Dies ist ein Gastbeitrag, der zusammen mit Moulham Zahabi von Matarat geschrieben wurde.
Wahrscheinlich hat jeder schon einmal beim Fliegen sein Gepäck aufgegeben und gespannt darauf gewartet, dass sein Gepäck am Karussell erscheint. Die erfolgreiche und rechtzeitige Zustellung Ihres Gepäcks hängt von einer massiven Infrastruktur namens Baggage Handling System (BHS) ab. Diese Infrastruktur ist eine der Schlüsselfunktionen für einen erfolgreichen Flughafenbetrieb. Die erfolgreiche Abfertigung von Gepäck und Fracht für abfliegende und ankommende Flüge ist entscheidend, um die Kundenzufriedenheit zu gewährleisten und einen hervorragenden Flughafenbetrieb zu gewährleisten. Diese Funktion ist stark abhängig vom Dauerbetrieb des BHS und der Wirksamkeit von Wartungsarbeiten. Als Lebensader der Flughäfen ist ein BHS ein linearer Vermögenswert, der eine Länge von über 34,000 Metern (für einen einzelnen Flughafen) überschreiten kann und jährlich über 70 Millionen Gepäckstücke abfertigt, was es zu einem der komplexesten automatisierten Systeme und einer wichtigen Komponente des Flughafenbetriebs macht.
Ungeplante Ausfallzeiten eines Gepäckabfertigungssystems, sei es ein Förderband, ein Karussell oder eine Sortiereinheit, können den Flughafenbetrieb stören. Eine solche Störung führt unweigerlich zu einem unangenehmen Fluggasterlebnis und kann möglicherweise Strafen für Flughafendienstleister nach sich ziehen.
Die vorherrschende Herausforderung bei der Wartung eines Gepäckabfertigungssystems besteht darin, ein integriertes System mit über 7,000 Anlagen und über einer Million Sollwerten kontinuierlich zu betreiben. Diese Systeme verarbeiten auch Millionen von Beuteln in verschiedenen Formen und Größen. Man kann davon ausgehen, dass Gepäckabfertigungssysteme fehleranfällig sind. Da die Elemente in einem geschlossenen Kreislauf funktionieren, wirkt sich der Ausfall eines Elements auf die gesamte Linie aus. Herkömmliche Wartungsaktivitäten stützen sich auf eine beträchtliche Belegschaft, die über wichtige Standorte entlang des BHS verteilt ist und von Betreibern im Falle einer Betriebsstörung entsandt wird. Wartungsteams verlassen sich auch stark auf die Empfehlungen der Lieferanten, um Ausfallzeiten für die vorbeugende Wartung zu planen. Die Feststellung, ob vorbeugende Wartungsaktivitäten ordnungsgemäß durchgeführt werden, oder die Überwachung der Leistung dieser Art von Assets kann unzuverlässig sein und verringert nicht das Risiko unvorhergesehener Ausfallzeiten.
Das Ersatzteilmanagement ist eine zusätzliche Herausforderung, da die Vorlaufzeiten aufgrund globaler Lieferkettenunterbrechungen immer länger werden, die Entscheidungen zur Bestandsergänzung jedoch auf historischen Trends basieren. Darüber hinaus berücksichtigen diese Trends nicht das volatile dynamische Umfeld des Betriebs von BHS-Anlagen, wenn sie altern. Um diesen Herausforderungen zu begegnen, müssen Wartungsstrategien grundlegend verändert werden – von einer reaktiven zu einer proaktiven Denkweise. Diese Umstellung erfordert, dass Betreiber die neueste Technologie einsetzen, um Wartungsaktivitäten zu rationalisieren, Abläufe zu optimieren und Betriebskosten zu minimieren.
In diesem Beitrag beschreiben wir, wie der AWS-Partner Airis Solutions verwendet Amazon Lookout für Ausrüstung, AWS Internet of Things (IoT)-Dienste und CloudRail Sensortechnologien, um eine hochmoderne Lösung zur Bewältigung dieser Herausforderungen bereitzustellen.
Überblick über das Gepäckabfertigungssystem
Das folgende Diagramm und die Tabelle veranschaulichen die Messungen, die an einem typischen Karussell des internationalen Flughafens King Khalid in Riad vorgenommen wurden.
Die Daten werden an den verschiedenen Orten gesammelt, die im Diagramm dargestellt sind.
Sensor Typ | Geschäftswert | Datensätze | Ort |
IO-Link-Geschwindigkeitssensoren | Homogene Karussellgeschwindigkeit | PDV1 (1 pro Minute) | C |
Vibrationssensor mit integriertem Temperatursensor |
Lose Schraube, Welle falsch ausgerichtet, Lagerschaden, Beschädigung der Motorwicklung |
Ermüdung (v-RMS) (m/s) Aufprall (a-Peak) (m/s^2) Reibung (a-RMS) (m/s^2) Temperatur (C) Crest |
A und B |
Entfernungs-PEC-Sensor | Gepäckdurchsatz | Abstand (cm) | D |
Die folgenden Bilder zeigen die Umgebung und die Überwachungsausrüstung für die verschiedenen Messungen.
Lösungsüberblick
Das Predictive Maintenance System (PdMS) für Gepäckabfertigungssysteme ist eine Referenzarchitektur, die Flughafenwartungsbetreiber auf ihrem Weg zu Daten als Wegbereiter zur Verbesserung ungeplanter Ausfallzeiten unterstützt. Es enthält Bausteine zur Beschleunigung der Entwicklung und Bereitstellung von vernetzten Sensoren und Diensten. Das PdMS umfasst AWS-Services zur sicheren Verwaltung des Lebenszyklus von Edge-Computing-Geräten und BHS-Ressourcen, Cloud-Datenerfassung, Speicherung, Inferenzmodelle für maschinelles Lernen (ML) und Geschäftslogik zur Förderung einer proaktiven Gerätewartung in der Cloud.
Diese Architektur wurde aus Erfahrungen aufgebaut, die während der mehrjährigen Arbeit mit dem Flughafenbetrieb gewonnen wurden. Die vorgeschlagene Lösung wurde mit Unterstützung von Northbay Solutions, einem AWS Premier Partner, entwickelt und kann innerhalb von 90 Tagen auf Flughäfen aller Größen und Größenordnungen auf Tausenden von verbundenen Geräten bereitgestellt werden.
Das folgende Architekturdiagramm zeigt die zugrunde liegenden Komponenten, die zum Erstellen der Predictive-Maintenance-Lösung verwendet werden:
Wir verwenden die folgenden Dienste, um unsere Architektur zusammenzustellen:
- CloudRail.DMC ist eine Software as a Service (SaaS)-Lösung des deutschen IoT-Experten CloudRail GmbH. Diese Organisation verwaltet Flotten global verteilter Edge-Gateways. Mit diesem Service lassen sich Industriesensoren, Smart Meter und OPC UA Server mit wenigen Klicks an einen AWS Data Lake anbinden.
- AWS IoT-Kern ermöglicht es Ihnen, Milliarden von IoT-Geräten zu verbinden und Billionen von Nachrichten an AWS-Services weiterzuleiten, ohne die Infrastruktur verwalten zu müssen. Es überträgt sicher Nachrichten zu und von all Ihren IoT-Geräten und -Anwendungen mit geringer Latenz und hohem Durchsatz. Wir verwenden AWS IoT Core, um uns mit den CloudRail-Sensoren zu verbinden und ihre Messungen an die AWS Cloud weiterzuleiten.
- AWS IoT-Analytics ist ein vollständig verwalteter Service, der es einfach macht, anspruchsvolle Analysen auf riesigen Mengen von IoT-Daten auszuführen und zu operationalisieren, ohne sich um die Kosten und die Komplexität kümmern zu müssen, die normalerweise für den Aufbau einer IoT-Analyseplattform erforderlich sind. Es ist eine einfache Möglichkeit, Analysen zu IoT-Daten durchzuführen, um genaue Erkenntnisse zu gewinnen.
- Amazon Lookout für Ausrüstung analysiert Daten von Gerätesensoren, um basierend auf anlagenspezifischen Daten automatisch ein ML-Modell für Ihre Geräte zu erstellen – keine datenwissenschaftlichen Kenntnisse erforderlich. Lookout for Equipment analysiert eingehende Sensordaten in Echtzeit und identifiziert Frühwarnsignale, die zu unerwarteten Ausfallzeiten führen könnten, genau.
- Amazon QuickSight ermöglicht es jedem im Unternehmen, die Daten zu verstehen, indem er Fragen in natürlicher Sprache stellt, Informationen über interaktive Dashboards visualisiert und automatisch nach Mustern und Ausreißern sucht, die von ML unterstützt werden.
Wie im folgenden Diagramm dargestellt, ermöglicht diese Architektur, dass Sensordaten in betriebliche Erkenntnisse einfließen.
Datenpunkte werden mithilfe von IO-Link-Sensoren gesammelt: IO-Link ist eine standardisierte Schnittstelle, um eine nahtlose Kommunikation von der Steuerungsebene einer Industrieanlage (in unserem Fall dem Gepäckfördersystem) bis zur Sensorebene zu ermöglichen. Dieses Protokoll wird verwendet, um Sensordaten in ein CloudRail-Edge-Gateway einzuspeisen und in AWS IoT Core zu laden. Letzteres stellt dann Gerätedaten für ML-Modelle bereit, um Betriebs- und Geräteprobleme zu identifizieren, die verwendet werden können, um den optimalen Zeitpunkt für die Wartung oder den Austausch von Anlagen zu bestimmen, ohne unnötige Kosten zu verursachen.
Datenerhebung
Die Nachrüstung bestehender Anlagen und ihrer Steuerungssysteme in die Cloud bleibt für Betreiber von Anlagen ein herausfordernder Ansatz. Das Hinzufügen von Sekundärsensoren bietet eine schnelle und sichere Möglichkeit, die erforderlichen Daten zu erfassen, ohne bestehende Systeme zu beeinträchtigen. Daher ist es einfacher, schneller und nicht-invasiv im Vergleich zur direkten Verbindung der SPS einer Maschine. Darüber hinaus können nachgerüstete Sensoren ausgewählt werden, um die für bestimmte Ausfallarten erforderlichen Datenpunkte präzise zu messen.
Mit CloudRail kann jeder industrielle IO-Link-Sensor mit AWS-Diensten wie AWS IoT Core verbunden werden. AWS IoT SiteWise, oder AWS IoT Greengrass innerhalb weniger Sekunden über ein Cloud-basiertes Geräteverwaltungsportal (CloudRail.DMC). Dies ermöglicht es IoT-Experten, von zentralen Standorten aus und an Bord physischer Systeme zu arbeiten, die global verteilt sind. Die Lösung löst die Herausforderungen der Datenkonnektivität für vorausschauende Wartungssysteme durch einen einfachen Plug-and-Play-Mechanismus.
Das Gateway fungiert als Industrial Demilitarized Zone (IDMZ) zwischen dem Equipment (OT) und dem Cloud-Service (IT). Durch eine integrierte Flottenverwaltungsanwendung stellt CloudRail sicher, dass die neuesten Sicherheitspatches automatisch für Tausende von Installationen bereitgestellt werden.
Das folgende Bild zeigt einen IO-Link-Sensor und das CloudRail-Edge-Gateway (in Orange):
Trainieren eines Anomalieerkennungsmodells
Organisationen aus den meisten Industriesegmenten sehen, dass sich moderne Instandhaltungsstrategien von den Run-to-Failure-, reaktiven Ansätzen wegbewegen und hin zu vorausschauenderen Methoden übergehen. Der Übergang zu einem zustandsbasierten oder vorausschauenden Wartungsansatz erfordert jedoch Daten, die von Sensoren gesammelt werden, die in allen Einrichtungen installiert sind. Die Verwendung historischer Daten, die von diesen Sensoren erfasst werden, in Verbindung mit Analysen hilft, Vorläufer von Geräteausfällen zu identifizieren, sodass das Wartungspersonal vor dem Ausfall entsprechend handeln kann.
Vorausschauende Wartungssysteme beruhen auf der Fähigkeit, zu erkennen, wann Ausfälle auftreten können. Geräte-OEMs stellen in der Regel Datenblätter für ihre Geräte bereit und empfehlen die Überwachung bestimmter Betriebsmetriken auf der Grundlage nahezu perfekter Bedingungen. Diese Bedingungen sind jedoch aufgrund der natürlichen Abnutzung des Vermögenswerts, der Umgebungsbedingungen, unter denen er betrieben wird, seiner vergangenen Wartungshistorie oder einfach der Art und Weise, wie Sie ihn betreiben müssen, um Ihre Geschäftsergebnisse zu erzielen, selten realistisch. Beispielsweise wurden für diesen Proof of Concept zwei identische Motoren (Marke, Modell, Produktionsdatum) im gleichen Karussell verbaut. Diese Motoren arbeiteten aufgrund unterschiedlicher Witterungseinflüsse in unterschiedlichen Temperaturbereichen (ein Teil des Förderbandes innerhalb und der andere außerhalb des Flughafenterminals).
Motor 1 wurde in einem Temperaturbereich von 32–35 °C betrieben. Die Schwinggeschwindigkeit RMS kann sich aufgrund von Motorermüdung ändern (z. B. Ausrichtungsfehler oder Unwuchtprobleme). Wie in der folgenden Abbildung gezeigt, zeigt dieser Motor Ermüdungsgrade zwischen 2 und 6, mit einigen Spitzen bei 9.
Motor 2 wurde in einer kühleren Umgebung betrieben, wo die Temperatur zwischen 20 und 25 °C lag. In diesem Zusammenhang zeigt Motor 2 Ermüdungsgrade zwischen 4–8, mit einigen Spitzen bei 10:
Die meisten ML-Ansätze erwarten sehr spezifisches Domänenwissen und Informationen (oft schwer zu beschaffen), die aus der Art und Weise extrahiert werden müssen, wie Sie jedes Asset betreiben und warten (z. B. Fehlerverschlechterungsmuster). Diese Arbeit muss jedes Mal durchgeführt werden, wenn Sie ein neues Asset überwachen möchten oder wenn sich der Zustand des Assets erheblich ändert (z. B. wenn Sie ein Teil ersetzen). Dies bedeutet, dass ein großartiges Modell, das in der Prototyping-Phase bereitgestellt wird, wahrscheinlich Leistungseinbußen erfährt, wenn es auf andere Assets übertragen wird, was die Genauigkeit des Systems drastisch verringert und letztendlich das Vertrauen der Endbenutzer verliert. Dies kann auch zu vielen Fehlalarmen führen, und Sie benötigen die erforderlichen Fähigkeiten, um Ihre gültigen Signale in all dem Rauschen zu finden.
Lookout for Equipment analysiert nur Ihre Zeitreihendaten, um die normalen Beziehungen zwischen Ihren Signalen zu ermitteln. Wenn diese Beziehungen dann beginnen, von den normalen Betriebsbedingungen (erfasst im Trainingszustand) abzuweichen, kennzeichnet der Dienst die Anomalie. Wir haben festgestellt, dass Sie sich durch die strikte Verwendung historischer Daten für jede Anlage auf Technologien konzentrieren können, die die Betriebsbedingungen lernen können, die für eine bestimmte Anlage in der Umgebung, in der sie betrieben wird, einzigartig sind. Auf diese Weise können Sie Vorhersagen liefern, die die Ursachenanalyse und vorausschauende Wartungspraktiken unterstützen auf granularer Ebene pro Asset und auf Makroebene (indem Sie das entsprechende Dashboard zusammenstellen, damit Sie einen Überblick über mehrere Assets gleichzeitig erhalten). Das ist unser Ansatz und der Grund, warum wir uns für Lookout for Equipment entschieden haben.
Trainingsstrategie: Bewältigung der Kaltstart-Herausforderung
Das BHS, auf das wir abzielten, war zunächst nicht instrumentiert. Wir haben CloudRail-Sensoren installiert, um mit der Erfassung neuer Messungen von unserem System zu beginnen, aber das bedeutete, dass wir nur eine begrenzte historische Tiefe hatten, um unser ML-Modell zu trainieren. Wir haben die Kaltstart-Herausforderung in diesem Fall angegangen, indem wir erkannt haben, dass wir ein sich kontinuierlich verbesserndes System bauen. Nachdem die Sensoren installiert waren, sammelten wir eine Stunde lang Daten und duplizierten diese Informationen, um so schnell wie möglich mit der Verwendung von Lookout for Equipment zu beginnen und unsere gesamte Pipeline zu testen.
Die ersten Ergebnisse waren erwartungsgemäß recht instabil, da das ML-Modell einer sehr kurzen Betriebsdauer ausgesetzt war. Dies bedeutete, dass jedes neue Verhalten, das in der ersten Stunde nicht beobachtet wurde, gekennzeichnet wurde. Beim Betrachten der hochrangigen Sensoren schien die Temperatur an einem der Motoren der Hauptverdächtige zu sein (T2_MUC_ES_MTRL_TMP
in der folgenden Abbildung orange). Da die anfängliche Datenerfassung sehr eng war (1 Stunde), kam die Hauptänderung im Laufe des Tages von den Temperaturwerten (was mit den Umgebungsbedingungen zu dieser Zeit übereinstimmt).
Beim Abgleich mit den Umgebungsbedingungen um dieses spezielle Förderband haben wir bestätigt, dass die Außentemperatur stark angestiegen ist, was wiederum die von diesem Sensor gemessene Temperatur erhöht hat. Nachdem die neuen Daten (unter Berücksichtigung des Anstiegs der Außentemperatur) in den Trainingsdatensatz aufgenommen wurden, sind sie in diesem Fall Teil des normalen Verhaltens, wie es von Lookout for Equipment erfasst wird, und ähnliches Verhalten in der Zukunft wird mit geringerer Wahrscheinlichkeit auftreten Veranstaltungen.
Nach 5 Tagen wurde das Modell neu trainiert und die Falsch-Positiv-Raten sanken sofort drastisch:
Obwohl dieses Kaltstartproblem eine anfängliche Herausforderung war, um umsetzbare Erkenntnisse zu erhalten, haben wir diese Gelegenheit genutzt, um einen Umschulungsmechanismus zu entwickeln, den der Endbenutzer leicht auslösen kann. Einen Monat nach Beginn des Experiments haben wir ein neues Modell trainiert, indem wir die Sensordaten eines Monats in 3 Monate dupliziert haben. Dadurch wurden die Falsch-Positiv-Raten weiter reduziert, da das Modell einem breiteren Spektrum von Bedingungen ausgesetzt war. Ein ähnlicher Rückgang der Falsch-Positiv-Rate trat nach dieser Umschulung auf: Der vom System modellierte Zustand war näher an dem, was Benutzer im wirklichen Leben erleben. Nach 3 Monaten hatten wir endlich einen Datensatz, den wir ohne diesen Duplizierungstrick verwenden konnten.
Von nun an werden wir alle 3 Monate eine Nachschulung starten und so schnell wie möglich Daten von bis zu 1 Jahr verwenden, um die Saisonalität der Umweltbedingungen zu berücksichtigen. Wenn wir dieses System auf anderen Anlagen einsetzen, können wir diesen automatisierten Prozess wiederverwenden und das anfängliche Training nutzen, um unsere Sensordatenpipeline zu validieren.
Nachdem das Modell trainiert war, stellten wir das Modell bereit und begannen, Live-Daten an Lookout for Equipment zu senden. Mit Lookout for Equipment können Sie einen Planer konfigurieren, der regelmäßig (z. B. jede Stunde) aktiviert wird, um aktuelle Daten an das trainierte Modell zu senden und die Ergebnisse zu sammeln.
Nachdem wir nun wissen, wie ein Modell trainiert, verbessert und bereitgestellt wird, sehen wir uns die für die Endbenutzer implementierten operativen Dashboards an.
Datenvisualisierung und Einblicke
Endnutzer brauchen eine Möglichkeit, mehr Wert aus ihren Betriebsdaten zu ziehen, um ihre Asset-Nutzung zu verbessern. Mit QuickSight haben wir das Dashboard mit den von unserem IoT-System bereitgestellten Rohmessdaten verbunden, sodass Benutzer wichtige Geräte an einem bestimmten BHS vergleichen und gegenüberstellen können.
Im folgenden Dashboard können Benutzer die wichtigsten Sensoren überprüfen, die zur Überwachung des Zustands des BHS verwendet werden, und Änderungen der Metriken von Zeit zu Zeit erhalten.
Im vorherigen Diagramm können Benutzer jede unerwartete Unwucht der Messung für jeden Motor visualisieren (linkes und rechtes Diagramm für Temperatur, Ermüdung, Vibration, Reibung und Stoß). Unten sind die wichtigsten Leistungsindikatoren zusammengefasst, wobei Prognosen und Trends von Zeit zu Zeit genannt werden.
Endbenutzer können zu folgenden Zwecken auf Informationen zugreifen:
- Zeigen Sie historische Daten in Intervallen von 2 Stunden bis zu 24 Stunden an.
- Extrahieren Sie Rohdaten im CSV-Format für die externe Integration.
- Visualisieren Sie die Anlagenleistung über einen festgelegten Zeitraum.
- Gewinnen Sie Erkenntnisse für die Betriebsplanung und verbessern Sie die Anlagenauslastung.
- Korrelationsanalyse durchführen. Im folgenden Diagramm kann der Benutzer mehrere Messwerte (z. B. Motorermüdung vs. Temperatur oder Gepäckdurchsatz vs. Karussellgeschwindigkeit) visualisieren und dieses Dashboard verwenden, um die nächstbeste Wartungsmaßnahme besser zu informieren.
Eliminieren von Rauschen aus den Daten
Nach ein paar Wochen stellten wir fest, dass Lookout for Equipment einige Ereignisse ausgab, die als falsch positiv galten.
Bei der Analyse dieser Ereignisse entdeckten wir unregelmäßige Geschwindigkeitsabfälle des Karussellmotors.
Wir trafen uns mit dem Wartungsteam und sie teilten uns mit, dass es sich bei diesen Stopps entweder um Notstopps oder geplante Wartungsarbeiten während der Stillstandszeit handelte. Mit diesen Informationen markierten wir die Notstopps als Anomalien und gaben sie an Lookout for Equipment weiter, während die geplanten Ausfallzeiten als normales Verhalten für dieses Karussell betrachtet wurden.
Das Verständnis solcher Szenarien, in denen abnormale Daten durch kontrollierte externe Aktionen beeinflusst werden können, ist entscheidend, um die Genauigkeit des Anomalieerkennungsmodells im Laufe der Zeit zu verbessern.
Rauchprüfung
Nachdem das Modell einige Stunden neu trainiert wurde und relativ keine Anomalien festgestellt wurden, hat unser Team die Assets physisch belastet, was sofort vom System erkannt wurde. Dies ist eine häufige Anfrage von Benutzern, da sie sich mit dem System und seinen Reaktionen vertraut machen müssen.
Wir haben unser Dashboard so aufgebaut, dass Endbenutzer historische Anomalien unbegrenzt visualisieren können. Mithilfe eines Business-Intelligence-Dienstes können sie ihre Daten nach Belieben organisieren, und wir haben festgestellt, dass Balkendiagramme über einen Zeitraum von 24 Stunden oder Tortendiagramme der beste Weg sind, um sich einen guten Überblick über den Zustand des BHS zu verschaffen. Zusätzlich zu den Dashboards, die Benutzer jederzeit einsehen können, richten wir automatische Benachrichtigungen ein, die an eine bestimmte E-Mail-Adresse und per Textnachricht gesendet werden.
Extrahieren tieferer Erkenntnisse aus Anomalieerkennungsmodellen
In Zukunft beabsichtigen wir, tiefere Einblicke aus den mit Lookout for Equipment trainierten Anomalieerkennungsmodellen zu gewinnen. Wir werden QuickSight weiterhin verwenden, um einen erweiterten Satz von Widgets zu erstellen. Zum Beispiel haben wir festgestellt, dass die Datenvisualisierungs-Widgets in der angezeigt werden GitHub-Beispiele für Lookout for Equipment ermöglichen es uns, noch mehr Einblicke aus den Rohausgaben unserer Modelle zu gewinnen.
Die Ergebnisse
Reaktive Wartung in Gepäckabfertigungssystemen bedeutet Folgendes:
- Geringere Passagierzufriedenheit durch lange Wartezeiten oder beschädigtes Gepäck
- Geringere Anlagenverfügbarkeit aufgrund von ungeplanten Ausfällen und Bestandsengpässen bei kritischen Ersatzteilen
- Höhere Betriebskosten aufgrund steigender Lagerbestände zusätzlich zu höheren Wartungskosten
Die Weiterentwicklung Ihrer Wartungsstrategie zur Einbeziehung zuverlässiger, vorausschauender Analysen in den Entscheidungsfindungszyklus zielt darauf ab, den Anlagenbetrieb zu verbessern und erzwungene Abschaltungen zu vermeiden.
Die Überwachungsausrüstung wurde an einem Tag vor Ort installiert und von IoT-Experten vollständig aus der Ferne konfiguriert. Die in der Lösungsübersicht beschriebene Cloud-Architektur wurde dann innerhalb von 1 Tagen erfolgreich bereitgestellt. Eine schnelle Implementierungszeit beweist die Vorteile, die dem Endbenutzer vorgeschlagen werden, und führt schnell zu einer Verlagerung der Wartungsstrategie von einer menschlich-basierten reaktiven (Behebung von Ausfällen) zu einer maschinenbasierten, datengesteuerten proaktiven (Vermeidung von Ausfallzeiten).
Zusammenfassung
Die Zusammenarbeit zwischen Airis, CloudRail, Northbay Solutions und AWS führte zu neuen Errungenschaften am King Khalid International Airport (vgl Pressemitteilung für mehr Details). Im Rahmen seiner digitalen Transformationsstrategie plant der Flughafen Riad weitere Einsätze, um andere elektromechanische Systeme wie Fluggastbrücken und HLK-Systeme abzudecken.
Wenn Sie Kommentare zu diesem Beitrag haben, senden Sie diese bitte im Kommentarbereich. Wenn Sie Fragen zu dieser Lösung oder ihrer Implementierung haben, starten Sie bitte einen neuen Thread auf Erneut veröffentlichen, wo AWS-Experten und die breitere Community Sie unterstützen können.
Über die Autoren
Moulham Zahabi ist ein Luftfahrtspezialist mit über 11 Jahren Erfahrung in der Konzeption und Verwaltung von Luftfahrtprojekten und der Verwaltung kritischer Flughafenanlagen in der GCC-Region. Er ist auch einer der Mitbegründer von Airis-Solutions.ai, das darauf abzielt, die digitale Transformation der Luftfahrtindustrie durch innovative KI/ML-Lösungen für Flughäfen und Logistikzentren anzuführen. Heute leitet Moulham das Asset Management Directorate der Saudi Civil Aviation Holding Company (Matarat).
Fauzan Khan ist ein Senior Solutions Architect, der mit Kunden des öffentlichen Sektors zusammenarbeitet und Anleitungen zum Entwerfen, Bereitstellen und Verwalten ihrer AWS-Workloads und -Architekturen gibt. Fauzan unterstützt Kunden leidenschaftlich gerne bei der Einführung innovativer Cloud-Technologien im Bereich HPC und KI/ML, um geschäftliche Herausforderungen zu meistern. Außerhalb der Arbeit verbringt Fauzan gerne Zeit in der Natur.
Michael Hoarau ist AI/ML Specialist Solutions Architect bei AWS, der je nach Moment zwischen Data Scientist und Machine Learning Architect wechselt. Er ist leidenschaftlich daran interessiert, die KI/ML-Leistung in die Produktionsstätten seiner Industriekunden zu bringen, und hat an einer Vielzahl von ML-Anwendungsfällen gearbeitet, die von der Anomalieerkennung bis hin zur prädiktiven Produktqualität oder Fertigungsoptimierung reichen. Er veröffentlichte Ein Buch über Zeitreihenanalyse im Jahr 2022 und schreibt regelmäßig über dieses Thema auf LinkedIn und Medium. Wenn er Kunden nicht dabei hilft, die nächstbesten Erfahrungen mit maschinellem Lernen zu entwickeln, beobachtet er gerne die Sterne, reist oder spielt Klavier.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :Ist
- $UP
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- Fähig
- Über Uns
- beschleunigen
- Zugang
- entsprechend
- Konto
- Buchhaltung
- Genauigkeit
- genau
- genau
- Erreichen
- Leistung
- Erreichen
- erwerben
- über
- Handlung
- Action
- Aktionen
- Aktivitäten
- Handlungen
- Zusatz
- Zusätzliche
- zusätzlich
- Adresse
- Adressierung
- adoptieren
- Nach der
- AI
- AI / ML
- AIDS
- Ziel
- Flughafen
- Flughäfen
- Warnmeldungen
- Ausrichtung
- Alle
- Zulassen
- erlaubt
- Amazon
- Amazon Lookout für Ausrüstung
- Analyse
- Analytik
- Analysen
- Analyse
- und
- Jährlich
- Anomalieerkennung
- erscheinen
- Anwendung
- Anwendungen
- Ansatz
- Ansätze
- angemessen
- Architektur
- SIND
- Bereich
- um
- ankommen
- AS
- Vermögenswert
- Vermögensverwaltung
- Details
- At
- Automatisiert
- Im Prinzip so, wie Sie es von Google Maps kennen.
- Verfügbarkeit
- Luftfahrt
- AWS
- Taschen
- Bar
- basierend
- BE
- weil
- Bevor
- Vorteile
- BESTE
- Besser
- zwischen
- Milliarden
- Blockiert
- Internat
- buchen
- Boden
- Bound
- Breakdown
- geht kaputt
- Brücken
- Bringing
- breiteres
- bauen
- Building
- erbaut
- Geschäft
- Business Intelligence
- by
- namens
- CAN
- Erfassung
- Karussell
- Häuser
- Fälle
- Verursachen
- Centers
- zentralisierte
- sicher
- Kette
- challenges
- Herausforderungen
- herausfordernd
- Übernehmen
- Änderungen
- Charts
- aus der Ferne überprüfen
- geschlossen
- näher
- Cloud
- Mitbegründer
- sammeln
- Das Sammeln
- Kommen
- Bemerkungen
- gemeinsam
- Kommunikation
- community
- Unternehmen
- vergleichen
- verglichen
- uneingeschränkt
- Komplex
- Komplexität
- Komponente
- Komponenten
- Berechnen
- konzept
- Zustand
- Bedingungen
- Vertrauen
- BESTÄTIGT
- Vernetz Dich
- Sie
- Verbindung
- Konnektivität
- betrachtet
- konsistent
- enthält
- Kontext
- fortsetzen
- weiter
- kontinuierlich
- ständig
- Kontrast
- Smartgeräte App
- gesteuert
- Steuerung
- Zusammenarbeit
- Kernbereich
- Korrelation
- Kosten
- Kosten
- könnte
- Counter
- Kurs
- Abdeckung
- erstellen
- kritischem
- Kunde
- Kundenzufriedenheit
- Kunden
- Zyklus
- Armaturenbrett
- technische Daten
- Datensee
- Datenpunkte
- Datenwissenschaft
- Datenwissenschaftler
- Datenvisualisierung
- datengesteuerte
- Datum
- Tag
- Tage
- entschieden
- Decision Making
- Entscheidungen
- tiefer
- Übergeben
- geliefert
- Lieferanten
- abhängig
- Abhängig
- hängt
- einsetzen
- Einsatz
- Bereitstellen
- Einsatz
- Implementierungen
- Tiefe
- beschreiben
- beschrieben
- Design
- bezeichnet
- Entwerfen
- Details
- erkannt
- Entdeckung
- Bestimmen
- Festlegung
- entwickeln
- entwickelt
- Entwicklung
- Gerät
- Geräte
- anders
- schwer
- digital
- Digitale Transformation
- Direkt
- entdeckt
- Störung
- Störung
- Störungen
- Abstand
- verteilt
- Tut nicht
- Domain
- Nicht
- nach unten
- Ausfallzeit
- drastisch
- Drop
- Drops
- im
- dynamisch
- jeder
- Früh
- einfacher
- leicht
- Edge
- Wirksamkeit
- entweder
- Element
- Elemente
- Notfall
- ermöglichen
- ermöglicht
- gewährleisten
- sorgt
- Ganz
- Arbeitsumfeld
- Umwelt-
- Ausrüstung
- Fehler
- Fehler
- Sogar
- Event
- Veranstaltungen
- Jedes
- jedermann
- Beispiel
- Beispiele
- überschreiten
- Exzellenz
- vorhandenen
- ergänzt
- erwarten
- erwartet
- Kosten
- ERFAHRUNGEN
- Erfahrungen
- erleben
- Experte
- Experten
- ausgesetzt
- Belichtung
- extern
- Extrakt
- Scheitern
- vertraut machen
- FAST
- beschleunigt
- Müdigkeit
- Fed
- wenige
- Abbildung
- Endlich
- Finden Sie
- Vorname
- markiert
- FLOTTE
- Flüge
- Fluss
- Fliegen
- Setzen Sie mit Achtsamkeit
- Folgende
- Aussichten für
- Prognose
- Format
- vorwärts
- gefunden
- frisch
- Reibung
- für
- voll
- Funktion
- Funktionen
- weiter
- Zukunft
- Gewinnen
- Tor
- GCC
- GCC-Region
- Deutsch
- bekommen
- gegeben
- Global
- Global
- GmbH
- gut
- groß
- GUEST
- Guest Post
- die Vermittlung von Kompetenzen,
- Griff
- Handling
- passieren
- passiert
- Haben
- mit
- Überschrift
- schwer
- Hilfe
- Unternehmen
- hilft
- GUTE
- höher
- historisch
- Geschichte
- Hit
- Halten
- STUNDEN
- Ultraschall
- Hilfe
- aber
- hpc
- HTTPS
- identisch
- identifiziert
- identifizieren
- Image
- Bilder
- Unausgewogenheit
- sofort
- Impact der HXNUMXO Observatorien
- Implementierung
- umgesetzt
- auferlegte
- zu unterstützen,
- Verbesserung
- in
- Dazu gehören
- Eingehende
- integrieren
- Incorporated
- Erhöhung
- hat
- zunehmend
- Anzeigen
- industriell
- Industrie
- beeinflusst
- informieren
- Information
- informiert
- Infrastruktur
- Anfangs-
- innovativ
- Einblicke
- installiert
- Instanz
- integriert
- Integration
- Intelligenz
- wollen
- interaktive
- Schnittstelle
- störende
- International
- Internet
- Internet der Dinge
- Inventar
- iot
- iot Geräte
- Probleme
- IT
- SEINE
- Reise
- jpg
- Wesentliche
- King
- Wissen
- Wissen
- See
- Sprache
- Latency
- neueste
- starten
- führen
- führenden
- LERNEN
- gelernt
- lernen
- geführt
- Länge
- Programm
- Lessons Learned
- Lasst uns
- Niveau
- Cholesterinspiegel
- Lebensdauer
- Lebenszyklus
- Gefällt mir
- wahrscheinlich
- Limitiert
- Line
- LINK
- leben
- Lebensdaten
- örtlich
- Standorte
- aussehen
- suchen
- verlieren
- Sneaker
- Maschine
- Maschinelles Lernen
- Makro
- Main
- halten
- Aufrechterhaltung
- Wartung
- um
- MACHT
- Making
- verwalten
- verwaltet
- Management
- Managed
- flächendeckende Gesundheitsprogramme
- Herstellung
- viele
- massiv
- Abstimmung
- Kann..
- Mittel
- messen
- Messungen
- Messen
- Mechanismus
- mittlere
- Nachricht
- Nachrichten
- Methoden
- Metrik
- Million
- Millionen
- Mindset
- ML
- Modell
- für
- modern
- Modi
- Moment
- Überwachen
- Überwachung
- Monat
- Monat
- mehr
- vor allem warme
- Motor
- Motoren
- ziehen um
- mehrere
- Natürliche
- Natur
- notwendig,
- Need
- Bedürfnisse
- Neu
- weiter
- Lärm
- normal
- erhalten
- of
- on
- Onboard
- EINEM
- betreiben
- betrieben
- arbeitet
- die
- Betrieb
- Betriebs-
- Einkauf & Prozesse
- Betreiber
- Gelegenheit
- optimal
- Optimierung
- Optimieren
- Orange
- Organisation
- Andere
- aussen
- Gesamt-
- Überblick
- Teil
- Partner
- Teile
- leidenschaftlich
- passt
- Patches
- Muster
- Leistung
- Zeit
- Personal
- Phase
- physikalisch
- Physisch
- Stücke
- Pipeline
- geplant
- Planung
- Pläne
- Plattform
- Plato
- Datenintelligenz von Plato
- PlatoData
- spielend
- Bitte
- Punkte
- Portal
- positiv
- möglich
- Post
- Werkzeuge
- angetriebene
- Praktiken
- genau
- Prognosen
- Vorausschauende Analytik
- Premier
- Presse
- vorherrschend
- Verhütung
- Proaktives Handeln
- Sonde
- Aufgabenstellung:
- Probleme
- Prozessdefinierung
- Produkt
- Produktqualität
- Produktion
- Fortschritt
- Projekte
- Beweis
- Proof of Concept
- richtig
- vorgeschlage
- Protokoll
- Prototyping
- Beweist
- die
- vorausgesetzt
- Anbieter
- bietet
- Bereitstellung
- Öffentlichkeit
- veröffentlicht
- Zwecke
- Qualität
- Fragen
- schnell
- erhöhen
- Angebot
- Bereich
- Bewerten
- Honorar
- Roh
- Reagiert
- echt
- wahres Leben
- Echtzeit
- realistisch
- Grund
- empfehlen
- Empfehlungen
- Veteran
- Reduzierung
- Region
- regelmäßig
- Beziehungen
- verhältnismäßig
- zuverlässig
- bleibt bestehen
- ersetzen
- Anforderung
- falls angefordert
- erfordert
- Die Ergebnisse
- Wiederverwendung
- Anstieg
- Risiko
- Gerollt
- Wurzel
- Straße
- Führen Sie
- SaaS
- Safe
- gleich
- Zufriedenheit
- Saudi
- Waage
- Szenarien
- Zeitplan
- Wissenschaft
- Wissenschaftler
- nahtlos
- Sekundär-
- Sekunden
- Abschnitt
- Bibliotheken
- Verbindung
- sicher
- Sicherheitdienst
- schien
- Segmente
- ausgewählt
- Sendung
- Senior
- Sensoren
- Modellreihe
- Fertige Server
- Dienstleister
- Lösungen
- kompensieren
- mehrere
- Formen
- verschieben
- Shop
- Mangel
- erklären
- gezeigt
- Konzerte
- Abschaltungen
- Sehenswürdigkeit
- Signale
- bedeutend
- ähnlich
- Single
- beträchtlich
- Größen
- Fähigkeiten
- klein
- smart
- Rauchen
- Software
- Software als Service
- Lösung
- Lösungen
- Löst
- einige
- anspruchsvoll
- Spezialist
- spezifisch
- Geschwindigkeit
- Ausgabe
- Sterne
- Anfang
- begonnen
- Bundesstaat
- State-of-the-art
- Stoppt
- Lagerung
- Strategien
- Strategie
- rationalisieren
- abschicken
- erfolgreich
- Erfolgreich
- so
- liefern
- Supply Chain
- Support
- Unterstützung
- System
- Systeme und Techniken
- Tabelle
- gezielt
- Team
- Teams
- Technologies
- Technologie
- Terminal
- Test
- Testen
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Die Gegend
- Die Zukunft
- ihr
- Sie
- sich
- deswegen
- Thermal-
- Diese
- dachte
- Tausende
- Durch
- während
- Durchsatz
- Zeit
- Zeitfolgen
- mal
- zeitliche Koordinierung
- zu
- heute
- Thema
- gegenüber
- traditionell
- Training
- trainiert
- Ausbildung
- Transformation
- Transformationsstrategie
- Reise
- Trends
- auslösen
- Billionen
- WENDE
- typisch
- typisch
- zugrunde liegen,
- verstehen
- Unerwartet
- einzigartiges
- Einheit
- unbegrenzt
- us
- -
- Mitglied
- Nutzer
- gewöhnlich
- Nutzen
- BESTÄTIGEN
- Wert
- Werte
- verschiedene
- Geschwindigkeit
- Anzeigen
- Visualisierung
- lebenswichtig
- flüchtig
- Volumen
- vs
- warten
- Warnung
- Weg..
- Wetter
- Wochen
- Was
- ob
- welche
- während
- WHO
- breit
- Große Auswahl
- werden wir
- mit
- .
- ohne
- Arbeiten
- gearbeitet
- Belegschaft
- arbeiten,
- wert
- würde
- Jahr
- Jahr
- Du
- Ihr
- Zephyrnet