مدیران و تکنسینهای قابلیت اطمینان در محیطهای صنعتی مانند خطوط تولید، انبارها و کارخانههای صنعتی مشتاق هستند تا سلامت تجهیزات و زمان بهروز را بهبود بخشند تا بازده و کیفیت محصول را به حداکثر برسانند. خرابی های ماشین و فرآیند اغلب با فعالیت واکنشی پس از وقوع حوادث یا با تعمیر و نگهداری پیشگیرانه پرهزینه برطرف می شود، جایی که شما در معرض خطر نگهداری بیش از حد از تجهیزات یا از دست دادن مشکلاتی هستید که ممکن است بین چرخه های تعمیر و نگهداری دوره ای رخ دهد. تعمیر و نگهداری مبتنی بر شرایط پیش بینی یک استراتژی پیشگیرانه است که بهتر از راهبردهای واکنشی یا پیشگیرانه است. در واقع، این رویکرد نظارت مستمر، تجزیه و تحلیل پیشبینیکننده و اقدام بهموقع را ترکیب میکند. این امر به تیم های تعمیر و نگهداری و قابلیت اطمینان امکان می دهد تا تجهیزات را تنها در صورت لزوم و بر اساس شرایط واقعی تجهیزات سرویس کنند.
چالشهای مشترک با نظارت مبتنی بر شرایط برای ایجاد بینشهای عملی برای ناوگان داراییهای صنعتی بزرگ وجود دارد. این چالشها عبارتند از: ایجاد و نگهداری زیرساخت پیچیدهای از حسگرها که دادهها را از میدان جمعآوری میکنند، به دست آوردن خلاصهای قابل اعتماد در سطح بالا از ناوگان داراییهای صنعتی، مدیریت موثر هشدارهای خرابی، شناسایی علل ریشهای احتمالی ناهنجاریها، و تجسم مؤثر وضعیت دارایی های صنعتی در مقیاس
آمازون مونیترون یک راه حل پایش وضعیت سرتاسر است که به شما امکان می دهد تا در عرض چند دقیقه نظارت بر سلامت تجهیزات را با کمک یادگیری ماشین (ML) شروع کنید، بنابراین می توانید تعمیر و نگهداری پیش بینی را اجرا کنید و زمان خرابی برنامه ریزی نشده را کاهش دهید. این شامل دستگاههای حسگر برای ضبط دادههای لرزش و دما، یک دستگاه دروازه برای انتقال ایمن دادهها به AWS Cloud، سرویس Amazon Monitron است که دادهها را برای ناهنجاریهای ML تجزیه و تحلیل میکند و یک برنامه همراه همراه برای ردیابی خرابیهای احتمالی در ماشینآلات شما. مهندسان و اپراتورهای میدانی شما میتوانند مستقیماً از برنامه برای تشخیص و برنامهریزی تعمیر و نگهداری داراییهای صنعتی استفاده کنند.
از نقطه نظر تیم فناوری عملیاتی (OT)، استفاده از داده های آمازون مونیترون همچنین راه های جدیدی را برای بهبود نحوه عملکرد ناوگان دارایی های صنعتی بزرگ به لطف هوش مصنوعی باز می کند. تیمهای OT میتوانند با ایجاد یک نمای تلفیقی در میان سلسلهمراتبهای چندگانه (داراییها، سایتها و کارخانهها)، شیوه نگهداری پیشبینیکننده را از سازمان خود تقویت کنند. آنها میتوانند نتایج اندازهگیری واقعی و استنتاج ML را با آلارمهای تایید نشده، حسگرها یا وضعیت اتصال گریز، یا انتقال وضعیت دارایی ترکیب کنند تا خلاصهای در سطح بالا برای محدوده (دارایی، سایت، پروژه) که روی آن متمرکز شدهاند بسازند.
با اخیرا راه اندازی شده است ویژگی Amazon Monitron Kinesis صادرات داده v2، تیم OT شما می تواند داده های اندازه گیری ورودی و نتایج استنباط را از Amazon Monitron از طریق جریان پخش کند آمازون کینسیس به AWS سرویس ذخیره سازی ساده (Amazon S3) برای ساخت دریاچه داده اینترنت اشیا (IoT). با استفاده از اهرم آخرین طرح صادرات داده، می توانید وضعیت اتصال سنسورها، وضعیت اتصال دروازه ها، نتایج طبقه بندی اندازه گیری، کد دلیل بسته شدن و جزئیات رویدادهای انتقال وضعیت دارایی را بدست آورید.
مروری بر موارد استفاده
جریان داده های غنی شده آمازون Monitron که اکنون در معرض نمایش قرار می دهد، شما را قادر می سازد چندین مورد استفاده کلیدی مانند ایجاد سفارش کار خودکار، غنی سازی یک شیشه واحد عملیاتی یا گزارش خودکار خرابی را اجرا کنید. بیایید به این موارد استفاده بپردازیم.
می توانید از Amazon Monitron Kinesis data export v2 برای ایجاد سفارشات کاری در سیستم های Enterprise Asset Management (EAM) مانند Infor EAM، SAP Asset Management یا IBM Maximo استفاده کنید. به عنوان مثال، در ویدئو اجتناب از مشکلات مکانیکی با تعمیر و نگهداری پیش بینی و آمازون مونیترون، می توانید کشف کنید که چگونه مراکز تحقق آمازون ما از مشکلات مکانیکی روی تسمه نقاله با حسگرهای Amazon Monitron یکپارچه شده با نرم افزارهای شخص ثالث مانند EAM مورد استفاده در آمازون و همچنین با تکنسین های اتاق های چت استفاده شده، جلوگیری می کنند. این نشان می دهد که چگونه می توانید به طور طبیعی بینش های Amazon Monitron را در جریان های کاری موجود خود ادغام کنید. در ماه های آینده با ما همراه باشید تا قسمت بعدی این مجموعه را با اجرای واقعی این آثار یکپارچه بخوانید.
همچنین میتوانید از جریان دادهها برای دریافت بینشهای آمازون Monitron در یک سیستم فروشگاهی مانند کنترل نظارت و جمعآوری داده (SCADA) یا تاریخدان استفاده کنید. اپراتورهای طبقه فروشگاه زمانی کارآمدتر هستند که تمام بینش ها در مورد دارایی ها و فرآیندهای آنها در یک شیشه واحد ارائه شود. در این مفهوم، آمازون مونیترون ابزار دیگری نیست که تکنسینها باید نظارت کنند، بلکه منبع داده دیگری با بینشهایی است که در نمای واحدی که قبلاً به آن عادت کردهاند ارائه شده است. در اواخر امسال، ما همچنین یک معماری را توصیف خواهیم کرد که میتوانید برای انجام این کار از آن استفاده کنید و بازخورد Amazon Monitron را به سیستمهای SCADA و تاریخدانان شخص ثالث ارسال کنید.
آخرین اما نه کماهمیت، جریان داده جدید از Amazon Monitron شامل انتقال وضعیت دارایی و کدهای بسته شدن ارائه شده توسط کاربران هنگام تأیید هشدارها (که باعث انتقال به وضعیت جدید میشود) است. با تشکر از این دادهها، میتوانید بهطور خودکار تصاویری بسازید که گزارشهای بیدرنگ از خرابیها و اقدامات انجامشده در حین بهرهبرداری از داراییهای آنها را ارائه میدهند.
سپس تیم شما میتواند با استفاده از خدمات کلیدی AWS که در این پست توضیح میدهیم، داشبورد تجزیه و تحلیل دادههای گستردهتری بسازد تا از عملکرد مدیریت ناوگان صنعتی شما با ترکیب این دادههای وضعیت دارایی با دادههای اندازهگیری آمازون Monitron و سایر دادههای اینترنت اشیا در سراسر ناوگان داراییهای صنعتی بزرگ پشتیبانی کند. ما نحوه ایجاد یک دریاچه داده اینترنت اشیا، گردش کار برای تولید و مصرف داده ها، و همچنین داشبورد خلاصه برای تجسم داده های حسگرهای آمازون Monitron و نتایج استنتاج را توضیح می دهیم. ما از مجموعه داده های آمازون Monitron استفاده می کنیم که از حدود 780 حسگر نصب شده در یک انبار صنعتی که بیش از 1 سال است کار می کند، استفاده می کنیم. برای راهنمای دقیق نصب آمازون مونیترون، مراجعه کنید شروع کار با آمازون مونیترون.
بررسی اجمالی راه حل
Amazon Monitron استنتاج ML از وضعیت سلامت دارایی را ارائه می دهد پس از 21 روز از دوره آموزش مدل ML برای هر دارایی در این راه حل، داده های اندازه گیری و استنتاج ML از این حسگرها از طریق به آمازون S3 صادر می شود آمازون کینزیس جریان داده با استفاده از آخرین ویژگی صادرات داده آمازون Monitron. به محض اینکه داده های Amazon Monitron IoT در آمازون S3 در دسترس است، یک پایگاه داده و جدول در آن ایجاد می شود آمازون آتنا با استفاده از خزنده چسب AWS. می توانید داده های آمازون مونیترون را از طریق جداول چسب AWS با Athena پرس و جو کنید و داده های اندازه گیری و استنتاج ML را با استفاده از آن تجسم کنید. آمازون گرافانا را مدیریت کرد. با آمازون مدیریت گرافانا، می توانید داشبوردهای قابلیت مشاهده را ایجاد کنید، کاوش کنید و با تیم خود به اشتراک بگذارید و زمان کمتری را برای مدیریت زیرساخت Grafana خود صرف کنید. در این پست، Amazon Managed Grafana را به Athena متصل میکنید و یاد میگیرید که چگونه یک داشبورد تجزیه و تحلیل داده با دادههای Amazon Monitron بسازید تا به شما در برنامهریزی عملیات داراییهای صنعتی در مقیاس کمک کند.
اسکرین شات زیر نمونه ای از آنچه می توانید در پایان این پست به دست آورید است. این داشبورد به سه بخش تقسیم می شود:
- نمای گیاه - اطلاعات تحلیلی از همه حسگرها در گیاهان؛ به عنوان مثال، تعداد کلی حالت های مختلف حسگرها (سالم، هشدار، یا هشدار)، تعداد آلارم های تایید نشده و تایید نشده، اتصال دروازه و میانگین زمان نگهداری
- نمای سایت – آمار در سطح سایت، مانند آمار وضعیت دارایی در هر سایت، تعداد کل روزهایی که زنگ هشدار تایید نشده است، دارایی های با عملکرد بالا/پایین در هر سایت و موارد دیگر
- نمای دارایی - اطلاعات خلاصه برای پروژه آمازون مونیترون در سطح دارایی، مانند نوع زنگ هشدار برای زنگ هشدار تایید نشده (ISO یا ML)، جدول زمانی برای زنگ هشدار، و موارد دیگر
این پانل ها نمونه هایی هستند که می توانند به برنامه ریزی عملیاتی استراتژیک کمک کنند، اما منحصر به فرد نیستند. میتوانید از یک گردش کار مشابه برای سفارشی کردن داشبورد بر اساس KPI مورد نظر خود استفاده کنید.
نمای کلی معماری
راه حلی که در این پست خواهید ساخت، آمازون Monitron، Kinesis Data Streams، Amazon Kinesis Data Firehose، Amazon S3، AWS Glue، Athena و Amazon Managed Grafana.
نمودار زیر معماری راه حل را نشان می دهد. سنسورهای آمازون Monitron ناهنجاریها را از تجهیزات اندازهگیری و تشخیص میدهند. هم داده های اندازه گیری و هم خروجی های استنتاج ML با فرکانس یک بار در ساعت به یک جریان داده Kinesis صادر می شوند و از طریق Kinesis Data Firehose با بافر 3 دقیقه ای به Amazon S1 تحویل داده می شوند. داده های صادر شده Amazon Monitron در قالب JSON است. یک خزنده AWS Glue داده های Amazon Monitron را در آمازون S3 با فرکانس انتخابی یک بار در ساعت تجزیه و تحلیل می کند، یک طرح ابرداده می سازد و جداول را در Athena ایجاد می کند. در نهایت، Amazon Managed Grafana از Athena برای پرسوجو از دادههای Amazon S3 استفاده میکند و به داشبوردهایی اجازه میدهد تا دادههای اندازهگیری و وضعیت سلامت دستگاه را تجسم کنند.
برای ایجاد این راه حل، مراحل سطح بالا زیر را تکمیل کنید:
- صادرات Kinesis Data Stream را از Amazon Monitron فعال کنید و یک جریان داده ایجاد کنید.
- Kinesis Data Firehose را پیکربندی کنید تا داده ها را از جریان داده به یک سطل S3 تحویل دهد.
- خزنده AWS Glue را بسازید تا جدولی از داده های Amazon S3 در آتنا ایجاد کنید.
- یک داشبورد از دستگاه های آمازون مونیترون با آمازون مدیریت گرافانا ایجاد کنید.
پیش نیازها
برای این راهنما، شما باید پیش نیازهای زیر را داشته باشید:
علاوه بر این، مطمئن شوید که تمام منابعی که مستقر می کنید در همان منطقه هستند.
صادرات جریان داده Kinesis را از Amazon Monitron فعال کنید و یک جریان داده ایجاد کنید
برای پیکربندی صادرات جریان داده خود، مراحل زیر را انجام دهید:
- در کنسول آمازون Monitron، از صفحه اصلی پروژه خود، را انتخاب کنید صادرات داده زنده را شروع کنید.
- تحت جریان داده Amazon Kinesis را انتخاب کنید، انتخاب کنید یک جریان داده جدید ایجاد کنید.
- تحت پیکربندی جریان داده، نام جریان داده خود را وارد کنید.
- برای ظرفیت جریان داده، انتخاب کنید بر اساس تقاضا.
- را انتخاب کنید ایجاد جریان داده.
توجه داشته باشید که هرگونه صادر کردن داده زنده که پس از ۴ آوریل ۲۰۲۳ فعال شود، دادهها را طبق طرحواره Kinesis Data Streams v4 پخش میکند. اگر یک صادرات داده موجود دارید که قبل از این تاریخ فعال شده است، این طرح از قالب v2023 پیروی می کند.
اکنون میتوانید اطلاعات مربوط به صادرات دادههای زنده را در کنسول آمازون Monitron با جریان داده Kinesis مشخص شده خود مشاهده کنید.
Kinesis Data Firehose را برای تحویل داده به سطل S3 پیکربندی کنید
برای پیکربندی جریان تحویل Firehose خود، مراحل زیر را انجام دهید:
- در کنسول Kinesis، را انتخاب کنید جریان های تحویل در صفحه ناوبری
- را انتخاب کنید ایجاد جریان تحویل.
- برای منبع، انتخاب کنید آمازون کینزیس جریان داده.
- برای مقصد، انتخاب کنید آمازون S3.
- تحت تنظیمات منبع، برای جریان داده های Kinesis، ARN جریان داده Kinesis خود را وارد کنید.
- تحت نام جریان تحویل، نام جریان داده Kinesis خود را وارد کنید.
- تحت تنظیمات مقصد، یک سطل S3 را انتخاب کنید یا یک URI سطل را وارد کنید. می توانید از یک سطل S3 موجود برای ذخیره داده های Amazon Monitron استفاده کنید یا می توانید یک سطل S3 جدید ایجاد کنید.
- پارتیشن بندی پویا را با استفاده از تجزیه درون خطی برای JSON فعال کنید:
- را انتخاب کنید فعال برای پارتیشن بندی پویا.
- را انتخاب کنید فعال برای تجزیه درون خطی برای JSON.
- تحت کلیدهای پارتیشن بندی پویا، کلیدهای پارتیشن زیر را اضافه کنید:
نام کلید | بیان JQ |
پروژه | .projectName| "project=(.)" |
سایت | .eventPayload.siteName| "site=(.)" |
دارایی | .eventPayload.assetName| "asset=(.)" |
موقعیت | .eventPayload.positionName| "position=(.)" |
زمان | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- را انتخاب کنید کلیدهای پارتیشن بندی پویا را اعمال کنید و تأیید کنید که پیشوند سطل S3 تولید شده این است:
- یک پیشوند برای وارد کنید پیشوند خروجی خطای سطل S3. هر بار JSON که حاوی کلیدهایی که قبلا توضیح داده شد نباشد در این پیشوند تحویل داده می شود. به عنوان مثال،
gatewayConnected
وgatewayDisconnected
رویدادها به یک دارایی یا موقعیت خاص مرتبط نیستند. بنابراین، آنها را شامل نمی شودassetName
وpositionName
زمینه های. تعیین این پیشوند اختیاری در اینجا به شما این امکان را می دهد که بر این مکان نظارت داشته باشید و این رویدادها را بر اساس آن پردازش کنید. - را انتخاب کنید ایجاد جریان تحویل.
می توانید داده های Amazon Monitron را در سطل S3 بررسی کنید. توجه داشته باشید که دادههای Amazon Monitron دادههای زنده را با فرکانس یک بار در ساعت صادر میکند، بنابراین برای بررسی دادهها ۱ ساعت صبر کنید.
این تنظیم Kinesis Data Firehose پارتیشن بندی پویا را فعال می کند و اشیاء S3 تحویل داده شده از فرمت کلید زیر استفاده می کنند:
خزنده AWS Glue را بسازید تا جدولی از داده های Amazon S3 در آتنا ایجاد کنید
پس از اینکه دادههای زنده به Amazon S3 صادر شد، از خزنده چسب AWS برای تولید جداول فراداده استفاده میکنیم. در این پست، ما از خزندههای چسب AWS برای استنباط خودکار پایگاه داده و طرح جدول از دادههای Amazon Monitron صادر شده در Amazon S3 استفاده میکنیم و ابردادههای مرتبط را در کاتالوگ داده چسب AWS ذخیره میکنیم. سپس آتنا از فراداده جدول از کاتالوگ داده برای یافتن، خواندن و پردازش داده ها در Amazon S3 استفاده می کند. مراحل زیر را برای ایجاد دیتابیس و طرح جدول خود انجام دهید:
- در کنسول AWS Glue، را انتخاب کنید خزنده ها در صفحه ناوبری
- را انتخاب کنید خزنده ایجاد کنید.
- یک نام برای خزنده وارد کنید (به عنوان مثال،
XXX_xxxx_monitron
). - را انتخاب کنید بعدی.
- برای آیا داده های شما قبلاً به جداول چسب نگاشت شده است؟، انتخاب کنید نه هنوز.
- برای منبع اطلاعات، انتخاب کنید S3.
- برای مکان داده های S3، انتخاب کنید در این حساب کاربریو مسیر دایرکتوری سطل S3 خود را که در قسمت قبل تنظیم کرده اید وارد کنید (
s3://YourBucketName
). - برای خزیدن های ذخیره شده داده S3 را تکرار کنید، انتخاب کنید خزیدن همه پوشه های فرعی.
- در آخر ، انتخاب کنید بعدی.
- انتخاب کنید نقش IAM جدید ایجاد کنید و یک نام برای نقش وارد کنید.
- را انتخاب کنید بعدی.
- انتخاب کنید افزودن پایگاه دادهو یک نام برای پایگاه داده وارد کنید. با این کار پایگاه داده Athena ایجاد می شود که جداول ابرداده شما پس از تکمیل خزنده در آن قرار دارند.
- برای برنامه خزنده، یک زمانبندی ترجیحی مبتنی بر زمان (به عنوان مثال ساعتی) را برای بازخوانی داده های Amazon Monitron در پایگاه داده انتخاب کنید و انتخاب کنید بعدی.
- جزئیات خزنده را بررسی کرده و انتخاب کنید ساختن.
- بر خزنده ها صفحه کنسول AWS Glue، خزنده ای را که ایجاد کرده اید انتخاب کرده و انتخاب کنید خزنده را اجرا کنید.
بسته به اندازه داده ها، ممکن است لازم باشد چند دقیقه صبر کنید. وقتی کامل شد، وضعیت خزنده به صورت نشان داده می شود آماده تحویل. برای دیدن جداول فراداده، به پایگاه داده خود در روی پایگاه داده ها صفحه و انتخاب کنید جداول در صفحه ناوبری
شما همچنین می توانید داده ها را با انتخاب مشاهده کنید داده های جدول روی کنسول
برای مشاهده 10 رکورد برتر داده های Amazon Monitron در Amazon S3 به کنسول Athena هدایت می شوید.
یک داشبورد از دستگاه های آمازون مونیترون با آمازون مدیریت گرافانا ایجاد کنید
در این بخش، ما یک داشبورد سفارشیسازیشده با Grafana مدیریتشده آمازون برای تجسم دادههای آمازون مونیترون در آمازون S3 میسازیم، به طوری که تیم OT میتواند در کل ناوگان حسگرهای آمازون Monitron دسترسی سادهتری به داراییها در حالت هشدار داشته باشد. این تیم OT را قادر می سازد تا اقدامات گام بعدی را بر اساس علت اصلی احتمالی ناهنجاری ها برنامه ریزی کند.
به یک فضای کاری Grafana ایجاد کنید، مراحل زیر را کامل کنید:
- مطمئن شوید که نقش کاربری شما مدیر یا ویرایشگر است.
- در کنسول Amazon Managed Grafana، را انتخاب کنید فضای کاری ایجاد کنید.
- برای نام فضای کاری، یک نام برای فضای کاری وارد کنید.
- را انتخاب کنید بعدی.
- برای دسترسی به احراز هویت، انتخاب کنید مرکز هویت AWS IAM (جانشین AWS Single Sign-On). شما می توانید از همان استفاده کنید کاربر AWS IAM Identity Center که برای راه اندازی پروژه آمازون Monitron خود استفاده کردید.
- را انتخاب کنید بعدی.
- برای این اولین فضای کاری، آن را تأیید کنید خدمات مدیریت شده برای انتخاب شده است نوع مجوز. این انتخاب به Amazon Managed Grafana امکان می دهد تا به طور خودکار مجوزهای مورد نیاز برای منابع داده AWS را که برای این فضای کاری استفاده می کنید، ارائه دهد.
- را انتخاب کنید حساب جاری.
- را انتخاب کنید بعدی.
- جزئیات فضای کاری را تأیید کنید و انتخاب کنید فضای کاری ایجاد کنید. صفحه جزئیات فضای کاری ظاهر می شود. در ابتدا، وضعیت است پدید آوردن.
- صبر کنید تا وضعیت مشخص شود فعال برای ادامه دادن به مرحله بعدی
برای پیکربندی منبع داده Athena، مراحل زیر را انجام دهید:
- در کنسول آمازون Managed Grafana، فضای کاری را که می خواهید روی آن کار کنید انتخاب کنید.
- بر منابع داده تب، انتخاب کنید آمازون آتنا، و انتخاب کنید اقدامات، فعال کردن خط مشی مدیریت سرویس.
- را انتخاب کنید در Grafana پیکربندی کنید در آمازون آتنا ردیف کردن
- در صورت لزوم با استفاده از IAM Identity Center به کنسول فضای کاری Grafana وارد شوید. کاربر باید خط مشی دسترسی آتنا را به کاربر یا نقش متصل کند تا به منبع داده آتنا دسترسی داشته باشد. دیدن خط مشی مدیریت شده AWS: AmazonGrafanaAthenaAccess برای اطلاعات بیشتر.
- در کنسول Grafana Workspace، در قسمت ناوبری، نماد AWS پایینی را انتخاب کنید (دو مورد وجود دارد) و سپس انتخاب کنید. الههء عقل و زیبایی در منابع داده منو.
- منطقه پیش فرضی را که می خواهید منبع داده Athena از آن پرس و جو کند، انتخاب کنید، حساب های مورد نظر خود را انتخاب کنید، سپس انتخاب کنید منبع داده را اضافه کنید.
- مراحل را دنبال کنید جزئیات آتنا را پیکربندی کنید.
اگر گروه کاری شما در Athena قبلاً یک مکان خروجی پیکربندی نشده است، باید یک سطل و پوشه S3 را برای استفاده برای نتایج جستجو مشخص کنید. پس از تنظیم منبع داده، می توانید آن را در قسمت مشاهده یا ویرایش کنید پیکر بندی پنجره
در بخشهای فرعی زیر، چندین پانل در داشبورد آمازون مونیترون ساخته شده در آمازون مدیریت گرافانا را برای به دست آوردن بینش عملیاتی نشان میدهیم. منبع داده Athena یک ویرایشگر پرس و جو استاندارد SQL را ارائه می دهد که ما از آن برای تجزیه و تحلیل داده های Amazon Monitron برای تولید تجزیه و تحلیل مورد نظر استفاده خواهیم کرد.
اولاً، اگر سنسورهای زیادی در پروژه آمازون Monitron وجود داشته باشد و آنها در حالتهای مختلف (سالم، هشدار، زنگ هشدار و نیاز به تعمیر و نگهداری باشند)، تیم OT میخواهد تعداد موقعیتهایی را که حسگرها در حالتهای مختلف قرار دارند به صورت بصری مشاهده کنند. شما می توانید چنین اطلاعاتی را به عنوان ویجت نمودار دایره ای در Grafana از طریق جستجوی Athena زیر بدست آورید:
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;
اسکرین شات زیر پنلی را با آخرین توزیع وضعیت سنسور آمازون Monitron نشان می دهد.
برای فرمت پرس و جوی SQL خود برای داده های آمازون مونیترون، به درک طرحواره صادرات داده.
در مرحله بعد، تیم فناوری عملیات شما ممکن است بخواهد تعمیر و نگهداری پیشبینیکننده را بر اساس داراییهایی که در وضعیت هشدار قرار دارند، برنامهریزی کنند و بنابراین میخواهند تعداد کل هشدارهای تأیید شده در مقابل هشدارهای تأیید نشده را به سرعت بدانند. شما می توانید خلاصه اطلاعات وضعیت هشدار را به عنوان پانل های آماری ساده در Grafana نشان دهید:
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';
پانل زیر آلارم های تایید شده و تایید نشده را نشان می دهد.
تیم OT همچنین میتواند مدت زمانی که حسگرها در وضعیت هشدار باقی میمانند را جویا شوند تا بتوانند اولویت نگهداری خود را تعیین کنند:
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;
خروجی این تحلیل را می توان با نمودار میله ای در Grafana مشاهده کرد و زنگ هشدار در حالت آلارم را می توان به راحتی همانطور که در تصویر زیر نشان داده شده است مشاهده کرد.
برای تجزیه و تحلیل عملکرد دارایی بالا/پایین بر اساس کل مدت زمانی که دارایی ها در حالت هشدار قرار دارند یا نیاز به تعمیر دارند، از عبارت زیر استفاده کنید:
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;
نوار سنج زیر برای تجسم خروجی پرس و جوی قبلی استفاده می شود، دارایی های با عملکرد بالا 0 روز از حالت های هشدار را نشان می دهد و دارایی های عملکرد پایین وضعیت هشدار انباشته شده در سال گذشته را نشان می دهد.
برای کمک به تیم OT در درک علت اصلی احتمالی یک ناهنجاری، میتوان انواع هشدار را برای این داراییها که هنوز در حالت هشدار هستند با عبارت زیر نمایش داد:
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');
شما می توانید این تحلیل را به صورت جدول در Grafana تجسم کنید. در این پروژه آمازون مونیترون، دو آلارم توسط مدلهای ML برای اندازهگیری ارتعاش فعال شد.
داشبورد Grafana مدیریت شده آمازون برای اهداف تصویری در اینجا نشان داده شده است. شما می توانید طراحی داشبورد را با توجه به نیازهای تجاری خود تطبیق دهید.
گزارش های شکست
هنگامی که یک کاربر هشداری را در برنامه آمازون Monitron تأیید می کند، دارایی های مرتبط به وضعیت جدیدی منتقل می شوند. کاربر همچنین این فرصت را دارد که جزئیاتی در مورد این زنگ هشدار ارائه دهد:
- علت عدم موفقیت - این می تواند یکی از موارد زیر باشد: مدیریت، طراحی، ساخت، نگهداری، عملیات، سایر موارد، کیفیت، پوشیدن، یا نامشخص
- حالت عدم موفقیت – این می تواند یکی از موارد زیر باشد: NO_ISSUE، BLOCKAGE، CAVITATION، COROZION، Deposit، IMbalance، LUBRICATION، MISALIGNMENT، OTHER، RESONANCE، ROTATING_LOOSENESS، STRUCTURAL_LOOSENESS، TRANSMITTED_FAUNTERMINED، یا
- اقدام انجام شده - این می تواند تنظیم، تمیز کردن، روغن کاری، اصلاح، تعمیر اساسی، تعویض، NO_ACTION یا موارد دیگر باشد.
بار رویداد مربوط به انتقال حالت دارایی شامل تمام این اطلاعات، وضعیت قبلی دارایی و وضعیت جدید دارایی است. منتظر بروزرسانی این پست با جزئیات بیشتر در مورد نحوه استفاده از این اطلاعات در پانل اضافی Grafana برای ایجاد نمودارهای پارتو از رایج ترین خرابی ها و اقدامات انجام شده در دارایی های خود باشید.
نتیجه
مشتریان سازمانی آمازون مونیترون به دنبال راه حلی برای ایجاد یک دریاچه داده اینترنت اشیا با داده های زنده آمازون مونیترون هستند تا بتوانند چندین پروژه و دارایی آمازون مونیترون را مدیریت کنند و گزارش های تحلیلی را در چندین پروژه آمازون مونیترون تولید کنند. این پست یک راه حل دقیق برای ساخت این دریاچه داده اینترنت اشیا با جدیدترین ها ارائه می دهد ویژگی Amazon Monitron Kinesis صادرات داده v2. این راه حل همچنین نشان داد که چگونه می توان از سایر سرویس های AWS مانند AWS Glue و Athena برای پرس و جو کردن داده ها، تولید خروجی های تجزیه و تحلیل و تجسم چنین خروجی هایی با آمازون Managed Grafana با رفرش مکرر استفاده کرد.
به عنوان گام بعدی، می توانید این راه حل را با ارسال نتایج استنتاج ML به سایر سیستم های EAM که ممکن است برای مدیریت سفارش کار استفاده کنید، گسترش دهید. این به تیم عملیاتی شما اجازه میدهد تا Amazon Monitron را با سایر برنامههای کاربردی سازمانی ادغام کرده و کارایی عملیات خود را بهبود بخشد. همچنین میتوانید با پردازش انتقالهای حالت دارایی و کدهای بسته شدن که اکنون بخشی از بار جریان داده Kinesis هستند، بینشهای عمیقتری درباره حالتهای خرابی و اقدامات انجامشده ایجاد کنید.
درباره نویسندگان
جولیا هو یک معمار راه حل های AI/ML Sr. در خدمات وب آمازون است. او تجربه گستردهای در معماری اینترنت اشیا و علوم داده کاربردی دارد و بخشی از جامعه یادگیری ماشین و حوزه فنی اینترنت اشیا است. او با مشتریان، از شرکتهای نوپا گرفته تا شرکتها، برای توسعه راهحلهای یادگیری ماشینی AWSome IoT (ML) در Edge و در Cloud کار میکند. او از استفاده از آخرین فناوری IoT و کلان داده برای افزایش مقیاس راه حل ML خود، کاهش تأخیر و تسریع پذیرش صنعت لذت می برد.
بشر طبعا یک معمار راه حل در خدمات وب آمازون است. Bishr در کمک به مشتریان در زمینه یادگیری ماشینی، امنیت و کاربردهای مشاهدهپذیری تخصص دارد. خارج از محل کار، او از بازی تنیس، آشپزی و گذراندن وقت با خانواده لذت می برد.
شالیکا پرگل مدیر محصول در خدمات وب آمازون است. Shalika بر ساخت محصولات و خدمات هوش مصنوعی برای مشتریان صنعتی تمرکز دارد. او تجربه قابل توجهی را در تقاطع توسعه محصول، صنعتی و تجاری به ارمغان می آورد. او اخیرا به اشتراک گذاشته است داستان موفقیت مونیترون در Reinvent 2022.
گری گالینسکی یک معمار راه حل اصلی است که از آمازون در AWS پشتیبانی می کند. او از زمان آغاز به کار با Monitron درگیر بوده است و به ادغام و استقرار راه حل در شبکه تحقق جهانی آمازون کمک کرده است. او اخیراً آمازون را به اشتراک گذاشته است داستان موفقیت مونیترون در re:Invent 2022.
مایکل هوراو یک معمار راه حل های تخصصی AI/ML در AWS است که بسته به لحظه، بین دانشمند داده و معمار یادگیری ماشین جایگزین می شود. او مشتاق به آوردن قدرت AI/ML به فروشگاه های مشتریان صنعتی خود است و روی طیف گسترده ای از موارد استفاده از ML کار کرده است، از تشخیص ناهنجاری گرفته تا کیفیت پیش بینی محصول یا بهینه سازی تولید. او منتشر کرد کتاب تحلیل سری های زمانی در سال 2022 و مرتباً در مورد این موضوع می نویسد لینک و متوسط. وقتی به مشتریان کمک نمی کند تا بهترین تجربیات یادگیری ماشینی بعدی را ایجاد کنند، از مشاهده ستاره ها، مسافرت یا نواختن پیانو لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- ضرب کردن آینده با آدرین اشلی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- : دارد
- :است
- :نه
- $UP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- درباره ما
- شتاب دادن
- دسترسی
- مطابق
- بر این اساس
- حساب ها
- جمع آوری شده
- رسیدن
- اکتساب
- در میان
- عمل
- اقدامات
- فعالیت
- وفق دادن
- اضافی
- مدیر سایت
- حکومت
- اتخاذ
- پس از
- AI
- AI / ML
- کمک
- هشدار
- تصویر، موسیقی
- معرفی
- اجازه دادن
- اجازه می دهد تا
- قبلا
- همچنین
- آمازون
- آمازون کینسیس
- آمازون گرافانا را مدیریت کرد
- آمازون خدمات وب
- مقدار
- an
- تحلیل
- تحلیلی
- علم تجزیه و تحلیل
- تحلیل
- تجزیه و تحلیل
- و
- تشخیص ناهنجاری
- دیگر
- هر
- نرم افزار
- برنامه های کاربردی
- اعمال می شود
- روش
- آوریل
- معماری
- هستند
- AS
- دارایی
- مدیریت دارایی
- دارایی
- مرتبط است
- At
- خودکار
- بطور خودکار
- اتوماسیون
- در دسترس
- میانگین
- اجتناب از
- AWS
- چسب AWS
- به عقب
- بار
- مستقر
- BE
- شدن
- بوده
- قبل از
- بهترین
- بهتر
- میان
- بزرگ
- بزرگ داده
- کتاب
- هر دو
- پایین
- آوردن
- به ارمغان می آورد
- گسترده تر
- بافر
- ساختن
- بنا
- می سازد
- ساخته
- کسب و کار
- توسعه تجاری
- اما
- by
- CAN
- می توانید دریافت کنید
- گرفتن
- مورد
- موارد
- کاتالوگ
- علت
- علل
- مرکز
- مراکز
- چالش ها
- چارت سازمانی
- نمودار
- اتاق های گفت و گو
- را انتخاب کنید
- انتخاب
- برگزیده
- طبقه بندی
- بسته شدن
- ابر
- رمز
- جمع آوری
- ترکیب
- ترکیب
- ترکیب
- آینده
- مشترک
- انجمن
- کامل
- پیچیده
- مفهوم
- شرط
- تکرار
- اتصال
- اتصال
- کنسول
- مصرف
- شامل
- شامل
- مداوم
- کنترل
- میتوانست
- خزنده
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- مشتریان
- سفارشی
- سفارشی
- چرخه
- داشبورد
- داده ها
- تجزیه و تحلیل داده ها
- دریاچه دریاچه
- علم اطلاعات
- دانشمند داده
- پایگاه داده
- تاریخ
- روز
- اغاز کار
- تصمیم گیری
- به طور پیش فرض
- ارائه
- تحویل داده
- تحویل
- نشان دادن
- بستگی دارد
- گسترش
- سپرده
- توصیف
- شرح داده شده
- طرح
- مطلوب
- دقیق
- جزئیات
- کشف
- توسعه
- پروژه
- دستگاه
- دستگاه ها
- مختلف
- مستقیما
- كشف كردن
- توزیع
- تقسیم شده
- نمی کند
- مدت از کار افتادگی
- پویا
- هر
- پیش از آن
- به آسانی
- لبه
- سردبیر
- به طور موثر
- بهره وری
- موثر
- موثر
- هر دو
- قادر ساختن
- فعال
- را قادر می سازد
- پشت سر هم
- مورد تأیید
- غنی شده
- غنی سازی
- وارد
- سرمایه گذاری
- شرکت
- محیط
- تجهیزات
- خطا
- واقعه
- حوادث
- مثال
- مثال ها
- انحصاری
- موجود
- گسترش
- تجربه
- تجارب
- توضیح دهید
- اکتشاف
- صادرات
- وسیع
- تجربه گسترده
- شکست
- خانواده
- باز خورد
- کمی از
- رشته
- زمینه
- سرانجام
- پیدا کردن
- نام خانوادگی
- ناوگان
- طبقه
- متمرکز شده است
- تمرکز
- به دنبال
- پیروی
- برای
- قالب
- فرکانس
- مکرر
- از جانب
- افزایش
- دروازه
- تولید می کنند
- تولید
- دریافت کنید
- داده
- شیشه
- گروه
- راهنمایی
- رخ دادن
- آیا
- he
- سلامتی
- سالم
- کمک
- کمک کرد
- کمک
- اینجا کلیک نمایید
- در سطح بالا
- چگونه
- چگونه
- HTML
- HTTPS
- آی بی ام
- ICON
- شناسایی
- هویت
- عدم تعادل
- انجام
- پیاده سازی
- بهبود
- in
- در عمق
- شامل
- شامل
- وارد شونده
- صنعتی
- صنعت
- اطلاعات
- اطلاعات
- شالوده
- در ابتدا
- بینش
- نصب شده
- قسط
- نمونه
- ادغام
- یکپارچه
- ادغام
- اینترنت
- اینترنت از چیزهایی که
- تقاطع
- به
- گرفتار
- اینترنت اشیا
- ISO
- مسائل
- IT
- ITS
- پیوستن
- JPG
- json
- مشتاق
- کلید
- کلید
- کینسیس دیتا فایرهوز
- جریان داده های Kinesis
- دانستن
- دریاچه
- بزرگ
- تاخیر
- آخرین
- راه اندازی
- یاد گرفتن
- یادگیری
- سطح
- بهره برداری
- محدود
- محدود شده
- خطوط
- مرتبط
- لینک
- زنده
- داده های زنده
- واقع شده
- محل
- به دنبال
- دستگاه
- فراگیری ماشین
- دستگاه
- اصلی
- حفظ
- نگهداری
- عمده
- ساخت
- مدیریت
- اداره می شود
- مدیریت
- مدیر
- مدیران
- مدیریت
- تولید
- بسیاری
- بیشینه ساختن
- ممکن است..
- اندازه
- مکانیکی
- متوسط
- فهرست
- متاداده
- قدرت
- دقیقه
- گم
- ML
- موبایل
- برنامه موبایل
- مدل
- مدل
- حالت های
- تغییر
- لحظه
- مانیتور
- نظارت بر
- ماه
- بیش
- کارآمدتر
- اکثر
- چندگانه
- نام
- هدایت
- جهت یابی
- لازم
- نیاز
- نیازهای
- شبکه
- جدید
- بعد
- اکنون
- عدد
- اشیاء
- گرفتن
- of
- on
- ONE
- فقط
- باز می شود
- کار
- عملیاتی
- عمل
- قابل استفاده
- عملیات
- اپراتور
- فرصت
- بهینه سازی
- or
- سفارش
- سفارشات
- کدام سازمان ها
- دیگر
- ما
- تولید
- خارج از
- روی
- به طور کلی
- تعمیرات اساسی
- خود
- با ما
- قطعه
- تابلو
- پانل
- بخش
- احساساتی
- گذشته
- مسیر
- انجام
- کارایی
- انجام
- متناوب
- اجازه
- مجوز
- برنامه
- برنامه ریزی
- گیاهان
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- سیاست
- موقعیت
- موقعیت
- ممکن
- پست
- پتانسیل
- قدرت
- تمرین
- تجزیه و تحلیل پیش بینی
- مرجح
- پیش نیازها
- قبلی
- اصلی
- اولویت
- بلادرنگ
- روند
- فرآیندهای
- در حال پردازش
- تولید کردن
- محصول
- مدیر تولید
- کیفیت محصول
- تولید
- محصولات
- پروژه
- پروژه ها
- ارائه
- ارائه
- فراهم می کند
- تدارک
- منتشر شده
- اهداف
- کیفیت
- به سرعت
- محدوده
- اعم
- RE
- خواندن
- زمان واقعی
- دلیل
- تازه
- سوابق
- كاهش دادن
- منطقه
- به طور منظم
- تقویت کردن
- قابلیت اطمینان
- قابل اعتماد
- ماندن
- بقایای
- جایگزین کردن
- گزارش
- گزارش ها
- تشدید
- منابع
- نتایج
- خطر
- نقش
- اتاق
- ریشه
- ROW
- دویدن
- در حال اجرا
- s
- همان
- شیره
- مقیاس
- علم
- دانشمند
- حوزه
- بخش
- بخش
- ایمن
- تیم امنیت لاتاری
- انتخاب شد
- انتخاب
- در حال ارسال
- سنسور
- سلسله
- سرویس
- خدمات
- تنظیم
- محیط
- برپایی
- چند
- اشتراک گذاری
- به اشتراک گذاشته شده
- فروشگاه
- باید
- نشان
- نشان داده شده
- نشان می دهد
- قابل توجه
- مشابه
- ساده
- پس از
- تنها
- سایت
- سایت
- اندازه
- So
- نرم افزار
- راه حل
- مزایا
- برخی از
- منبع
- منابع
- متخصص
- تخصص دارد
- مشخص شده
- خرج کردن
- هزینه
- استاندارد
- ستاره
- شروع
- شروع یو پی اس
- آغاز شده
- دولت
- ایالات
- ارقام
- آمار
- وضعیت
- ماندن
- گام
- مراحل
- هنوز
- ذخیره سازی
- opbevare
- استراتژیک
- استراتژی
- جریان
- ساده
- جریان
- موفقیت
- چنین
- خلاصه
- پشتیبانی
- حمایت از
- سیستم
- سیستم های
- جدول
- هدف قرار
- کار
- تیم
- تیم ها
- فنی
- پیشرفته
- نسبت به
- با تشکر
- که
- La
- دولت
- شان
- آنجا.
- از این رو
- اینها
- آنها
- اشیاء
- شخص ثالث
- این
- در این سال
- سه
- زمان
- سری زمانی
- جدول زمانی
- برچسب زمان
- به
- ابزار
- بالا
- بالا 10
- موضوع
- جمع
- مسیر
- آموزش
- انتقال
- انتقال
- گذار
- سفر
- ماشه
- باعث شد
- انواع
- فهمیدن
- بروزرسانی
- آپ تایم
- استفاده کنید
- استفاده
- کاربر
- کاربران
- با استفاده از
- v1
- مختلف
- از طريق
- تصویری
- چشم انداز
- vs
- صبر کنيد
- خرید
- هشدار
- بود
- راه
- we
- وب
- خدمات وب
- خوب
- بود
- چی
- که
- در حین
- WHO
- تمام
- وسیع
- دامنه گسترده
- اراده
- با
- مهاجرت کاری
- مشغول به کار
- گردش کار
- کارگروه
- با این نسخهها کار
- در سرتاسر جهان
- سال
- شما
- شما
- یوتیوب
- زفیرنت