som et næste trin kan du udvide denne løsning ved at sende ML-inferensresultater til andre EAM-systemer, som du kan bruge til arbejdsordrestyring. Dette vil give dit driftsteam mulighed for at integrere Amazon Monitron med andre virksomhedsapplikationer og forbedre deres driftseffektivitet. Du kan også begynde at opbygge mere dybtgående indsigt i dine fejltilstande og handlinger, der udføres ved at behandle aktivtilstandsovergangene og de lukkekoder, der nu er en del af Kinesis datastrøms nyttelast.
Om forfatterne
Julia Hu er Sr. AI/ML Solutions Architect hos Amazon Web Services. Hun har stor erfaring med IoT-arkitektur og Applied Data Science og er en del af både Machine Learning og IoT Technical Field Community. Hun arbejder med kunder, lige fra nystartede virksomheder til virksomheder, for at udvikle AWSome IoT machine learning (ML)-løsninger på kanten og i skyen. Hun nyder at udnytte den nyeste IoT- og big data-teknologi til at opskalere sin ML-løsning, reducere latens og fremskynde industriens indførelse.
Bishr Tabbaa er løsningsarkitekt hos Amazon Web Services. Bishr har specialiseret sig i at hjælpe kunder med applikationer til maskinlæring, sikkerhed og observerbarhed. Uden for arbejdet nyder han at spille tennis, lave mad og tilbringe tid med familien.
Shalika Pargal er produktchef hos Amazon Web Services. Shalika fokuserer på at bygge AI-produkter og -tjenester til industrielle kunder. Hun kommer med betydelig erfaring i krydsfeltet mellem produkt-, industri- og forretningsudvikling. Hun delte for nylig Monitrons succeshistorie på Reinvent 2022.
Garry Galinsky er en Principal Solutions Architect, der understøtter Amazon på AWS. Han har været involveret i Monitron siden dens debut og har hjulpet med at integrere og implementere løsningen i Amazons verdensomspændende opfyldelsesnetværk. Han delte for nylig Amazons Monitron succeshistorie på re: Invent 2022.
Michael Hoarau er en AI/ML Specialist Solutions Architect hos AWS, der veksler mellem dataforsker og maskinlæringsarkitekt, afhængigt af øjeblikket. Han brænder for at bringe AI/ML-kraften til sine industrielle kunders butiksgulve og har arbejdet på en bred vifte af ML-brugssager, lige fra afsløring af anomalier til forudsigelig produktkvalitet eller produktionsoptimering. Han udgav en bog om tidsserieanalyse i 2022 og skriver jævnligt om dette emne på LinkedIn , Medium. Når han ikke hjælper kunder med at udvikle de næstbedste maskinlæringsoplevelser, nyder han at observere stjernerne, rejse eller spille klaver.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
- Udmøntning af fremtiden med Adryenn Ashley. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :har
- :er
- :ikke
- $OP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- Om
- fremskynde
- adgang
- Ifølge
- derfor
- Konti
- Akkumuleret
- opnå
- erhvervelse
- tværs
- Handling
- aktioner
- aktivitet
- tilpasse
- Yderligere
- admin
- administration
- Vedtagelse
- Efter
- AI
- AI / ML
- Støtte
- alarm
- Advarsler
- Alle
- tillade
- tillader
- allerede
- også
- Amazon
- Amazon Kinesis
- Amazon administrerede Grafana
- Amazon Web Services
- beløb
- an
- analyse
- Analytisk
- analytics
- analysere
- analyser
- ,
- afsløring af anomalier
- En anden
- enhver
- app
- applikationer
- anvendt
- tilgang
- april
- arkitektur
- ER
- AS
- aktiv
- formueforvaltning
- Aktiver
- forbundet
- At
- Automatiseret
- automatisk
- Automatisering
- til rådighed
- gennemsnit
- undgå
- AWS
- AWS Lim
- tilbage
- Bar
- baseret
- BE
- bliver
- været
- før
- BEDSTE
- Bedre
- mellem
- Big
- Big data
- bog
- både
- Bund
- Bringe
- Bringer
- bredere
- buffer
- bygge
- Bygning
- bygger
- bygget
- virksomhed
- forretningsudvikling
- men
- by
- CAN
- Kan få
- fange
- tilfælde
- tilfælde
- katalog
- Årsag
- årsager
- center
- Centers
- udfordringer
- Chart
- Diagrammer
- chatrum
- Vælg
- vælge
- valgt
- klassificering
- lukning
- Cloud
- kode
- Indsamling
- kombinerer
- kombinerer
- kombinerer
- kommer
- Fælles
- samfund
- fuldføre
- komplekse
- Konceptet
- betingelse
- Bekræfte
- Tilslut
- Connectivity
- Konsol
- forbruge
- indeholder
- indeholder
- kontinuerlig
- kontrol
- kunne
- crawler
- skabe
- oprettet
- skaber
- skabelse
- Kunder
- tilpasse
- tilpassede
- cykler
- instrumentbræt
- data
- Dataanalyse
- Data Lake
- datalogi
- dataforsker
- Database
- Dato
- Dage
- debut
- beslutte
- Standard
- levere
- leveret
- levering
- demonstrere
- Afhængigt
- indsætte
- depositum
- beskrive
- beskrevet
- Design
- ønskes
- detaljeret
- detaljer
- Detektion
- udvikle
- Udvikling
- enhed
- Enheder
- forskellige
- direkte
- opdage
- fordeling
- Divided
- Er ikke
- nedetid
- dynamisk
- hver
- tidligere
- nemt
- Edge
- editor
- effektivt
- effektivitet
- effektiv
- effektivt
- enten
- muliggøre
- aktiveret
- muliggør
- ende til ende
- Ingeniører
- beriget
- berigende
- Indtast
- Enterprise
- virksomheder
- miljøer
- udstyr
- fejl
- begivenhed
- begivenheder
- eksempel
- eksempler
- Eksklusiv
- eksisterende
- Udvid
- erfaring
- Oplevelser
- Forklar
- udforske
- eksport
- omfattende
- Omfattende oplevelse
- Manglende
- familie
- tilbagemeldinger
- få
- felt
- Fields
- Endelig
- Finde
- Fornavn
- FLÅDE
- Gulvlampe
- fokuserede
- fokuserer
- følger
- efter
- Til
- format
- Frekvens
- hyppig
- fra
- Gevinst
- gateway
- generere
- genereret
- få
- given
- glas
- gruppe
- vejlede
- ske
- Have
- he
- Helse
- sund
- hjælpe
- hjulpet
- hjælpe
- link.
- højt niveau
- Hvordan
- How To
- HTML
- HTTPS
- IBM
- ICON
- identificere
- Identity
- ubalance
- gennemføre
- implementering
- Forbedre
- in
- dybdegående
- omfatter
- omfatter
- Indgående
- industrielle
- industrien
- info
- oplysninger
- Infrastruktur
- i første omgang
- indsigt
- installeret
- rate
- instans
- integrere
- integreret
- integration
- Internet
- tingenes internet
- vejkryds
- ind
- involverede
- tingenes internet
- ISO
- spørgsmål
- IT
- ITS
- deltage
- jpg
- json
- Keen
- Nøgle
- nøgler
- Kinesis Data Brandslange
- Kinesis datastrømme
- Kend
- sø
- stor
- Latency
- seneste
- lanceret
- LÆR
- læring
- Niveau
- løftestang
- GRÆNSE
- Limited
- linjer
- forbundet
- leve
- live data
- placeret
- placering
- leder
- maskine
- machine learning
- maskiner
- Main
- vedligeholde
- vedligeholdelse
- større
- lave
- administrere
- lykkedes
- ledelse
- leder
- Ledere
- styring
- Produktion
- mange
- Maksimer
- Kan..
- måle
- mekanisk
- medium
- Menu
- Metadata
- måske
- minutter
- mangler
- ML
- Mobil
- Mobil app
- model
- modeller
- modes
- ændre
- øjeblik
- Overvåg
- overvågning
- måned
- mere
- mere effektiv
- mest
- flere
- navn
- Naviger
- Navigation
- nødvendig
- Behov
- behov
- netværk
- Ny
- næste
- nu
- nummer
- objekter
- opnå
- of
- on
- ONE
- kun
- åbner
- betjene
- drift
- drift
- operationelle
- Produktion
- Operatører
- Opportunity
- optimering
- or
- ordrer
- ordrer
- organisation
- Andet
- vores
- output
- uden for
- i løbet af
- samlet
- overhaling
- egen
- side
- brød
- panel
- paneler
- del
- lidenskabelige
- forbi
- sti
- Udfør
- ydeevne
- udfører
- periodisk
- tilladelse
- Tilladelser
- fly
- planlægning
- Planter
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- politik
- position
- positioner
- mulig
- Indlæg
- potentiale
- magt
- praksis
- Prediktiv Analytics
- foretrækkes
- forudsætninger
- tidligere
- Main
- prioritet
- Proaktiv
- behandle
- Processer
- forarbejdning
- producere
- Produkt
- produktchef
- Produktkvalitet
- produktion
- Produkter
- projekt
- projekter
- give
- forudsat
- giver
- bestemmelse
- offentliggjort
- formål
- kvalitet
- hurtigt
- rækkevidde
- spænder
- RE
- Læs
- realtid
- grund
- for nylig
- optegnelser
- reducere
- region
- regelmæssigt
- styrke
- pålidelighed
- pålidelig
- forblive
- resterne
- erstatte
- Rapportering
- Rapporter
- resonans
- Ressourcer
- Resultater
- Risiko
- roller
- Rum
- rod
- RÆKKE
- Kør
- kører
- s
- samme
- sap
- Scale
- Videnskab
- Videnskabsmand
- rækkevidde
- Sektion
- sektioner
- sikkert
- sikkerhed
- valgt
- valg
- afsendelse
- sensorer
- Series
- tjeneste
- Tjenester
- sæt
- indstilling
- setup
- flere
- Del
- delt
- Shop
- bør
- Vis
- vist
- Shows
- signifikant
- lignende
- Simpelt
- siden
- enkelt
- websted
- Websteder
- Størrelse
- So
- Software
- løsninger
- Løsninger
- nogle
- Kilde
- Kilder
- specialist
- specialiseret
- specificeret
- tilbringe
- udgifterne
- standard
- Stjerner
- starte
- nystartede virksomheder
- påbegyndt
- Tilstand
- Stater
- statistik
- statistik
- Status
- forblive
- Trin
- Steps
- Stadig
- opbevaring
- butik
- Strategisk
- Strategi
- strøm
- strømlinet
- vandløb
- succes
- sådan
- RESUMÉ
- support
- Støtte
- systemet
- Systemer
- bord
- målrettet
- Opgaver
- hold
- hold
- Teknisk
- Teknologier
- end
- Tak
- at
- Staten
- deres
- Der.
- derfor
- Disse
- de
- ting
- tredjepart
- denne
- i år
- tre
- tid
- Tidsserier
- tidslinje
- tidsstempel
- til
- værktøj
- top
- Top 10
- emne
- I alt
- spor
- Kurser
- overførsel
- overgang
- overgange
- Traveling
- udløse
- udløst
- typer
- forstå
- Opdatering
- oppetid
- brug
- anvendte
- Bruger
- brugere
- ved brug af
- v1
- forskellige
- via
- video
- Specifikation
- vs
- vente
- går igennem
- advarsel
- var
- måder
- we
- web
- webservices
- GODT
- var
- Hvad
- som
- mens
- WHO
- Hele
- bred
- Bred rækkevidde
- vilje
- med
- Arbejde
- arbejdede
- arbejdsgange
- arbejdsgruppe
- virker
- verdensplan
- år
- Du
- Din
- youtube
- zephyrnet