Los gerentes y técnicos de confiabilidad en entornos industriales, como líneas de producción de fabricación, almacenes y plantas industriales, están interesados en mejorar el estado y el tiempo de actividad de los equipos para maximizar la producción y la calidad del producto. Las fallas de máquinas y procesos a menudo se abordan mediante la actividad reactiva después de que ocurren los incidentes o mediante un costoso mantenimiento preventivo, donde corre el riesgo de mantener en exceso el equipo o pasar por alto problemas que podrían ocurrir entre los ciclos de mantenimiento periódico. El mantenimiento predictivo basado en la condición es una estrategia proactiva mejor que las reactivas o preventivas. De hecho, este enfoque combina monitoreo continuo, análisis predictivo y acción justo a tiempo. Esto permite que los equipos de mantenimiento y confiabilidad brinden servicio al equipo solo cuando sea necesario, según la condición real del equipo.
Ha habido desafíos comunes con el monitoreo basado en condiciones para generar información procesable para grandes flotas de activos industriales. Estos desafíos incluyen, entre otros: construir y mantener una infraestructura compleja de sensores que recopilan datos del campo, obtener un resumen confiable de alto nivel de las flotas de activos industriales, administrar de manera eficiente las alertas de fallas, identificar las posibles causas raíz de las anomalías y visualizar de manera efectiva el estado de los activos industriales a escala.
Amazonas Monitron es una solución de monitoreo de condición integral que le permite comenzar a monitorear el estado del equipo con la ayuda del aprendizaje automático (ML) en minutos, para que pueda implementar el mantenimiento predictivo y reducir el tiempo de inactividad no planificado. Incluye dispositivos sensores para capturar datos de vibración y temperatura, un dispositivo de puerta de enlace para transferir datos de forma segura a la nube de AWS, el servicio Amazon Monitron que analiza los datos en busca de anomalías con ML y una aplicación móvil complementaria para rastrear posibles fallas en su maquinaria. Sus ingenieros y operadores de campo pueden usar directamente la aplicación para diagnosticar y planificar el mantenimiento de los activos industriales.
Desde el punto de vista del equipo de tecnología operativa (OT), el uso de los datos de Amazon Monitron también abre nuevas formas de mejorar la forma en que operan grandes flotas de activos industriales gracias a la IA. Los equipos de OT pueden reforzar la práctica de mantenimiento predictivo de su organización mediante la creación de una vista consolidada a través de múltiples jerarquías (activos, sitios y plantas). Pueden combinar mediciones reales y resultados de inferencia de ML con alarmas no reconocidas, estado de conectividad de sensores o escapadas, o transiciones de estado de activos para crear un resumen de alto nivel para el alcance (activo, sitio, proyecto) en el que se centran.
Con el recién estrenado Función de exportación de datos v2 de Kinesis de Amazon Monitron, su equipo de OT puede transmitir datos de medición entrantes y resultados de inferencia de Amazon Monitron a través de Kinesis amazónica a AWS Servicio de almacenamiento simple (Amazon S3) para crear un lago de datos de Internet de las cosas (IoT). Al aprovechar el último esquema de exportación de datos, puede obtener el estado de conectividad de los sensores, el estado de conectividad de las puertas de enlace, los resultados de la clasificación de las mediciones, el código de motivo de cierre y los detalles de los eventos de transición del estado de los activos.
Resumen de casos de uso
El flujo de datos enriquecido que Amazon Monitron ahora expone le permite implementar varios casos de uso clave, como la creación automatizada de órdenes de trabajo, el enriquecimiento de un único panel operativo o la automatización de informes de fallas. Profundicemos en estos casos de uso.
Puede utilizar Amazon Monitron Kinesis data export v2 para crear órdenes de trabajo en sistemas Enterprise Asset Management (EAM) como Infor EAM, SAP Asset Management o IBM Maximo. Por ejemplo, en el vídeo evitar problemas mecánicos con el mantenimiento predictivo y Amazon Monitron, puede descubrir cómo nuestros Centros logísticos de Amazon evitan problemas mecánicos en las cintas transportadoras con los sensores de Amazon Monitron integrados con software de terceros, como el EAM que se usa en Amazon, así como con las salas de chat que usan los técnicos. Esto muestra cómo puede integrar naturalmente los conocimientos de Amazon Monitron en sus flujos de trabajo existentes. Estén atentos en los próximos meses para leer la próxima entrega de esta serie con una implementación real de este trabajo de integración.
También puede utilizar el flujo de datos para ingerir información de Amazon Monitron en un sistema de planta, como Control de supervisión y adquisición de datos (SCADA) o Historian. Los operadores de planta son más eficientes cuando todos los conocimientos sobre sus activos y procesos se proporcionan en un solo panel de vidrio. En este concepto, Amazon Monitron no se convierte en una herramienta más que los técnicos deben monitorear, sino en otra fuente de datos con información proporcionada en la vista única a la que ya están acostumbrados. Más adelante este año, también describiremos una arquitectura que puede usar para realizar esta tarea y enviar comentarios de Amazon Monitron a los principales sistemas SCADA e historiadores de terceros.
Por último, pero no menos importante, el nuevo flujo de datos de Amazon Monitron incluye las transiciones de estado de los activos y los códigos de cierre proporcionados por los usuarios al reconocer las alarmas (que desencadenan la transición a un nuevo estado). Gracias a estos datos, puede crear automáticamente visualizaciones que brinden informes en tiempo real de las fallas y acciones realizadas durante la operación de sus activos.
Luego, su equipo puede crear un tablero de análisis de datos más amplio para respaldar su práctica de administración de flotas industriales mediante la combinación de estos datos de estado de activos con los datos de medición de Amazon Monitron y otros datos de IoT en grandes flotas de activos industriales mediante el uso de servicios clave de AWS, que describimos en esta publicación. Explicamos cómo crear un lago de datos de IoT, el flujo de trabajo para producir y consumir los datos, así como un panel de resumen para visualizar los datos de los sensores de Amazon Monitron y los resultados de la inferencia. Utilizamos un conjunto de datos de Amazon Monitron proveniente de unos 780 sensores instalados en un almacén industrial, que ha estado funcionando durante más de 1 año. Para obtener la guía de instalación detallada de Amazon Monitron, consulte Primeros pasos con Amazon Monitron.
Resumen de la solución
Amazon Monitron proporciona inferencia de ML del estado de salud de los activos después de 21 días del período de entrenamiento del modelo ML para cada activo. En esta solución, los datos de medición y la inferencia de ML de estos sensores se exportan a Amazon S3 a través de Secuencias de datos de Amazon Kinesis mediante el uso de la última función de exportación de datos de Amazon Monitron. Tan pronto como los datos de IoT de Amazon Monitron están disponibles en Amazon S3, se crean una base de datos y una tabla en Atenea amazónica mediante el uso de un Rastreador de AWS Glue. Puede consultar datos de Amazon Monitron a través de tablas de AWS Glue con Athena y visualizar los datos de medición y la inferencia de ML con Grafana gestionado por Amazon. Con Amazon Managed Grafana, puede crear, explorar y compartir paneles de observabilidad con su equipo y dedicar menos tiempo a administrar su infraestructura de Grafana. En esta publicación, conectará Amazon Managed Grafana con Athena y aprenderá a crear un tablero de análisis de datos con datos de Amazon Monitron para ayudarlo a planificar operaciones de activos industriales a escala.
La siguiente captura de pantalla es un ejemplo de lo que puede lograr al final de esta publicación. Este tablero se divide en tres secciones:
- Vista de planta – Información analítica de todos los sensores en las plantas; por ejemplo, los recuentos generales de varios estados de sensores (Correcto, Advertencia o Alarma), la cantidad de alarmas reconocidas y no reconocidas, la conectividad de la puerta de enlace y el tiempo promedio de mantenimiento
- Vista del sitio – Estadísticas a nivel de sitio, como estadísticas de estado de activos en cada sitio, número total de días que una alarma permanece sin reconocer, activos de rendimiento superior/inferior en cada sitio y más
- Vista de activo – Información de resumen para el proyecto de Amazon Monitron a nivel de activo, como el tipo de alarma para una alarma no reconocida (ISO o ML), la línea de tiempo para una alarma y más
Estos paneles son ejemplos que pueden ayudar a la planificación operativa estratégica, pero no son excluyentes. Puede usar un flujo de trabajo similar para personalizar el tablero de acuerdo con su KPI objetivo.
Descripción de la arquitectura
La solución que creará en esta publicación combina Amazon Monitron, Kinesis Data Streams, Manguera de bomberos de datos de Amazon Kinesis, Amazon S3, AWS Glue, Athena y Amazon Managed Grafana.
El siguiente diagrama ilustra la arquitectura de la solución. Los sensores de Amazon Monitron miden y detectan anomalías en los equipos. Tanto los datos de medición como las salidas de inferencia de ML se exportan con una frecuencia de una vez por hora a un flujo de datos de Kinesis y se envían a Amazon S3 a través de Kinesis Data Firehose con un búfer de 1 minuto. Los datos de Amazon Monitron exportados están en formato JSON. Un rastreador de AWS Glue analiza los datos de Amazon Monitron en Amazon S3 con una frecuencia elegida de una vez por hora, crea un esquema de metadatos y crea tablas en Athena. Por último, Amazon Managed Grafana utiliza Athena para consultar los datos de Amazon S3, lo que permite crear paneles para visualizar tanto los datos de medición como el estado de salud del dispositivo.
Para construir esta solución, complete los siguientes pasos de alto nivel:
- Habilite una exportación de Kinesis Data Stream desde Amazon Monitron y cree un flujo de datos.
- Configure Kinesis Data Firehose para entregar datos del flujo de datos a un depósito S3.
- Cree el rastreador de AWS Glue para crear una tabla de datos de Amazon S3 en Athena.
- Cree un tablero de dispositivos de Amazon Monitron con Amazon Managed Grafana.
Requisitos previos
Para este tutorial, debe tener los siguientes requisitos previos:
Además, asegúrese de que todos los recursos que implemente estén en la misma región.
Habilite una exportación de flujo de datos de Kinesis desde Amazon Monitron y cree un flujo de datos
Para configurar la exportación de su flujo de datos, complete los siguientes pasos:
- En la consola de Amazon Monitron, desde la página principal de su proyecto, elija Iniciar exportación de datos en vivo.
- under Seleccione el flujo de datos de Amazon Kinesis, escoger Crear un nuevo flujo de datos.
- under Configuración del flujo de datos, ingrese su nombre de flujo de datos.
- Capacidad de flujo de datos, escoger On-demand.
- Elige Crear flujo de datos.
Tenga en cuenta que cualquier exportación de datos en vivo habilitada después del 4 de abril de 2023 transmitirá datos siguiendo el esquema Kinesis Data Streams v2. Si tiene una exportación de datos existente que se habilitó antes de esta fecha, el esquema seguirá el formato v1.
Ahora puede ver la información de exportación de datos en vivo en la consola de Amazon Monitron con su flujo de datos de Kinesis especificado.
Configurar Kinesis Data Firehose para entregar datos a un depósito S3
Para configurar su flujo de entrega de Firehose, complete los siguientes pasos:
- En la consola de Kinesis, elija flujos de entrega en el panel de navegación.
- Elige Crear flujo de entrega.
- Fuente, seleccione Secuencias de datos de Amazon Kinesis.
- Destino, seleccione Amazon S3.
- under Configuración de fuente, Para Flujo de datos de Kinesis, ingrese el ARN de su flujo de datos de Kinesis.
- under Nombre del flujo de entrega, ingrese el nombre de su flujo de datos de Kinesis.
- under Configuración de destino, elija un depósito de S3 o ingrese un URI de depósito. Puede utilizar un depósito de S3 existente para almacenar datos de Amazon Monitron o puede crear un nuevo depósito de S3.
- Habilite la partición dinámica mediante el análisis en línea para JSON:
- Elige implante para Particionamiento dinámico.
- Elige implante para Análisis en línea para JSON.
- under Claves de partición dinámicas, agregue las siguientes claves de partición:
Nombre de clave | Expresión JQ |
proyecto | .projectName| "project=(.)" |
página web | .eventPayload.siteName| "site=(.)" |
activo | .eventPayload.assetName| "asset=(.)" |
posición | .eventPayload.positionName| "position=(.)" |
equipo | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- Elige Aplicar claves de partición dinámica y confirme que el prefijo del depósito S3 generado es:
- Introduzca un prefijo para Prefijo de salida de error de depósito S3. Cualquier carga JSON que no contenga las claves descritas anteriormente se entregará con este prefijo. por ejemplo, el
gatewayConnected
ygatewayDisconnected
los eventos no están vinculados a un activo o posición determinada. Por lo tanto, no contendrán elassetName
ypositionName
campos. Especificar este prefijo opcional aquí le permite monitorear esta ubicación y procesar estos eventos en consecuencia. - Elige Crear flujo de entrega.
Puede inspeccionar los datos de Amazon Monitron en el depósito S3. Tenga en cuenta que los datos de Amazon Monitron exportarán datos en vivo con una frecuencia de una vez por hora, así que espere 1 hora para inspeccionar los datos.
Esta configuración de Kinesis Data Firehose permite la partición dinámica y los objetos S3 entregados utilizarán el siguiente formato de clave:
Cree el rastreador de AWS Glue para crear una tabla de datos de Amazon S3 en Athena
Una vez que los datos en vivo se han exportado a Amazon S3, usamos un rastreador de AWS Glue para generar las tablas de metadatos. En esta publicación, utilizamos rastreadores de AWS Glue para inferir automáticamente el esquema de la base de datos y la tabla de los datos de Amazon Monitron exportados en Amazon S3, y almacenamos los metadatos asociados en el catálogo de datos de AWS Glue. Luego, Athena usa los metadatos de la tabla del catálogo de datos para buscar, leer y procesar los datos en Amazon S3. Complete los siguientes pasos para crear su base de datos y esquema de tabla:
- En la consola de AWS Glue, elija Rastreadores en el panel de navegación.
- Elige Crear rastreador.
- Introduzca un nombre para el rastreador (por ejemplo,
XXX_xxxx_monitron
). - Elige Siguiente.
- ¿Sus datos ya están asignados a las tablas de Glue?, escoger Todavía no.
- Fuente de datos, escoger S3.
- Ubicación de los datos de S3, escoger en esta cuentae ingrese la ruta del directorio de su depósito S3 que configuró en la sección anterior (
s3://YourBucketName
). - Repita los rastreos de los almacenes de datos de S3, seleccione Rastrear todas las subcarpetas.
- Finalmente, elige Siguiente.
- Seleccione Crear una nueva función de IAM e ingrese un nombre para el rol.
- Elige Siguiente.
- Seleccione Agregar base de datosy escriba un nombre para la base de datos. Esto crea la base de datos de Athena donde se ubican las tablas de metadatos una vez que se completa el rastreador.
- Horario del rastreador, seleccione un programador basado en el tiempo preferido (por ejemplo, cada hora) para actualizar los datos de Amazon Monitron en la base de datos y elija Siguiente.
- Revise los detalles del rastreador y elija Crear.
- En Rastreadores página de la consola de AWS Glue, seleccione el rastreador que creó y elija Ejecutar rastreador.
Es posible que deba esperar unos minutos, según el tamaño de los datos. Cuando se completa, el estado del rastreador se muestra como Listo!. Para ver las tablas de metadatos, navegue a su base de datos en el Bases de datos página y elige Mesas en el panel de navegación.
También puede ver los datos eligiendo Datos de la tabla en la consola.
Se le redirigirá a la consola de Athena para ver los 10 registros principales de los datos de Amazon Monitron en Amazon S3.
Cree un tablero de dispositivos de Amazon Monitron con Amazon Managed Grafana
En esta sección, creamos un tablero personalizado con Amazon Managed Grafana para visualizar los datos de Amazon Monitron en Amazon S3, de modo que el equipo de OT pueda obtener un acceso optimizado a los activos en alarma en toda su flota de sensores de Amazon Monitron. Esto permitirá que el equipo de OT planifique las acciones del siguiente paso en función de la posible causa raíz de las anomalías.
A crear un espacio de trabajo de Grafana, completa los siguientes pasos:
- Asegúrese de que su rol de usuario sea administrador o editor.
- En la consola de Amazon Managed Grafana, elija Crear espacio de trabajo.
- Nombre del espacio de trabajo, introduzca un nombre para el espacio de trabajo.
- Elige Siguiente.
- Acceso de autenticación, seleccione Centro de identidad de AWS IAM (sucesor del inicio de sesión único de AWS). Puedes usar el mismo Usuario del centro de identidad de AWS IAM que usó para configurar su proyecto de Amazon Monitron.
- Elige Siguiente.
- Para este primer espacio de trabajo, confirme que Servicio gestionado es seleccionado para tipo de permiso. Esta selección permite que Amazon Managed Grafana proporcione automáticamente los permisos que necesita para las fuentes de datos de AWS que utiliza para este espacio de trabajo.
- Elige Cuenta corriente.
- Elige Siguiente.
- Confirme los detalles del espacio de trabajo y elija Crear espacio de trabajo. Aparece la página de detalles del espacio de trabajo. Inicialmente, el estado es CREANDO.
- Espere hasta que el estado sea ACTIVE para pasar al siguiente paso.
Para configurar su fuente de datos de Athena, complete los siguientes pasos:
- En la consola de Amazon Managed Grafana, elija el espacio de trabajo en el que desea trabajar.
- En Fuentes de datos seleccione Atenea amazónica, y elige Acciones, Habilitar política administrada por servicio.
- Elige Configurar en Grafana existentes Atenea amazónica fila.
- Inicie sesión en la consola del espacio de trabajo de Grafana utilizando IAM Identity Center si es necesario. El usuario debe tener la política de acceso de Athena adjunta al usuario o rol para tener acceso a la fuente de datos de Athena. Ver Política administrada por AWS: AmazonGrafanaAthenaAccess para más información.
- En la consola del espacio de trabajo de Grafana, en el panel de navegación, elija el ícono inferior de AWS (hay dos) y luego elija Athena en Fuentes de datos .
- Seleccione la región predeterminada desde la que desea consultar la fuente de datos de Athena, seleccione las cuentas que desee y, a continuación, elija Añadir fuente de datos.
- Sigue los pasos para configurar los detalles de Athena.
Si su grupo de trabajo en Athena aún no tiene una ubicación de salida configurada, debe especificar un depósito y una carpeta de S3 para usar en los resultados de la consulta. Después de configurar la fuente de datos, puede verla o editarla en el Configuración cristal.
En las siguientes subsecciones, mostramos varios paneles en el tablero de Amazon Monitron integrado en Amazon Managed Grafana para obtener información operativa. La fuente de datos de Athena proporciona un editor de consultas SQL estándar que usaremos para analizar los datos de Amazon Monitron para generar los análisis deseados.
Primero, si hay muchos sensores en el proyecto Amazon Monitron y están en diferentes estados (bueno, advertencia, alarma y necesita mantenimiento), el equipo de OT quiere ver visualmente el recuento de posiciones en las que los sensores están en varios estados. Puede obtener dicha información como un widget de gráfico circular en Grafana a través de la siguiente consulta de Athena:
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;
La siguiente captura de pantalla muestra un panel con la distribución más reciente del estado del sensor de Amazon Monitron.
Para formatear su consulta SQL para datos de Amazon Monitron, consulte Comprender el esquema de exportación de datos.
A continuación, su equipo de tecnología de operaciones puede querer planificar el mantenimiento predictivo en función de los activos que están en estado de alarma y, por lo tanto, quieren saber rápidamente la cantidad total de alarmas reconocidas frente a las alarmas no reconocidas. Puede mostrar la información resumida del estado de alarma como paneles de estadísticas simples en 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';
El siguiente panel muestra alarmas reconocidas y no reconocidas.
El equipo de OT también puede consultar la cantidad de tiempo que los sensores permanecen en estado de alarma, para que puedan decidir su prioridad de mantenimiento:
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;
El resultado de este análisis se puede visualizar mediante un gráfico de barras en Grafana, y la alarma en estado de alarma se puede visualizar fácilmente como se muestra en la siguiente captura de pantalla.
Para analizar el rendimiento superior/inferior de los activos en función de la cantidad total de tiempo que los activos están en estado de alarma o necesitan mantenimiento, utilice la siguiente consulta:
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;
El siguiente indicador de barra se utiliza para visualizar el resultado de la consulta anterior, con los activos de mayor rendimiento que muestran 0 días de estados de alarma y los activos de menor rendimiento que muestran estados de alarma acumulados durante el último año.
Para ayudar al equipo de OT a comprender la posible causa raíz de una anomalía, los tipos de alarma se pueden mostrar para estos activos que aún están en estado de alarma con la siguiente consulta:
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');
Puede visualizar este análisis como una tabla en Grafana. En este proyecto de Amazon Monitron, los modelos ML activaron dos alarmas para la medición de vibraciones.
El panel de Amazon Managed Grafana se muestra aquí con fines ilustrativos. Puede adaptar el diseño del tablero de acuerdo a sus propias necesidades comerciales.
Informes de fallas
Cuando un usuario reconoce una alarma en la aplicación Amazon Monitron, los activos asociados pasan a un nuevo estado. El usuario también tiene la oportunidad de proporcionar algunos detalles sobre esta alarma:
- Causa de la falla – Puede ser uno de los siguientes: ADMINISTRACIÓN, DISEÑO, FABRICACIÓN, MANTENIMIENTO, OPERACIÓN, OTROS, CALIDAD, DESGASTE o INDETERMINADO
- Modo de fallo – Esto puede ser uno de los siguientes: SIN_PROBLEMA, BLOQUEO, CAVITACIÓN, CORROSIÓN, DEPÓSITO, DESEQUILIBRIO, LUBRICACIÓN, DESALINEACIÓN, OTROS, RESONANCIA, SOLDADURA_GIRATORIA, SOLDADURA_ESTRUCTURAL, FALLA_TRANSMITIDA o INDETERMINADA
- Acción tomada – Esto puede ser AJUSTAR, LIMPIAR, LUBRICAR, MODIFICAR, REVISAR, REEMPLAZAR, SIN_ACCIÓN u OTRO
La carga útil del evento asociada a la transición de estado del activo contiene toda esta información, el estado anterior del activo y el nuevo estado del activo. Estén atentos para una actualización de esta publicación con más detalles sobre cómo puede usar esta información en un panel adicional de Grafana para crear diagramas de Pareto de las fallas más comunes y las acciones realizadas en sus activos.
Conclusión
Los clientes empresariales de Amazon Monitron buscan una solución para crear un lago de datos de IoT con los datos en vivo de Amazon Monitron, de modo que puedan administrar múltiples proyectos y activos de Amazon Monitron, y generar informes analíticos en múltiples proyectos de Amazon Monitron. Esta publicación proporciona un recorrido detallado de una solución para construir este lago de datos de IoT con la última Función de exportación de datos v2 de Kinesis de Amazon Monitron. Esta solución también mostró cómo usar otros servicios de AWS, como AWS Glue y Athena para consultar los datos, generar resultados analíticos y visualizar dichos resultados con Amazon Managed Grafana con actualizaciones frecuentes.
Como siguiente paso, puede expandir esta solución enviando resultados de inferencia de ML a otros sistemas EAM que podría usar para la gestión de órdenes de trabajo. Esto permitirá que su equipo de operaciones integre Amazon Monitron con otras aplicaciones empresariales y mejore su eficiencia operativa. También puede comenzar a generar información más detallada sobre sus modos de falla y las acciones realizadas mediante el procesamiento de las transiciones de estado de los activos y los códigos de cierre que ahora forman parte de la carga útil del flujo de datos de Kinesis.
Sobre los autores
julia hu es arquitecto sénior de soluciones de inteligencia artificial y aprendizaje automático en Amazon Web Services. Tiene una amplia experiencia en arquitectura de IoT y ciencia de datos aplicada, y forma parte de la comunidad de campo técnico de Machine Learning e IoT. Trabaja con clientes, que van desde empresas emergentes hasta corporaciones, para desarrollar soluciones de aprendizaje automático (ML) de AWSome IoT, en el perímetro y en la nube. Le gusta aprovechar la última tecnología de IoT y big data para ampliar su solución de ML, reducir la latencia y acelerar la adopción de la industria.
Bishr Tabbaa es arquitecto de soluciones en Amazon Web Services. Bishr se especializa en ayudar a los clientes con aplicaciones de aprendizaje automático, seguridad y observabilidad. Fuera del trabajo, le gusta jugar al tenis, cocinar y pasar tiempo con la familia.
Shalika Pargal es Gerente de Producto en Amazon Web Services. Shalika se centra en la creación de productos y servicios de IA para clientes industriales. Aporta una experiencia significativa en la intersección del desarrollo de productos, industrial y comercial. Ella compartió recientemente La historia de éxito de Monitron en Reinventar 2022.
garry galinski es un Arquitecto Principal de Soluciones que apoya a Amazon en AWS. Ha estado involucrado con Monitron desde su debut y ha ayudado a integrar e implementar la solución en la red mundial de cumplimiento de Amazon. Recientemente compartió Amazon's Historia de éxito de Monitron en re: inventar 2022.
Michael Hoarau es un arquitecto de soluciones especialista en IA/ML en AWS que alterna entre científico de datos y arquitecto de aprendizaje automático, según el momento. Le apasiona llevar el poder de AI/ML a los talleres de sus clientes industriales y ha trabajado en una amplia gama de casos de uso de ML, que van desde la detección de anomalías hasta la calidad predictiva del producto o la optimización de la fabricación. Él publicó un libro sobre analisis de series de tiempo en 2022 y escribe regularmente sobre este tema en Etiqueta LinkedIn y Mediana. Cuando no está ayudando a los clientes a desarrollar las próximas mejores experiencias de aprendizaje automático, le gusta observar las estrellas, viajar o tocar el piano.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Acuñando el futuro con Adryenn Ashley. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :posee
- :es
- :no
- $ UP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- Nuestra Empresa
- acelerar
- de la máquina
- Conforme
- en consecuencia
- Cuentas
- Acumulado
- Lograr
- adquisición
- a través de
- la columna Acción
- acciones
- actividad
- adaptar
- Adicionales
- Admin
- administración
- Adopción
- Después
- AI
- AI / ML
- Ayudar
- alarma
- Alertas
- Todos
- Permitir
- permite
- ya haya utilizado
- también
- Amazon
- Kinesis amazónica
- Grafana gestionado por Amazon
- Amazon Web Services
- cantidad
- an
- análisis
- Pruebas analíticas
- Analytics
- analizar
- análisis
- y
- Detección de anomalías
- Otra
- cualquier
- applicación
- aplicaciones
- aplicada
- enfoque
- Abril
- arquitectura
- somos
- AS
- activo
- gestión de activos
- Activos
- asociado
- At
- Confirmación de Viaje
- automáticamente
- automatizar
- Hoy Disponibles
- promedio
- evitar
- AWS
- Pegamento AWS
- Atrás
- de caramelos
- basado
- BE
- a las que has recomendado
- esto
- antes
- MEJOR
- mejores
- entre
- Big
- Big Data
- primer libro
- ambas
- Fondo
- Trayendo
- Trae
- más amplio
- buffer
- build
- Construir la
- construye
- construido
- desarrollo de negocios
- pero
- by
- PUEDEN
- Puede conseguir
- capturar
- case
- cases
- catalogar
- Causa
- causas
- Reubicación
- Centros
- retos
- Tabla
- Gráficas
- salas de chat
- Elige
- la elección de
- elegido
- clasificación
- cierre
- Soluciones
- código
- El cobro
- combinar
- combina
- combinar
- viniendo
- Algunos
- vibrante e inclusiva
- completar
- integraciones
- concepto
- condición
- Confirmar
- Contacto
- Conectividad
- Consola
- consumir
- que no contengo
- contiene
- continuo
- control
- podría
- rastreador
- Para crear
- creado
- crea
- creación
- Clientes
- personalizan
- se adaptan
- de ciclos
- página de información de sus operaciones
- datos
- Data Analytics
- Lago de datos
- Ciencia de los datos
- científico de datos
- Base de datos
- Fecha
- Días
- debut
- decidir
- Predeterminado
- entregamos
- liberado
- entrega
- demostrar
- Dependiente
- desplegar
- depositar
- describir
- descrito
- Diseño
- deseado
- detallado
- detalles
- Detección
- desarrollar
- Desarrollo
- dispositivo
- Dispositivos
- una experiencia diferente
- directamente
- descrubrir
- dividido
- No
- el tiempo de inactividad
- lugar de trabajo dinámico
- cada una
- Más temprano
- pasan fácilmente
- Southern Implants
- editor
- de manera eficaz
- eficiencia
- eficiente
- eficiente.
- ya sea
- habilitar
- facilita
- permite
- de extremo a extremo
- certificados
- enriquecido
- enriquecedor
- Participar
- Empresa
- empresas
- ambientes
- equipo
- error
- Evento
- Eventos
- ejemplo
- ejemplos
- Exclusiva
- existente
- Expandir
- experience
- Experiencias
- Explicar
- explorar
- exportar
- en los detalles
- Amplia experiencia
- Fracaso
- familia
- realimentación
- pocos
- campo
- Terrenos
- Finalmente
- Encuentre
- Nombre
- FLOTA
- Floor
- centrado
- se centra
- seguir
- siguiendo
- formato
- Frecuencia
- frecuente
- Desde
- Obtén
- puerta
- generar
- generado
- obtener
- dado
- vaso
- Grupo procesos
- guía
- suceder
- Tienen
- he
- Salud
- saludable
- ayuda
- ayudado
- ayudando
- esta página
- de alto nivel
- Cómo
- Como Hacer
- HTML
- HTTPS
- IBM
- ICON
- Identifique
- Identidad
- desequilibrio
- implementar
- implementación
- mejorar
- in
- a fondo
- incluir
- incluye
- Entrante
- industrial
- energético
- info
- información
- EN LA MINA
- posiblemente
- Insights
- instalado
- entrega
- ejemplo
- integrar
- COMPLETAMENTE
- integración
- Internet
- Internet de las cosas
- intersección
- dentro
- involucra
- IOT
- ISO
- cuestiones
- IT
- SUS
- únete
- jpg
- json
- Keen
- Clave
- claves
- Manguera de incendios de datos de Kinesis
- Flujos de datos de Kinesis
- Saber
- lago
- large
- Estado latente
- más reciente
- lanzado
- APRENDE:
- aprendizaje
- Nivel
- aprovechando
- LIMITE LAS
- Limitada
- líneas
- vinculado
- Etiqueta LinkedIn
- para vivir
- datos en tiempo real
- situados
- Ubicación
- mirando
- máquina
- máquina de aprendizaje
- maquinaria
- Inicio
- mantener
- un mejor mantenimiento.
- gran
- para lograr
- gestionan
- gestionado
- Management
- gerente
- Managers
- administrar
- Fabricación
- muchos
- Maximizar
- Puede..
- medir
- mecánico
- mediano
- Menú
- metadatos
- podría
- Min
- que falta
- ML
- Móvil
- Aplicación movil
- modelo
- modelos
- los modos
- modificar
- momento
- Monitorear
- monitoreo
- meses
- más,
- más eficiente
- MEJOR DE TU
- múltiples
- nombre
- Navegar
- Navegación
- necesario
- ¿ Necesita ayuda
- del sistema,
- Nuevo
- Next
- ahora
- número
- objetos
- obtener
- of
- on
- ONE
- , solamente
- abre
- funcionar
- funcionamiento
- Inteligente
- operativos.
- Operaciones
- operadores
- Oportunidad
- optimización
- or
- solicite
- en pedidos de venta.
- organización
- Otro
- "nuestr
- salida
- afuera
- Más de
- total
- Revisar
- EL DESARROLLADOR
- página
- cristal
- panel
- paneles
- parte
- apasionado
- pasado
- camino
- Realizar
- actuación
- realizar
- periódico
- permiso
- permisos
- plan
- planificar
- Plantas
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- jugando
- política
- posición
- abiertas
- posible
- Publicación
- posible
- industria
- Análisis Predictivo
- preferido
- requisitos previos
- anterior
- Director de la escuela
- lista de prioridades
- Proactiva
- en costes
- tratamiento
- producir
- Producto
- gerente de producto
- Calidad del Producto
- Producción
- Productos
- proyecto
- proyecta
- proporcionar
- previsto
- proporciona un
- provisión
- publicado
- fines
- calidad
- con rapidez
- distancia
- que van
- RE
- Leer
- en tiempo real
- razón
- recientemente
- archivos
- reducir
- región
- regularmente
- reforzarse
- fiabilidad
- confianza
- permanecer
- permanece
- reemplazar
- Informes
- Informes
- resonancia
- Recursos
- Resultados
- Riesgo
- Función
- Habitaciones
- raíz
- FILA
- Ejecutar
- correr
- s
- mismo
- savia
- Escala
- Ciencia:
- Científico
- alcance
- Sección
- (secciones)
- segura
- EN LINEA
- seleccionado
- selección
- enviando
- sensor
- Serie
- de coches
- Servicios
- set
- pólipo
- Configure
- Varios
- Compartir
- compartido
- Tienda
- tienes
- Mostrar
- mostrado
- Shows
- importante
- similares
- sencillos
- desde
- soltero
- página web
- Sitios Web
- Tamaño
- So
- Software
- a medida
- Soluciones
- algo
- Fuente
- Fuentes
- especialista
- se especializa
- especificado
- pasar
- Gastos
- estándar
- Estrellas
- comienzo
- la creación de empresas
- fundó
- Estado
- Zonas
- statistics
- estadísticas
- Estado
- quedarse
- paso
- pasos
- Sin embargo
- STORAGE
- tienda
- Estratégico
- Estrategia
- stream
- racionalizado
- corrientes
- comercial
- tal
- RESUMEN
- SOPORTE
- Apoyar
- te
- Todas las funciones a su disposición
- mesa
- afectados
- Tarea
- equipo
- equipos
- Técnico
- Tecnología
- que
- Muchas Gracias
- esa
- La
- El Estado
- su
- Ahí.
- por lo tanto
- Estas
- ellos
- cosas
- terceros.
- así
- este año
- Tres
- equipo
- Series de tiempo
- calendario
- fecha y hora
- a
- del IRS
- parte superior
- Top 10
- tema
- Total
- seguir
- Formación
- transferir
- transición
- transiciones
- Viajar
- detonante
- desencadenados
- tipos
- entender
- Actualizar
- el tiempo de actividad
- utilizan el
- usado
- Usuario
- usuarios
- usando
- v1
- diversos
- vía
- Video
- Ver
- vs
- esperar
- tutorial
- advertencia
- fue
- formas
- we
- web
- servicios web
- WELL
- tuvieron
- ¿
- que
- mientras
- QUIENES
- todo
- amplio
- Amplia gama
- seguirá
- Actividades:
- trabajado
- flujos de trabajo
- Forma de interés del Grupo de Trabajo
- funciona
- en todo el mundo
- año
- Usted
- tú
- Youtube
- zephyrnet