Zuverlässigkeitsmanager und Techniker in industriellen Umgebungen wie Produktionslinien, Lagern und Industrieanlagen sind bestrebt, den Zustand und die Betriebszeit der Ausrüstung zu verbessern, um die Produktleistung und -qualität zu maximieren. Maschinen- und Prozessausfälle werden häufig durch reaktive Aktivitäten nach Vorfällen oder durch kostspielige vorbeugende Wartung behoben, bei der Sie Gefahr laufen, die Geräte zu lange zu warten oder Probleme zu übersehen, die zwischen den regelmäßigen Wartungszyklen auftreten können. Predictive Condition Based Maintenance ist eine proaktive Strategie, die besser ist als reaktive oder präventive. Tatsächlich kombiniert dieser Ansatz kontinuierliche Überwachung, prädiktive Analysen und Just-in-Time-Aktionen. Dies ermöglicht Wartungs- und Zuverlässigkeitsteams, Geräte nur dann zu warten, wenn dies erforderlich ist, basierend auf dem tatsächlichen Gerätezustand.
Es gab gemeinsame Herausforderungen bei der zustandsbasierten Überwachung, um umsetzbare Erkenntnisse für große Industrieanlagenflotten zu generieren. Diese Herausforderungen umfassen, sind aber nicht beschränkt auf: Aufbau und Wartung einer komplexen Infrastruktur von Sensoren, die Daten aus dem Feld sammeln, eine zuverlässige Übersicht über die Flotten industrieller Anlagen auf hoher Ebene erhalten, Fehlerwarnungen effizient verwalten, mögliche Grundursachen von Anomalien identifizieren und effektiv visualisieren den Zustand industrieller Vermögenswerte im Maßstab.
Amazon-Monitor ist eine End-to-End-Zustandsüberwachungslösung, mit der Sie innerhalb von Minuten mit der Überwachung des Gerätezustands mithilfe von maschinellem Lernen (ML) beginnen können, sodass Sie eine vorausschauende Wartung implementieren und ungeplante Ausfallzeiten reduzieren können. Es umfasst Sensorgeräte zur Erfassung von Vibrations- und Temperaturdaten, ein Gateway-Gerät zur sicheren Übertragung von Daten in die AWS Cloud, den Amazon Monitron-Service, der die Daten mit ML auf Anomalien analysiert, und eine begleitende mobile App zur Verfolgung potenzieller Fehler in Ihren Maschinen. Ihre Außendiensttechniker und Bediener können die App direkt verwenden, um die Wartung von Industrieanlagen zu diagnostizieren und zu planen.
Aus Sicht des Operational Technology (OT)-Teams eröffnet die Verwendung der Amazon Monitron-Daten dank KI auch neue Wege, um den Betrieb großer industrieller Anlagenflotten zu verbessern. OT-Teams können die präventive Wartungspraxis ihrer Organisation verstärken, indem sie eine konsolidierte Ansicht über mehrere Hierarchien (Anlagen, Standorte und Anlagen) erstellen. Sie können tatsächliche Mess- und ML-Inferenzergebnisse mit unbestätigten Alarmen, Verbindungsstatus von Sensoren oder Fluchtwegen oder Zustandsübergängen von Assets kombinieren, um eine Zusammenfassung auf hoher Ebene für den Bereich (Asset, Standort, Projekt) zu erstellen, auf den sie sich konzentrieren.
Mit dem kürzlich gestarteten Amazon Monitron Kinesis-Datenexport v2-Funktion, kann Ihr OT-Team eingehende Messdaten und Inferenzergebnisse von Amazon Monitron über streamen Amazon Kinesis zu AWS Einfacher Speicherservice (Amazon S3) zum Aufbau eines Datensees für das Internet der Dinge (IoT). Durch die Nutzung der neuestes Datenexportschema, können Sie den Konnektivitätsstatus von Sensoren, den Konnektivitätsstatus von Gateways, die Ergebnisse der Messklassifizierung, den Grundcode für die Schließung und Details zu Ereignissen für den Zustandsübergang von Assets abrufen.
Überblick über Anwendungsfälle
Der angereicherte Datenstrom, den Amazon Monitron jetzt verfügbar macht, ermöglicht es Ihnen, mehrere wichtige Anwendungsfälle zu implementieren, wie z. Lassen Sie uns in diese Anwendungsfälle eintauchen.
Sie können den Amazon Monitron Kinesis-Datenexport v2 verwenden, um Arbeitsaufträge in Enterprise Asset Management (EAM)-Systemen wie Infor EAM, SAP Asset Management oder IBM Maximo zu erstellen. Zum Beispiel im Video Vermeidung mechanischer Probleme mit vorausschauender Wartung und Amazon Monitronkönnen Sie erfahren, wie unsere Amazon-Versandzentren mechanische Probleme auf Förderbändern mit Amazon Monitron-Sensoren vermeiden, die in Software von Drittanbietern wie das bei Amazon verwendete EAM integriert sind, sowie mit den verwendeten Chatroom-Technikern. Dies zeigt, wie Sie Erkenntnisse aus Amazon Monitron auf natürliche Weise in Ihre bestehenden Arbeitsabläufe integrieren können. Bleiben Sie in den kommenden Monaten dran, um die nächste Ausgabe dieser Serie mit einer tatsächlichen Implementierung dieser Integrationsarbeiten zu lesen.
Sie können den Datenstrom auch verwenden, um Amazon Monitron-Einblicke zurück in ein Fertigungssystem wie z. B. ein SCADA (Supervisory Control and Data Acquisition) oder einen Historian zu übernehmen. Produktionsmitarbeiter sind effizienter, wenn alle Einblicke in ihre Anlagen und Prozesse in einer einzigen Glasscheibe bereitgestellt werden. In diesem Konzept wird Amazon Monitron nicht zu einem weiteren Tool, das Techniker überwachen müssen, sondern zu einer weiteren Datenquelle mit Einblicken in der gewohnten Einzelansicht. Später in diesem Jahr werden wir auch eine Architektur beschreiben, die Sie verwenden können, um diese Aufgabe auszuführen und Amazon Monitron-Feedback an wichtige SCADA-Systeme und Historians von Drittanbietern zu senden.
Nicht zuletzt enthält der neue Datenstrom von Amazon Monitron die Asset-Zustandsübergänge und Abschlusscodes, die von Benutzern beim Bestätigen von Alarmen bereitgestellt werden (die den Übergang in einen neuen Zustand auslösen). Dank dieser Daten können Sie automatisch Visualisierungen erstellen, die Echtzeitberichte über die Fehler und Maßnahmen liefern, die während des Betriebs ihrer Anlagen ergriffen wurden.
Ihr Team kann dann ein umfassenderes Datenanalyse-Dashboard erstellen, um Ihr industrielles Flottenmanagement zu unterstützen, indem es diese Asset-Statusdaten mit Amazon Monitron-Messdaten und anderen IoT-Daten über große industrielle Asset-Flotten hinweg kombiniert, indem es wichtige AWS-Services verwendet, die wir in diesem Beitrag beschreiben. Wir erklären, wie man einen IoT-Data Lake erstellt, den Arbeitsablauf zum Produzieren und Konsumieren der Daten sowie ein zusammenfassendes Dashboard zur Visualisierung von Amazon Monitron-Sensordaten und Inferenzergebnissen. Wir verwenden einen Amazon Monitron-Datensatz, der aus etwa 780 Sensoren stammt, die in einem Industrielager installiert sind, das seit mehr als einem Jahr in Betrieb ist. Eine ausführliche Installationsanleitung für Amazon Monitron finden Sie unter Erste Schritte mit Amazon Monitron.
Lösungsüberblick
Amazon Monitron bietet ML-Inferenz des Asset-Gesundheitsstatus nach 21 Tagen der ML-Modellschulung für jedes Vermögen. In dieser Lösung werden die Messdaten und die ML-Inferenz von diesen Sensoren über Amazon S3 exportiert Amazon Kinesis-Datenströme mit dem neueste Amazon Monitron-Datenexportfunktion. Sobald Amazon Monitron IoT-Daten in Amazon S3 verfügbar sind, werden eine Datenbank und eine Tabelle darin erstellt Amazonas Athena mit einem AWS Glue Crawler. Sie können Amazon Monitron-Daten über AWS Glue-Tabellen mit Athena abfragen und die Messdaten und ML-Inferenz mit visualisieren Von Amazon verwaltetes Grafana. Mit Amazon Managed Grafana können Sie Beobachtbarkeits-Dashboards erstellen, untersuchen und mit Ihrem Team teilen und weniger Zeit mit der Verwaltung Ihrer Grafana-Infrastruktur verbringen. In diesem Beitrag verbinden Sie Amazon Managed Grafana mit Athena und erfahren, wie Sie ein Datenanalyse-Dashboard mit Amazon Monitron-Daten erstellen, um Ihnen bei der Planung des Betriebs von Industrieanlagen in großem Maßstab zu helfen.
Der folgende Screenshot ist ein Beispiel dafür, was Sie am Ende dieses Beitrags erreichen können. Dieses Dashboard ist in drei Abschnitte unterteilt:
- Pflanzenansicht – Analytische Informationen von allen Sensoren in allen Anlagen; B. die Gesamtzahl verschiedener Zustände von Sensoren (fehlerfrei, Warnung oder Alarm), die Anzahl unbestätigter und bestätigter Alarme, die Gateway-Konnektivität und die durchschnittliche Wartungszeit
- Site-Ansicht – Statistiken auf Standortebene, z. B. Bestandsstatusstatistiken an jedem Standort, Gesamtzahl der Tage, an denen ein Alarm unbestätigt bleibt, Anlagen mit der besten/schlechtesten Leistung an jedem Standort und mehr
- Asset-Ansicht – Zusammenfassende Informationen für das Amazon Monitron-Projekt auf Asset-Ebene, wie z. B. der Alarmtyp für einen unbestätigten Alarm (ISO oder ML), die Zeitleiste für einen Alarm und mehr
Diese Panels sind Beispiele, die bei der strategischen Betriebsplanung helfen können, aber sie sind nicht ausschließlich. Sie können einen ähnlichen Workflow verwenden, um das Dashboard entsprechend Ihrem Ziel-KPI anzupassen.
Architektur Überblick
Die Lösung, die Sie in diesem Beitrag erstellen werden, kombiniert Amazon Monitron, Kinesis Data Streams, Amazon Kinesis Data Firehose, Amazon S3, AWS Glue, Athena und Amazon Managed Grafana.
Das folgende Diagramm veranschaulicht die Lösungsarchitektur. Amazon Monitron-Sensoren messen und erkennen Anomalien von Geräten. Sowohl Messdaten als auch ML-Inferenzausgaben werden einmal pro Stunde in einen Kinesis-Datenstrom exportiert und über Kinesis Data Firehose mit einem 3-Minuten-Puffer an Amazon S1 geliefert. Die exportierten Amazon Monitron-Daten liegen im JSON-Format vor. Ein AWS Glue-Crawler analysiert die Amazon Monitron-Daten in Amazon S3 mit einer ausgewählten Häufigkeit von einmal pro Stunde, erstellt ein Metadatenschema und erstellt Tabellen in Athena. Schließlich verwendet Amazon Managed Grafana Athena, um die Amazon S3-Daten abzufragen, sodass Dashboards erstellt werden können, um sowohl Messdaten als auch den Gerätezustand zu visualisieren.
Um diese Lösung zu erstellen, führen Sie die folgenden allgemeinen Schritte aus:
- Aktivieren Sie einen Kinesis Data Stream-Export aus Amazon Monitron und erstellen Sie einen Datenstream.
- Konfigurieren Sie Kinesis Data Firehose, um Daten aus dem Datenstrom an einen S3-Bucket zu liefern.
- Erstellen Sie den AWS Glue-Crawler, um eine Tabelle mit Amazon S3-Daten in Athena zu erstellen.
- Erstellen Sie mit Amazon Managed Grafana ein Dashboard von Amazon Monitron-Geräten.
Voraussetzungen:
Für diese exemplarische Vorgehensweise sollten Sie die folgenden Voraussetzungen erfüllen:
Stellen Sie außerdem sicher, dass sich alle von Ihnen bereitgestellten Ressourcen in derselben Region befinden.
Aktivieren Sie einen Kinesis-Datenstromexport von Amazon Monitron und erstellen Sie einen Datenstrom
Führen Sie die folgenden Schritte aus, um Ihren Datenstromexport zu konfigurieren:
- Wählen Sie auf der Amazon Monitron-Konsole auf der Hauptseite Ihres Projekts aus Live-Datenexport starten.
- Der Wählen Sie Amazon Kinesis-Datenstrom aus, wählen Erstellen Sie einen neuen Datenstrom.
- Der Konfiguration des Datenstroms, geben Sie Ihren Datenstromnamen ein.
- Aussichten für Kapazität des Datenstroms, wählen Auf Nachfrage.
- Auswählen Datenstrom erstellen.
Beachten Sie, dass jeder Live-Datenexport, der nach dem 4. April 2023 aktiviert wird, Daten gemäß dem Kinesis Data Streams v2-Schema streamt. Wenn Sie einen vorhandenen Datenexport haben, der vor diesem Datum aktiviert wurde, folgt das Schema dem v1-Format.
Sie können jetzt Live-Datenexportinformationen auf der Amazon Monitron-Konsole mit Ihrem angegebenen Kinesis-Datenstrom anzeigen.
Konfigurieren Sie Kinesis Data Firehose, um Daten an einen S3-Bucket zu liefern
Führen Sie die folgenden Schritte aus, um Ihren Firehose-Bereitstellungsstream zu konfigurieren:
- Wählen Sie auf der Kinesis-Konsole aus Lieferströme im Navigationsbereich.
- Auswählen Lieferstrom erstellen.
- Aussichten für QuelleWählen Amazon Kinesis-Datenströme.
- Aussichten für ReisezielWählen Amazon S3.
- Der QuelleinstellungenZ. Kinesis-Datenstrom, geben Sie den ARN Ihres Kinesis-Datenstroms ein.
- Der Name des Lieferstreams, geben Sie den Namen Ihres Kinesis-Datenstroms ein.
- Der Zieleinstellungen, wählen Sie einen S3-Bucket aus oder geben Sie einen Bucket-URI ein. Sie können entweder einen vorhandenen S3-Bucket verwenden, um Amazon Monitron-Daten zu speichern, oder Sie können einen neuen S3-Bucket erstellen.
- Aktivieren Sie die dynamische Partitionierung mit Inline-Parsing für JSON:
- Auswählen Aktiviert für Dynamische Partitionierung.
- Auswählen Aktiviert für Inline-Parsing für JSON.
- Der Dynamische Partitionierungsschlüssel, fügen Sie die folgenden Partitionsschlüssel hinzu:
Schlüsselname | JQ-Ausdruck |
Projekt | .projectName| "project=(.)" |
am Standort | .eventPayload.siteName| "site=(.)" |
Vermögenswert | .eventPayload.assetName| "asset=(.)" |
Position | .eventPayload.positionName| "position=(.)" |
Zeit | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- Auswählen Wenden Sie dynamische Partitionierungsschlüssel an und bestätigen Sie, dass das generierte S3-Bucket-Präfix lautet:
- Geben Sie ein Präfix für ein S3-Bucket-Fehlerausgabepräfix. Alle JSON-Nutzlasten, die die zuvor beschriebenen Schlüssel nicht enthalten, werden in diesem Präfix bereitgestellt. Zum Beispiel die
gatewayConnected
undgatewayDisconnected
Ereignisse sind nicht mit einem bestimmten Vermögenswert oder einer bestimmten Position verknüpft. Daher enthalten sie nicht dieassetName
undpositionName
Felder. Wenn Sie dieses optionale Präfix hier angeben, können Sie diesen Standort überwachen und diese Ereignisse entsprechend verarbeiten. - Auswählen Lieferstrom erstellen.
Sie können die Amazon Monitron-Daten im S3-Bucket überprüfen. Beachten Sie, dass die Amazon Monitron-Daten Live-Daten einmal pro Stunde exportieren. Warten Sie also 1 Stunde, um die Daten zu überprüfen.
Dieses Kinesis Data Firehose-Setup ermöglicht die dynamische Partitionierung, und die bereitgestellten S3-Objekte verwenden das folgende Schlüsselformat:
Erstellen Sie den AWS Glue-Crawler, um eine Tabelle mit Amazon S3-Daten in Athena zu erstellen
Nachdem die Live-Daten nach Amazon S3 exportiert wurden, verwenden wir einen AWS Glue-Crawler, um die Metadatentabellen zu generieren. In diesem Beitrag verwenden wir AWS Glue-Crawler, um automatisch Datenbank- und Tabellenschemas aus Amazon Monitron-Daten abzuleiten, die in Amazon S3 exportiert wurden, und speichern die zugehörigen Metadaten im AWS Glue-Datenkatalog. Athena verwendet dann die Tabellenmetadaten aus dem Datenkatalog, um die Daten in Amazon S3 zu finden, zu lesen und zu verarbeiten. Führen Sie die folgenden Schritte aus, um Ihre Datenbank und Ihr Tabellenschema zu erstellen:
- Wählen Sie in der AWS Glue-Konsole aus Crawlers im Navigationsbereich.
- Auswählen Crawler erstellen.
- Geben Sie einen Namen für den Crawler ein (z. B.
XXX_xxxx_monitron
). - Auswählen Weiter.
- Aussichten für Sind Ihre Daten bereits Glue-Tabellen zugeordnet?, wählen Noch nicht.
- Aussichten für Datenquelle, wählen S3.
- Aussichten für Speicherort von S3-Daten, wählen In diesem Konto, und geben Sie den Pfad Ihres S3-Bucket-Verzeichnisses ein, das Sie im vorherigen Abschnitt eingerichtet haben (
s3://YourBucketName
). - Aussichten für Wiederholen Sie Crawls von S3-DatenspeichernWählen Crawlen Sie alle Unterordner.
- Schließlich wählen Sie Weiter.
- Auswählen Neue IAM-Rolle erstellen und geben Sie einen Namen für die Rolle ein.
- Auswählen Weiter.
- Auswählen Datenbank hinzufügen, und geben Sie einen Namen für die Datenbank ein. Dadurch wird die Athena-Datenbank erstellt, in der sich Ihre Metadatentabellen befinden, nachdem der Crawler abgeschlossen ist.
- Aussichten für Crawler-Zeitplan, wählen Sie einen bevorzugten zeitbasierten Planer (z. B. stündlich) aus, um die Amazon Monitron-Daten in der Datenbank zu aktualisieren, und wählen Sie aus Weiter.
- Überprüfen Sie die Crawler-Details und wählen Sie aus Erstellen.
- Auf dem Crawlers Seite der AWS Glue-Konsole, wählen Sie den von Ihnen erstellten Crawler aus und wählen Sie Führen Sie den Crawler aus.
Abhängig von der Größe der Daten müssen Sie möglicherweise einige Minuten warten. Wenn der Vorgang abgeschlossen ist, wird der Status des Crawlers als angezeigt Bereit. Um die Metadatentabellen anzuzeigen, navigieren Sie zu Ihrer Datenbank auf der Datenbanken Seite und wählen Tische im Navigationsbereich.
Sie können Daten auch anzeigen, indem Sie wählen Tabellendaten auf der Konsole.
Sie werden zur Athena-Konsole umgeleitet, um die Top 10 Datensätze der Amazon Monitron-Daten in Amazon S3 anzuzeigen.
Erstellen Sie mit Amazon Managed Grafana ein Dashboard von Amazon Monitron-Geräten
In diesem Abschnitt erstellen wir ein benutzerdefiniertes Dashboard mit Amazon Managed Grafana, um Amazon Monitron-Daten in Amazon S3 zu visualisieren, damit das OT-Team einen optimierten Zugriff auf Assets im Alarmzustand in seiner gesamten Amazon Monitron-Sensorflotte erhält. Dies ermöglicht es dem OT-Team, die nächsten Schritte auf der Grundlage der möglichen Grundursache der Anomalien zu planen.
Zu Erstellen Sie einen Grafana-ArbeitsbereichFühren Sie die folgenden Schritte aus:
- Stellen Sie sicher, dass Ihre Benutzerrolle Administrator oder Bearbeiter ist.
- Wählen Sie in der Amazon Managed Grafana-Konsole Arbeitsbereich erstellen.
- Aussichten für Arbeitsbereichsname, geben Sie einen Namen für den Arbeitsbereich ein.
- Auswählen Weiter.
- Aussichten für AuthentifizierungszugriffWählen AWS IAM Identity Center (Nachfolger von AWS Single Sign-On). Sie können dasselbe verwenden AWS IAM Identity Center-Benutzer die Sie zum Einrichten Ihres Amazon Monitron-Projekts verwendet haben.
- Auswählen Weiter.
- Bestätigen Sie dies für diesen ersten Arbeitsbereich Dienst verwaltet ist ausgewählt für Berechtigungstyp. Diese Auswahl ermöglicht es Amazon Managed Grafana, automatisch die Berechtigungen bereitzustellen, die Sie für die AWS-Datenquellen benötigen, die Sie für diesen Arbeitsbereich verwenden.
- Auswählen Leistungsbilanz.
- Auswählen Weiter.
- Bestätigen Sie die Arbeitsbereichsdetails und wählen Sie aus Arbeitsbereich erstellen. Die Seite mit den Arbeitsbereichsdetails wird angezeigt. Zunächst ist der Status ERSTELLEN.
- Warten Sie, bis der Status lautet ACTIVE um mit dem nächsten Schritt fortzufahren.
Führen Sie die folgenden Schritte aus, um Ihre Athena-Datenquelle zu konfigurieren:
- Wählen Sie in der Amazon Managed Grafana-Konsole den Arbeitsbereich aus, an dem Sie arbeiten möchten.
- Auf dem Datenquellen Registerkarte, wählen Sie Amazonas Athena, und wähle Aktionen, Vom Dienst verwaltete Richtlinie aktivieren.
- Auswählen Konfigurieren Sie in Grafana der Amazonas Athena Reihe.
- Melden Sie sich bei Bedarf mit IAM Identity Center bei der Grafana-Workspace-Konsole an. Der Benutzer sollte die Athena-Zugriffsrichtlinie mit dem Benutzer oder der Rolle verknüpft haben, um Zugriff auf die Athena-Datenquelle zu haben. Sehen Von AWS verwaltete Richtlinie: AmazonGrafanaAthenaAccess for more info
- Wählen Sie in der Grafana-Arbeitsbereichskonsole im Navigationsbereich das untere AWS-Symbol (es gibt zwei) und wählen Sie dann aus Athena auf die Datenquellen Menü.
- Wählen Sie die Standardregion aus, die von der Athena-Datenquelle abgefragt werden soll, wählen Sie die gewünschten Konten aus, und wählen Sie dann aus Datenquelle hinzufügen.
- Folgen Sie den Schritten zu Athena-Details konfigurieren.
Wenn für Ihre Arbeitsgruppe in Athena noch kein Ausgabespeicherort konfiguriert ist, müssen Sie einen S3-Bucket und -Ordner angeben, die für Abfrageergebnisse verwendet werden sollen. Nachdem Sie die Datenquelle eingerichtet haben, können Sie sie im anzeigen oder bearbeiten Konfiguration Feld.
In den folgenden Unterabschnitten demonstrieren wir mehrere Panels im Amazon Monitron-Dashboard, das in Amazon Managed Grafana erstellt wurde, um betriebliche Einblicke zu gewinnen. Die Athena-Datenquelle bietet einen standardmäßigen SQL-Abfrage-Editor, den wir verwenden, um die Amazon Monitron-Daten zu analysieren, um die gewünschten Analysen zu generieren.
Erstens, wenn es viele Sensoren im Amazon Monitron-Projekt gibt und sie sich in unterschiedlichen Zuständen befinden (fehlerfrei, Warnung, Alarm und Wartung erforderlich), möchte das OT-Team visuell die Anzahl der Positionen sehen, an denen sich Sensoren in verschiedenen Zuständen befinden. Sie können solche Informationen als Tortendiagramm-Widget in Grafana über die folgende Athena-Abfrage abrufen:
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;
Der folgende Screenshot zeigt ein Panel mit der neuesten Verteilung des Amazon Monitron-Sensorstatus.
Informationen zum Formatieren Ihrer SQL-Abfrage für Amazon Monitron-Daten finden Sie unter Verstehen des Datenexportschemas.
Als Nächstes möchte Ihr Operations Technology-Team möglicherweise eine vorbeugende Wartung auf der Grundlage von Assets planen, die sich im Alarmstatus befinden, und möchte daher schnell die Gesamtzahl der bestätigten Alarme im Vergleich zu den nicht bestätigten Alarmen kennen. Sie können die zusammenfassenden Informationen des Alarmzustands als einfache Statistikfelder in Grafana anzeigen:
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';
Das folgende Fenster zeigt bestätigte und nicht bestätigte Alarme.
Das OT-Team kann auch abfragen, wie lange die Sensoren im Alarmzustand bleiben, damit sie ihre Wartungspriorität festlegen können:
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;
Die Ausgabe dieser Analyse kann durch ein Balkendiagramm in Grafana visualisiert werden, und der Alarm im Alarmzustand kann leicht visualisiert werden, wie im folgenden Screenshot gezeigt.
Verwenden Sie die folgende Abfrage, um die höchste/niedrigste Anlagenleistung basierend auf der Gesamtzeit zu analysieren, die sich die Anlagen in einem Alarmzustand befinden oder gewartet werden müssen:
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;
Die folgende Balkenanzeige wird verwendet, um die vorherige Abfrageausgabe zu visualisieren, wobei die leistungsstärksten Assets 0 Tage Alarmzustände und die leistungsschwächsten Assets die kumulierten Alarmzustände im vergangenen Jahr anzeigen.
Um dem OT-Team zu helfen, die mögliche Grundursache einer Anomalie zu verstehen, können die Alarmtypen für diese Assets, die sich noch im Alarmzustand befinden, mit der folgenden Abfrage angezeigt werden:
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');
Sie können diese Analyse als Tabelle in Grafana visualisieren. In diesem Amazon-Monitron-Projekt wurden zwei Alarme von ML-Modellen zur Vibrationsmessung ausgelöst.
Das Amazon Managed Grafana-Dashboard wird hier zu Illustrationszwecken gezeigt. Sie können das Dashboard-Design an Ihre eigenen Geschäftsanforderungen anpassen.
Fehlerberichte
Wenn ein Benutzer einen Alarm in der Amazon Monitron-App bestätigt, wechseln die zugehörigen Assets in einen neuen Zustand. Der Benutzer hat auch die Möglichkeit, einige Details zu diesem Alarm anzugeben:
- Fehlerursache – Dies kann eine der folgenden sein: VERWALTUNG, DESIGN, HERSTELLUNG, WARTUNG, BETRIEB, SONSTIGES, QUALITÄT, VERSCHLEISS oder UNBESTIMMT
- Fehlermodus – Dies kann eines der folgenden sein: KEIN_PROBLEM, BLOCKIERUNG, KAVITATION, KORROSION, ABLAGERUNG, UNWUCHT, SCHMIERUNG, FALSCHE AUSRICHTUNG, SONSTIGES, RESONANZ, ROTIERENDE_LOCKERUNG, STRUKTURELLE_LOCKERUNG, ÜBERTRAGTER_FEHLER oder UNBESTIMMT
- Maßnahme ergriffen – Dies kann ADJUST, CLEAN, LUBRICATE, MODIFY, OVERHAUL, REPLACE, NO_ACTION oder OTHER sein
Die mit dem Zustandsübergang des Assets verknüpfte Ereignisnutzlast enthält all diese Informationen, den vorherigen Zustand des Assets und den neuen Zustand des Assets. Bleiben Sie dran für ein Update dieses Beitrags mit weiteren Details darüber, wie Sie diese Informationen in einem zusätzlichen Grafana-Panel verwenden können, um Pareto-Diagramme der häufigsten Fehler und Maßnahmen zu erstellen, die in Ihren Assets durchgeführt werden.
Zusammenfassung
Unternehmenskunden von Amazon Monitron suchen nach einer Lösung zum Aufbau eines IoT-Datensees mit den Live-Daten von Amazon Monitron, damit sie mehrere Amazon Monitron-Projekte und -Assets verwalten und Analyseberichte für mehrere Amazon Monitron-Projekte erstellen können. Dieser Beitrag bietet eine detaillierte exemplarische Vorgehensweise für eine Lösung zum Erstellen dieses IoT-Datensees mit den neuesten Amazon Monitron Kinesis-Datenexport v2-Funktion. Diese Lösung zeigte auch, wie andere AWS-Services wie AWS Glue und Athena verwendet werden können, um die Daten abzufragen, Analyseausgaben zu generieren und solche Ausgaben mit Amazon Managed Grafana mit häufiger Aktualisierung zu visualisieren.
Als nächsten Schritt können Sie diese Lösung erweitern, indem Sie ML-Inferenzergebnisse an andere EAM-Systeme senden, die Sie möglicherweise für das Arbeitsauftragsmanagement verwenden. Dadurch kann Ihr Betriebsteam Amazon Monitron in andere Unternehmensanwendungen integrieren und die Betriebseffizienz verbessern. Sie können auch damit beginnen, tiefere Einblicke in Ihre Fehlermodi und Maßnahmen zu gewinnen, indem Sie die Asset-Statusübergänge und die Abschlusscodes verarbeiten, die jetzt Teil der Nutzlast des Kinesis-Datenstroms sind.
Über die Autoren
Julia Hu ist Senior AI/ML Solutions Architect bei Amazon Web Services. Sie verfügt über umfangreiche Erfahrung in IoT-Architektur und angewandter Datenwissenschaft und ist sowohl Teil der Machine Learning als auch der IoT Technical Field Community. Sie arbeitet mit Kunden zusammen, von Start-ups bis hin zu Unternehmen, um AWSome IoT-Lösungen für maschinelles Lernen (ML) am Edge und in der Cloud zu entwickeln. Sie nutzt gerne die neueste IoT- und Big-Data-Technologie, um ihre ML-Lösung zu skalieren, die Latenz zu reduzieren und die Einführung in der Branche zu beschleunigen.
Bishr Tabbaa ist Lösungsarchitekt bei Amazon Web Services. Bishr ist darauf spezialisiert, Kunden mit Anwendungen für maschinelles Lernen, Sicherheit und Beobachtbarkeit zu unterstützen. Außerhalb der Arbeit spielt er gerne Tennis, kocht und verbringt Zeit mit der Familie.
Schalika Pargal ist Produktmanager bei Amazon Web Services. Shalika konzentriert sich auf die Entwicklung von KI-Produkten und -Dienstleistungen für Industriekunden. Sie bringt umfangreiche Erfahrung an der Schnittstelle von Produkt-, Industrie- und Geschäftsentwicklung mit. Sie hat kürzlich geteilt Die Erfolgsgeschichte von Monitron auf der Reinvent 2022.
Gary Galinsky ist ein Principal Solutions Architect, der Amazon auf AWS unterstützt. Er ist seit der Markteinführung von Monitron involviert und hat dabei geholfen, die Lösung in das weltweite Fulfillment-Netzwerk von Amazon zu integrieren und einzusetzen. Er hat kürzlich Amazons geteilt Monitron-Erfolgsgeschichte auf der re:Invent 2022.
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.
- Die Zukunft prägen mit Adryenn Ashley. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :hast
- :Ist
- :nicht
- $UP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- Über Uns
- beschleunigen
- Zugang
- Nach
- entsprechend
- Trading Konten
- Angesammelt
- Erreichen
- Erwerb
- über
- Action
- Aktionen
- Aktivität
- automatisch
- Zusätzliche
- Administrator
- Verwaltung
- Adoption
- Nach der
- AI
- AI / ML
- Hilfe
- Alarm
- Warnmeldungen
- Alle
- Zulassen
- erlaubt
- bereits
- ebenfalls
- Amazon
- Amazon Kinesis
- Von Amazon verwaltetes Grafana
- Amazon Web Services
- Betrag
- an
- Analyse
- Analytische
- Analytik
- analysieren
- Analysen
- und
- Anomalieerkennung
- Ein anderer
- jedem
- App
- Anwendungen
- angewandt
- Ansatz
- April
- Architektur
- SIND
- AS
- Vermögenswert
- Vermögensverwaltung
- Details
- damit verbundenen
- At
- Automatisiert
- Im Prinzip so, wie Sie es von Google Maps kennen.
- automatisieren
- verfügbar
- durchschnittlich
- Vermeidung von
- AWS
- AWS-Kleber
- Zurück
- Bar
- basierend
- BE
- werden
- war
- Bevor
- BESTE
- Besser
- zwischen
- Big
- Big Data
- buchen
- beide
- Boden
- Bringing
- Brings
- breiteres
- puffern
- bauen
- Building
- baut
- erbaut
- Geschäft
- Geschäftsentwicklung
- aber
- by
- CAN
- Kann bekommen
- Erfassung
- Häuser
- Fälle
- Katalog
- Verursachen
- Ursachen
- Center
- Centers
- Herausforderungen
- Chart
- Charts
- Chatrooms
- Auswählen
- Auswahl
- gewählt
- Einstufung
- Schließung
- Cloud
- Code
- Das Sammeln
- kombinieren
- vereint
- Vereinigung
- Kommen
- gemeinsam
- community
- abschließen
- Komplex
- konzept
- Zustand
- Schichtannahme
- Vernetz Dich
- Konnektivität
- Konsul (Console)
- verbrauchen
- enthalten
- enthält
- kontinuierlich
- Smartgeräte App
- könnte
- Crawler
- erstellen
- erstellt
- schafft
- Schaffung
- Kunden
- anpassen
- maßgeschneiderte
- Zyklen
- Armaturenbrett
- technische Daten
- Datenanalyse
- Datensee
- Datenwissenschaft
- Datenwissenschaftler
- Datenbase
- Datum
- Tage
- Debüt
- entscheidet
- Standard
- Übergeben
- geliefert
- Lieferanten
- zeigen
- Abhängig
- einsetzen
- Einzahlungen
- beschreiben
- beschrieben
- Design
- erwünscht
- detailliert
- Details
- Entdeckung
- entwickeln
- Entwicklung
- Gerät
- Geräte
- anders
- Direkt
- entdeckt,
- Verteilung
- geteilt
- Tut nicht
- Ausfallzeit
- dynamisch
- jeder
- Früher
- leicht
- Edge
- Herausgeber
- effektiv
- Effizienz
- effizient
- effizient
- entweder
- ermöglichen
- freigegeben
- ermöglicht
- End-to-End
- Ingenieure
- angereichert
- bereichernd
- Enter
- Unternehmen
- Unternehmen
- Umgebungen
- Ausrüstung
- Fehler
- Event
- Veranstaltungen
- Beispiel
- Beispiele
- Exclusive
- vorhandenen
- Erweitern Sie die Funktionalität der
- ERFAHRUNGEN
- Erfahrungen
- Erklären
- ERKUNDEN
- exportieren
- umfangreiche
- Langjährige Erfahrung
- Scheitern
- Familie
- Feedback
- wenige
- Feld
- Felder
- Endlich
- Finden Sie
- Vorname
- FLOTTE
- Boden
- konzentriert
- konzentriert
- folgen
- Folgende
- Aussichten für
- Format
- Frequenz
- häufig
- für
- Gewinnen
- Tor
- erzeugen
- erzeugt
- bekommen
- gegeben
- Glas
- Gruppe an
- Guide
- passieren
- Haben
- he
- Gesundheit
- gesund
- Hilfe
- dazu beigetragen,
- Unternehmen
- hier
- High-Level
- Ultraschall
- Hilfe
- HTML
- HTTPS
- IBM
- ICON
- identifizieren
- Identitätsschutz
- Unausgewogenheit
- implementieren
- Implementierung
- zu unterstützen,
- in
- eingehende
- das
- Dazu gehören
- Eingehende
- industriell
- Energiegewinnung
- Info
- Information
- Infrastruktur
- anfänglich
- Einblicke
- installiert
- Rate
- Instanz
- integrieren
- integriert
- Integration
- Internet
- Internet der Dinge
- Überschneidung
- in
- beteiligt
- iot
- ISO
- Probleme
- IT
- SEINE
- join
- jpg
- JSON
- Scharf
- Wesentliche
- Tasten
- Kinesis Data Firehose
- Kinesis-Datenströme
- Wissen
- See
- grosse
- Latency
- neueste
- ins Leben gerufen
- LERNEN
- lernen
- Niveau
- Nutzung
- LIMIT
- Limitiert
- Linien
- verknüpft
- leben
- Lebensdaten
- located
- Standorte
- suchen
- Maschine
- Maschinelles Lernen
- Maschinen
- Main
- halten
- Wartung
- Dur
- um
- verwalten
- verwaltet
- Management
- Manager
- Manager
- flächendeckende Gesundheitsprogramme
- Herstellung
- viele
- Maximieren
- Kann..
- messen
- mechanisch
- mittlere
- MENÜ
- Metadaten
- könnte
- Minuten
- Kommt demnächst...
- ML
- Mobil
- App
- Modell
- für
- Modi
- ändern
- Moment
- Überwachen
- Überwachung
- Monat
- mehr
- effizienter
- vor allem warme
- mehrere
- Name
- Navigieren
- Menü
- notwendig,
- Need
- Bedürfnisse
- Netzwerk
- Neu
- weiter
- jetzt an
- Anzahl
- Objekte
- erhalten
- of
- on
- EINEM
- einzige
- öffnet
- betreiben
- die
- Betrieb
- Betriebs-
- Einkauf & Prozesse
- Betreiber
- Gelegenheit
- Optimierung
- or
- Auftrag
- Bestellungen
- Organisation
- Andere
- UNSERE
- Möglichkeiten für das Ausgangssignal:
- aussen
- übrig
- Gesamt-
- Überholung
- besitzen
- Seite
- Brot
- Tafel
- Platten
- Teil
- leidenschaftlich
- passt
- Weg
- Ausführen
- Leistung
- Durchführung
- periodisch
- Erlaubnis
- Berechtigungen
- Plan
- Planung
- Pflanzen
- Plato
- Datenintelligenz von Plato
- PlatoData
- spielend
- Datenschutzrichtlinien
- Position
- für einige Positionen
- möglich
- Post
- Potenzial
- Werkzeuge
- Praxis
- Vorausschauende Analytik
- bevorzugt
- Voraussetzungen
- früher
- Principal
- Prioritätsliste
- Proaktives Handeln
- Prozessdefinierung
- anpassen
- Verarbeitung
- produziert
- Produkt
- Produkt-Manager
- Produktqualität
- Produktion
- Produkte
- Projekt
- Projekte
- die
- vorausgesetzt
- bietet
- Bereitstellung
- veröffentlicht
- Zwecke
- Qualität
- schnell
- Angebot
- Bereich
- RE
- Lesen Sie mehr
- Echtzeit
- Grund
- kürzlich
- Aufzeichnungen
- Veteran
- Region
- regelmäßig
- verstärken
- Zuverlässigkeit
- zuverlässig
- bleiben
- bleibt bestehen
- ersetzen
- Reporting
- Meldungen
- Resonanz
- Downloads
- Die Ergebnisse
- Risiko
- Rollen
- Schlafzimmer
- Wurzel
- REIHE
- Führen Sie
- Laufen
- s
- gleich
- Saft
- Skalieren
- Wissenschaft
- Wissenschaftler
- Umfang
- Abschnitt
- Abschnitte
- sicher
- Sicherheitdienst
- ausgewählt
- Auswahl
- Sendung
- Sensoren
- Modellreihe
- Lösungen
- kompensieren
- Einstellung
- Setup
- mehrere
- Teilen
- von Locals geführtes
- Shop
- sollte
- erklären
- gezeigt
- Konzerte
- signifikant
- ähnlich
- Einfacher
- da
- Single
- am Standort
- Seiten
- Größe
- So
- Software
- Lösung
- Lösungen
- einige
- Quelle
- Quellen
- Spezialist
- spezialisiert
- angegeben
- verbringen
- Ausgabe
- Standard
- Sterne
- Anfang
- Start-ups
- begonnen
- Bundesstaat
- Staaten
- Statistiken
- Statistik
- Status
- bleiben
- Schritt
- Shritte
- Immer noch
- Lagerung
- speichern
- Strategisch
- Strategie
- Strom
- gestrafft
- Ströme
- Erfolg
- so
- ZUSAMMENFASSUNG
- Support
- Unterstützung
- System
- Systeme und Techniken
- Tabelle
- gezielt
- Aufgabe
- Team
- Teams
- Technische
- Technologie
- als
- Vielen Dank
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Der Staat
- ihr
- Dort.
- deswegen
- Diese
- vom Nutzer definierten
- basierte Online-to-Offline-Werbezuordnungen von anderen gab.
- fehlen uns die Worte.
- dieses Jahr
- nach drei
- Zeit
- Zeitfolgen
- Timeline
- Zeitstempel
- zu
- Werkzeug
- Top
- Top 10
- Thema
- Gesamt
- verfolgen sind
- Ausbildung
- privaten Transfer
- Übergang
- Übergänge
- Reise
- auslösen
- ausgelöst
- Typen
- verstehen
- Aktualisierung
- Betriebszeit
- -
- benutzt
- Mitglied
- Nutzer
- Verwendung von
- v1
- verschiedene
- Video
- Anzeigen
- vs
- warten
- Walkthrough
- Warnung
- wurde
- Wege
- we
- Netz
- Web-Services
- GUT
- waren
- Was
- welche
- während
- WHO
- ganze
- breit
- Große Auswahl
- werden wir
- mit
- Arbeiten
- gearbeitet
- Workflows
- Arbeitsgruppen
- Werk
- Das weltweit
- Jahr
- Du
- Ihr
- Youtube
- Zephyrnet