تعمیر و نگهداری پیش بینی یک استراتژی نگهداری مبتنی بر داده برای نظارت بر دارایی های صنعتی به منظور شناسایی ناهنجاری ها در عملیات تجهیزات و سلامت است که می تواند منجر به خرابی تجهیزات شود. از طریق نظارت پیشگیرانه از وضعیت دارایی، می توان به پرسنل تعمیر و نگهداری قبل از بروز مشکلات هشدار داد، در نتیجه از توقف پرهزینه برنامه ریزی نشده، که به نوبه خود منجر به افزایش اثربخشی کلی تجهیزات (OEE) می شود، جلوگیری کرد.
با این حال، ساخت مدلهای یادگیری ماشینی (ML) لازم برای نگهداری پیشبینی، پیچیده و زمانبر است. این به چندین مرحله نیاز دارد، از جمله پیش پردازش داده ها، ساختن، آموزش، ارزیابی، و سپس تنظیم دقیق چندین مدل ML که می تواند به طور قابل اعتمادی ناهنجاری ها را در داده های دارایی شما پیش بینی کند. سپس مدلهای ML نهایی باید مستقر شوند و با دادههای زنده برای پیشبینیهای آنلاین (استنباط) ارائه شوند. مقیاسبندی این فرآیند به داراییهای متعدد از انواع مختلف و پروفایلهای عملیاتی، اغلب برای ایجاد پذیرش گستردهتر تعمیر و نگهداری پیشبینیکننده، به شدت نیازمند منابع است.
با آمازون مواظب تجهیزات، می توانید به طور یکپارچه داده های حسگر را برای تجهیزات صنعتی خود تجزیه و تحلیل کنید تا رفتار غیرعادی دستگاه را تشخیص دهید - بدون نیاز به تجربه ML.
وقتی مشتریان موارد استفاده پیشبینیکننده تعمیر و نگهداری را با Lookout for Equipment پیادهسازی میکنند، معمولاً بین سه گزینه برای ارائه پروژه انتخاب میکنند: خودشان آن را بسازند، با یک شریک AWS کار کنند یا از خدمات حرفهای AWS استفاده کنند. قبل از تعهد به چنین پروژه هایی، تصمیم گیرندگانی مانند مدیران کارخانه، مدیران قابلیت اطمینان یا تعمیر و نگهداری، و رهبران خط می خواهند شواهدی از ارزش بالقوه ای را ببینند که تعمیر و نگهداری پیش بینی می تواند در خطوط کسب و کار خود کشف کند. چنین ارزیابی معمولاً به عنوان بخشی از اثبات مفهوم (POC) انجام می شود و مبنایی برای یک پرونده تجاری است.
این پست هم برای کاربران فنی و هم برای کاربران غیرفنی ارسال شده است: این یک رویکرد موثر برای ارزیابی Lookout for Equipment با دادههای خودتان ارائه میکند و به شما این امکان را میدهد تا ارزش تجاری را که فعالیتهای تعمیر و نگهداری پیشبینی شما ارائه میدهد اندازهگیری کنید.
بررسی اجمالی راه حل
در این پست، شما را از طریق مراحل دریافت مجموعه داده در Lookout for Equipment، بررسی کیفیت دادههای حسگر، آموزش یک مدل و ارزیابی مدل راهنمایی میکنیم. تکمیل این مراحل به کسب بینش در مورد سلامت تجهیزات شما کمک می کند.
پیش نیازها
تنها چیزی که برای شروع نیاز دارید یک حساب AWS و یک تاریخچه از داده های حسگر برای دارایی هایی است که می توانند از رویکرد تعمیر و نگهداری پیش بینی بهره مند شوند. داده های حسگر باید به عنوان فایل CSV در یک ذخیره شود سرویس ذخیره سازی ساده آمازون (Amazon S3) سطل از حساب شما. تیم فناوری اطلاعات شما باید بتواند با مراجعه به این پیش نیازها را برآورده کند فرمت کردن داده های شما. برای ساده نگه داشتن همه چیز، بهتر است تمام داده های حسگر را در یک فایل CSV ذخیره کنید که در آن ردیف ها مُهر زمان و ستون ها حسگرهای جداگانه هستند (تا 300).
هنگامی که مجموعه داده خود را در آمازون S3 در دسترس قرار دادید، می توانید ادامه این پست را دنبال کنید.
یک مجموعه داده اضافه کنید
Lookout for Equipment از پروژه ها برای سازماندهی منابع برای ارزیابی قطعات تجهیزات صنعتی استفاده می کند. برای ایجاد یک پروژه جدید، مراحل زیر را انجام دهید:
- در کنسول Lookout for Equipment، را انتخاب کنید ایجاد پروژه.
- نام پروژه را وارد کرده و انتخاب کنید ایجاد پروژه.
پس از ایجاد پروژه، می توانید مجموعه داده ای را وارد کنید که برای آموزش و ارزیابی یک مدل برای تشخیص ناهنجاری استفاده می شود.
- در صفحه پروژه، را انتخاب کنید افزودن مجموعه داده.
- برای مکان S3، مکان S3 (به استثنای نام فایل) داده های خود را وارد کنید.
- برای روش تشخیص طرحواره، انتخاب کنید با نام فایل، که فرض می کند تمام داده های حسگر برای یک دارایی در یک فایل CSV در مکان مشخص شده S3 موجود است.
- سایر تنظیمات را به عنوان پیش فرض نگه دارید و انتخاب کنید مصرف را شروع کنید برای شروع فرآیند بلع
بلع ممکن است حدود 10 تا 20 دقیقه طول بکشد تا کامل شود. در پس زمینه، Lookout for Equipment وظایف زیر را انجام می دهد:
- ساختار داده ها مانند نام حسگرها و انواع داده ها را تشخیص می دهد.
- مُهرهای زمانی بین سنسورها تراز شده و مقادیر گمشده پر میشوند (با استفاده از آخرین مقدار شناخته شده).
- مُهرهای زمانی تکراری حذف می شوند (فقط آخرین مقدار برای هر مهر زمانی حفظ می شود).
- Lookout for Equipment از انواع مختلفی از الگوریتم ها برای ساخت مدل تشخیص ناهنجاری ML استفاده می کند. در طول مرحله مصرف، داده ها را آماده می کند تا بتوان از آن برای آموزش آن الگوریتم های مختلف استفاده کرد.
- مقادیر اندازه گیری را تجزیه و تحلیل می کند و هر سنسور را به عنوان کیفیت بالا، متوسط یا پایین درجه بندی می کند.
- هنگامی که مصرف مجموعه داده کامل شد، با انتخاب آن را بررسی کنید مشاهده مجموعه داده زیر مرحله 2 صفحه پروژه
هنگام ایجاد یک مدل تشخیص ناهنجاری، انتخاب بهترین حسگرها (حسگرهایی که دارای بالاترین کیفیت داده هستند) اغلب برای مدلهای آموزشی که بینشهای عملی ارائه میدهند بسیار مهم است. این جزئیات مجموعه داده بخش توزیع درجه بندی سنسور (بین زیاد، متوسط و پایین) را نشان می دهد، در حالی که جدول اطلاعات مربوط به هر سنسور را به طور جداگانه نشان می دهد (شامل نام سنسور، محدوده تاریخ و درجه بندی داده های سنسور). با این گزارش تفصیلی، می توانید تصمیم آگاهانه ای در مورد اینکه از چه سنسورهایی برای آموزش مدل های خود استفاده خواهید کرد، بگیرید. اگر بخش بزرگی از حسگرها در مجموعه داده شما بهعنوان متوسط یا پایین درجهبندی شوند، ممکن است مشکل دادهای وجود داشته باشد که نیاز به بررسی دارد. در صورت لزوم، می توانید فایل داده را مجدداً در آمازون S3 بارگذاری کنید و با انتخاب دوباره داده ها را وارد کنید جایگزینی مجموعه داده.
با انتخاب ورودی درجه سنسور در جدول جزئیات، می توانید جزئیات مربوط به خطاهای اعتبارسنجی را که منجر به یک درجه معین می شود، بررسی کنید. نمایش و پرداختن به این جزئیات به اطمینان از کیفیت بالای اطلاعات ارائه شده به مدل کمک می کند. برای مثال، ممکن است ببینید یک سیگنال دارای مقادیر غیرمنتظره بزرگی از مقادیر گم شده است. آیا این مشکل انتقال داده است یا سنسور خراب است؟ زمان آن است که در داده های خود عمیق تر شوید!
برای کسب اطلاعات بیشتر در مورد انواع مختلف مشکلات حسگر که نشانی های Lookout for Equipment هنگام درجه بندی سنسورهای خود را نشان می دهد، به ارزیابی درجه سنسور. توسعه دهندگان همچنین می توانند این بینش ها را با استفاده از ListSensorStatistics API.
وقتی از مجموعه داده خود راضی هستید، می توانید به مرحله بعدی آموزش مدلی برای پیش بینی ناهنجاری ها بروید.
یک مدل تربیت کنید
Lookout for Equipment امکان آموزش مدل ها را برای حسگرهای خاص فراهم می کند. این به شما انعطافپذیری میدهد تا با ترکیبهای مختلف سنسور آزمایش کنید یا سنسورهایی با درجهبندی پایین را حذف کنید. مراحل زیر را کامل کنید:
- در جزئیات توسط سنسور بخش در صفحه مجموعه داده، حسگرهایی را که باید در مدل خود قرار دهید انتخاب کنید و انتخاب کنید مدل ایجاد کنید.
- برای نام مدل، نام مدل را وارد کنید، سپس انتخاب کنید بعدی.
- در تنظیمات آموزش و ارزیابی بخش، داده های ورودی مدل را پیکربندی کنید.
برای آموزش موثر مدل ها، داده ها باید به مجموعه های آموزشی و ارزیابی جداگانه تقسیم شوند. شما می توانید محدوده تاریخ این تقسیم را در این بخش به همراه نرخ نمونه برداری برای سنسورها تعریف کنید. چگونه این تقسیم را انتخاب می کنید؟ موارد زیر را در نظر بگیرید:
- Lookout for Equipment حداقل 3 ماه داده در محدوده آموزشی را انتظار دارد، اما مقدار بهینه داده توسط مورد استفاده شما هدایت می شود. ممکن است برای محاسبه هر نوع چرخه فصلی یا عملیاتی که تولید شما طی می کند، داده های بیشتری لازم باشد.
- هیچ محدودیتی در محدوده ارزیابی وجود ندارد. با این حال، توصیه میکنیم یک محدوده ارزیابی که شامل ناهنجاریهای شناخته شده باشد، تنظیم کنید. به این ترتیب، می توانید بررسی کنید که Lookout for Equipment قادر به ثبت هر رویداد مورد علاقه ای است که منجر به این ناهنجاری ها می شود یا خیر.
با تعیین نرخ نمونه، Lookout for Equipment به طور موثر داده های حسگر را پایین می آورد، که می تواند زمان آموزش را به میزان قابل توجهی کاهش دهد. نرخ نمونهبرداری ایدهآل به انواع ناهنجاریهایی که در دادههای خود مشکوک هستید بستگی دارد: برای ناهنجاریهای با روند کند، انتخاب نرخ نمونهگیری بین 1 تا 10 دقیقه معمولاً نقطه شروع خوبی است. انتخاب مقادیر کمتر (افزایش نرخ نمونهبرداری) منجر به زمانهای آموزشی طولانیتر میشود، در حالی که مقادیر بالاتر (نرخ نمونهگیری پایین) زمان آموزش را در خطر حذف شاخصهای پیشرو از دادههای شما مرتبط با پیشبینی ناهنجاریها کوتاه میکند.
برای آموزش فقط در مورد بخشهای مرتبط از دادههای خود در جایی که تجهیزات صنعتی کار میکردند، میتوانید با انتخاب یک حسگر و تعیین آستانهای که نشان میدهد تجهیزات در حالت روشن یا خاموش بوده است، تشخیص غیرفعال را انجام دهید. این بسیار مهم است زیرا به Lookout for Equipment اجازه می دهد تا دوره های زمانی آموزش را در زمانی که دستگاه خاموش است فیلتر کند. این بدان معناست که مدل فقط حالت های عملیاتی مرتبط را یاد می گیرد و نه فقط زمانی که دستگاه خاموش است.
- تشخیص زمان خاموشی خود را مشخص کنید، سپس انتخاب کنید بعدی.
به صورت اختیاری، میتوانید برچسبهای داده را ارائه کنید که دورههای نگهداری یا زمانهای خرابی تجهیزات شناخته شده را نشان میدهند. اگر چنین دادههایی در دسترس دارید، میتوانید یک فایل CSV با دادههای موجود در a ایجاد کنید فرمت مستند، آن را در آمازون S3 آپلود کنید و برای آموزش مدل از آن استفاده کنید. ارائه برچسب ها می تواند دقت مدل آموزش دیده را با گفتن Lookout for Equipment در جایی که باید انتظار پیدا کردن ناهنجاری های شناخته شده را داشته باشد، بهبود بخشد.
- هر برچسب داده را مشخص کنید، سپس انتخاب کنید بعدی.
- در مرحله آخر تنظیمات خود را مرور کنید. اگر همه چیز خوب به نظر می رسد، می توانید آموزش را شروع کنید.
بسته به اندازه مجموعه داده شما، تعداد حسگرها و نرخ نمونه برداری، آموزش مدل ممکن است چند لحظه یا تا چند ساعت طول بکشد. به عنوان مثال، اگر از 1 سال داده با نرخ نمونه برداری 5 دقیقه ای با 100 حسگر و بدون برچسب استفاده کنید، آموزش یک مدل کمتر از 15 دقیقه طول می کشد. از سوی دیگر، اگر داده های شما حاوی تعداد زیادی برچسب باشد، زمان آموزش می تواند به میزان قابل توجهی افزایش یابد. در چنین شرایطی، می توانید با ادغام دوره های برچسب مجاور برای کاهش تعداد آنها، زمان تمرین را کاهش دهید.
شما به تازگی اولین مدل تشخیص ناهنجاری خود را بدون هیچ دانش ML آموزش داده اید! اکنون بیایید به بینش هایی که می توانید از یک مدل آموزش دیده به دست آورید نگاه کنیم.
یک مدل آموزش دیده را ارزیابی کنید
وقتی آموزش مدل به پایان رسید، می توانید با انتخاب جزئیات مدل را مشاهده کنید مشاهده مدل ها در صفحه پروژه و سپس انتخاب نام مدل.
علاوه بر اطلاعات عمومی مانند نام، وضعیت و زمان آموزش، صفحه مدل دادههای عملکرد مدل مانند تعداد رویدادهای برچسبگذاری شده شناسایی شده (با فرض اینکه برچسبها را ارائه کردهاید)، میانگین زمان هشدار قبلی، و تعداد رویدادهای غیرعادی تجهیزات شناسایی شده در خارج از محدوده را خلاصه میکند. محدوده برچسب تصویر زیر یک نمونه را نشان می دهد. برای دید بهتر، رویدادهای شناسایی شده (نوارهای قرمز در بالای روبان) همراه با رویدادهای برچسبگذاری شده (نوارهای آبی در پایین روبان) تجسم میشوند.
برای دریافت اطلاعات بیشتر، میتوانید رویدادهای شناساییشده را با انتخاب مناطق قرمز نشاندهنده ناهنجاریها در نمای خط زمانی انتخاب کنید. این شامل:
- زمان شروع و پایان رویداد به همراه مدت زمان آن.
- نمودار میلهای با حسگرهایی که مدل معتقد است بیشترین ارتباط را با چرایی وقوع یک ناهنجاری دارد. نمرات درصد نشان دهنده مشارکت کلی محاسبه شده است.
این بینش ها به شما این امکان را می دهد که با مهندسین فرآیند یا قابلیت اطمینان خود کار کنید تا ارزیابی ریشه ای بیشتر رویدادها را انجام دهید و در نهایت فعالیت های تعمیر و نگهداری را بهینه کنید، زمان های خرابی برنامه ریزی نشده را کاهش دهید و شرایط عملیاتی غیربهینه را شناسایی کنید.
Lookout for Equipment برای پشتیبانی از نگهداری پیشبینیکننده با بینشهای بیدرنگ (استنتاج)، از ارزیابی زنده دادههای آنلاین از طریق برنامههای استنتاج پشتیبانی میکند. این مستلزم آن است که دادههای حسگر به صورت دورهای در Amazon S3 آپلود شود و سپس Lookout for Equipment استنتاج دادهها را با مدل آموزشدیده انجام میدهد و امتیازدهی ناهنجاری را در زمان واقعی ارائه میکند. نتایج استنتاج، از جمله سابقه رویدادهای غیرعادی شناسایی شده را می توان در کنسول Lookout for Equipment مشاهده کرد.
نتایج همچنین بر روی فایلهای آمازون S3 نوشته میشود و امکان ادغام با سیستمهای دیگر، به عنوان مثال یک سیستم مدیریت تعمیر و نگهداری کامپیوتری (CMMS) را فراهم میکند، یا به کارکنان عملیات و تعمیر و نگهداری در زمان واقعی اطلاع میدهد.
با افزایش پذیرش تجهیزات خود، باید تعداد بیشتری مدل و برنامه استنتاج را مدیریت کنید. برای تسهیل این فرآیند، برنامه های استنتاج صفحه تمام زمانبندیهایی که در حال حاضر برای یک پروژه پیکربندی شدهاند را در یک نمای واحد فهرست میکند.
پاک کردن
هنگامی که ارزیابی Lookout for Equipment را به پایان رساندید، توصیه می کنیم همه منابع را پاکسازی کنید. می توانید پروژه Lookout for Equipment را به همراه مجموعه داده و هر مدلی که با انتخاب پروژه ایجاد شده است حذف کنید. حذف، و تایید عمل.
خلاصه
در این پست، مراحل دریافت یک مجموعه داده در Lookout for Equipment، آموزش یک مدل بر روی آن، و ارزیابی عملکرد آن برای درک ارزشی که میتواند برای داراییهای فردی پیدا کند را طی کردیم. به طور خاص، ما بررسی کردیم که چگونه Lookout for Equipment میتواند فرآیندهای تعمیر و نگهداری پیشبینیکننده را که منجر به کاهش زمان خرابی برنامهریزی نشده و OEE بالاتر میشود، اطلاع دهد.
اگر همراه با دادههای خود دنبال کردهاید و در مورد چشمانداز استفاده از Lookout for Equipment هیجانزده هستید، گام بعدی شروع یک پروژه آزمایشی با پشتیبانی سازمان فناوری اطلاعات، شرکای کلیدیتان یا تیمهای خدمات حرفهای AWS ما است. این آزمایشی باید تعداد محدودی از تجهیزات صنعتی را هدف قرار دهد و سپس مقیاس آن را افزایش دهد تا در نهایت تمام دارایی ها را در محدوده نگهداری پیش بینی گنجانده باشد.
درباره نویسندگان
یوهان فوچسل یک معمار راه حل با خدمات وب آمازون است. او مشتریان سازمانی در صنعت تولید را در اجرای موارد استفاده AI/ML، طراحی معماریهای داده مدرن، و ساخت راهحلهای بومی ابری که ارزش تجاری ملموس ارائه میکنند، راهنمایی میکند. یوهان سابقه ای در ریاضیات و مدل سازی کمی دارد که با 10 سال تجربه در IT ترکیب شده است. او در خارج از محل کار از گذراندن وقت با خانواده و حضور در طبیعت لذت می برد.
مایکل هوراو یک معمار راه حل تخصصی AI/ML صنعتی در AWS است که بسته به لحظه بین دانشمند داده و معمار یادگیری ماشین جایگزین می شود. او مشتاق است تا قدرت AI/ML را به فروشگاه های مشتریان صنعتی خود بیاورد و روی طیف گسترده ای از موارد استفاده از ML کار کرده است، از تشخیص ناهنجاری گرفته تا کیفیت پیش بینی کننده محصول یا بهینه سازی تولید. 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.
- منبع: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/
- :است
- $UP
- 1
- 10
- 100
- 7
- a
- قادر
- درباره ما
- حساب
- دقت
- عمل
- فعالیت ها
- اضافه
- اضافی
- اطلاعات اضافی
- آدرس
- خطاب به
- اتخاذ
- AI / ML
- الگوریتم
- هم راستا
- معرفی
- اجازه دادن
- اجازه می دهد تا
- آمازون
- آمازون مواظب تجهیزات
- آمازون خدمات وب
- مقدار
- تحلیل
- تجزیه و تحلیل
- و
- تشخیص ناهنجاری
- روش
- هستند
- مناطق
- دور و بر
- AS
- دارایی
- دارایی
- At
- در دسترس
- میانگین
- اجتناب از
- AWS
- خدمات حرفه ای AWS
- زمینه
- بار
- بار
- اساس
- BE
- زیرا
- قبل از
- بودن
- معتقد است که
- سود
- بهترین
- بهتر
- میان
- بزرگ
- آبی
- پایین
- آوردن
- گسترده تر
- ساختن
- بنا
- کسب و کار
- دکمه
- by
- محاسبه
- CAN
- می توانید دریافت کنید
- گرفتن
- مورد
- موارد
- علت
- چارت سازمانی
- نمودار
- را انتخاب کنید
- انتخاب
- تمیز کاری
- کلیک
- مشتری
- ستون ها
- ترکیب
- ترکیب
- مرتکب شدن
- کامل
- تکمیل
- پیچیده
- مفهوم
- شرط
- شرایط
- در نظر بگیرید
- کنسول
- محدودیت ها
- شامل
- سهم
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- بحرانی
- در حال حاضر
- مشتریان
- برش
- چرخه
- داشبورد
- داده ها
- دانشمند داده
- داده محور
- تاریخ
- تصمیم
- تصمیم گیرندگان
- کاهش
- عمیق تر
- به طور پیش فرض
- تعریف کردن
- ارائه
- بستگی دارد
- بستگی دارد
- مستقر
- طراحی
- دقیق
- جزئیات
- شناسایی شده
- کشف
- توسعه
- توسعه دهندگان
- مختلف
- نمایش
- صفحه نمایش
- توزیع
- مدت از کار افتادگی
- رانده
- در طی
- هر
- آسان تر
- موثر
- به طور موثر
- اثر
- قادر ساختن
- مورد تأیید
- اطمینان حاصل شود
- وارد
- سرمایه گذاری
- ورود
- تجهیزات
- خطاهای
- ارزیابی
- ارزیابی
- ارزیابی
- واقعه
- حوادث
- در نهایت
- همه چیز
- مدرک
- مثال
- برانگیخته
- به استثنای
- انتظار
- انتظار می رود
- تجربه
- تجارب
- تجربه
- کشف
- عصاره
- شکست
- خانواده
- کمی از
- پرونده
- فایل ها
- پر شده
- فیلتر
- نهایی
- پیدا کردن
- پایان
- نام خانوادگی
- انعطاف پذیری
- به دنبال
- به دنبال
- پیروی
- برای
- از جانب
- بیشتر
- سوالات عمومی
- دریافت کنید
- دادن
- داده
- می دهد
- می رود
- خوب
- درجه
- راهنمایی
- راهنما
- دست
- خوشحال
- آیا
- سلامتی
- کمک
- کمک
- زیاد
- بالاتر
- بالاترین
- تاریخ
- صفحه اصلی
- ساعت ها
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- دلخواه
- شناسایی
- انجام
- اجرای
- بهبود
- in
- شامل
- شامل
- از جمله
- افزایش
- افزایش
- نشان دادن
- شاخص ها
- فرد
- صنعتی
- صنعت
- اطلاع دادن
- اطلاعات
- اطلاع
- ورودی
- بینش
- ادغام
- علاقه
- تحقیق
- موضوع
- مسائل
- IT
- ITS
- JPG
- نگاه داشتن
- کلید
- شناخته شده
- برچسب
- برچسب ها
- بزرگ
- بزرگتر
- نام
- آخرین
- رهبری
- رهبران
- برجسته
- منجر می شود
- یاد گرفتن
- یادگیری
- پسندیدن
- محدود شده
- لاین
- خطوط
- فهرست
- لیست
- زنده
- داده های زنده
- محل
- دیگر
- نگاه کنيد
- مطالب
- کم
- دستگاه
- فراگیری ماشین
- نگهداری
- ساخت
- مدیریت
- مدیریت
- مدیران
- تولید
- صنعت تولید
- ریاضیات
- به معنی
- متوسط
- دیدار
- ادغام
- قدرت
- دقیقه
- گم
- ML
- مدل
- مدل
- مدرن
- لحظه
- لحظه
- نظارت بر
- ماه
- بیش
- اکثر
- حرکت
- چندگانه
- نام
- نام
- طبیعت
- لازم
- نیاز
- نیازمند
- نیازهای
- جدید
- بعد
- غیر فنی
- عدد
- رخ داده است
- of
- on
- ONE
- آنلاین
- عملیاتی
- عمل
- قابل استفاده
- عملیات
- بهینه
- بهینه سازی
- بهینه سازی
- گزینه
- سفارش
- کدام سازمان ها
- دیگر
- خارج از
- به طور کلی
- مروری
- خود
- با ما
- بخش
- شریک
- شرکای
- احساساتی
- درصد
- انجام
- کارایی
- انجام می دهد
- دوره ها
- پرسنل
- فاز
- قطعات
- خلبان
- پروژه آزمایشی
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- پوک
- نقطه
- پست
- پتانسیل
- قدرت
- پیش بینی
- پیش بینی
- پیش بینی
- آماده می کند
- پیش نیازها
- بلادرنگ
- روند
- فرآیندهای
- محصول
- کیفیت محصول
- تولید
- حرفه ای
- پروفایل
- پروژه
- پروژه ها
- اثبات
- اثبات مفهوم
- چشم انداز
- ارائه
- ارائه
- فراهم می کند
- ارائه
- کیفیت
- کمی
- محدوده
- اعم
- نرخ
- واقعی
- زمان واقعی
- توصیه
- قرمز
- كاهش دادن
- کاهش
- مربوط
- قابلیت اطمینان
- حذف شده
- گزارش
- نشان دادن
- نمایندگی
- ضروری
- نیاز
- منابع
- منابع
- REST
- نتیجه
- نتیجه
- نتایج
- این فایل نقد می نویسید:
- روبان
- خطر
- ریشه
- مقیاس
- مقیاس گذاری
- دانشمند
- حوزه
- به ثمر رساندن
- یکپارچه
- بخش
- انتخاب شد
- انتخاب
- سنسور
- جداگانه
- سرویس
- خدمات
- مجموعه
- محیط
- تنظیمات
- چند
- فروشگاه
- باید
- نشان می دهد
- سیگنال
- به طور قابل توجهی
- ساده
- تنها
- وضعیت
- اندازه
- So
- راه حل
- مزایا
- منبع
- متخصص
- خاص
- به طور خاص
- مشخص شده
- هزینه
- انشعاب
- ستاره
- شروع
- آغاز شده
- راه افتادن
- دولت
- ایالات
- وضعیت
- گام
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- استراتژی
- ساختار
- چنین
- پشتیبانی
- پشتیبانی از
- سیستم
- سیستم های
- جدول
- گرفتن
- هدف
- وظایف
- تیم
- تیم ها
- فنی
- آزمون
- که
- La
- شان
- خودشان
- در نتیجه
- اینها
- اشیاء
- سه
- آستانه
- از طریق
- زمان
- جدول زمانی
- بار
- برچسب زمان
- به
- هم
- بالا
- قطار
- آموزش دیده
- آموزش
- انتقال
- سفر
- دور زدن
- انواع
- به طور معمول
- در نهایت
- برملا کردن
- زیر
- فهمیدن
- غیر منتظره
- آپلود شده
- استفاده کنید
- مورد استفاده
- کاربران
- معمولا
- اعتبار سنجی
- ارزش
- ارزشها
- مختلف
- از طريق
- قابل اعتماد
- چشم انداز
- دید
- راه می رفت
- مسیر..
- وب
- خدمات وب
- چه
- که
- در حین
- WHO
- وسیع
- دامنه گسترده
- اراده
- با
- بدون
- مهاجرت کاری
- مشغول به کار
- کتبی
- سال
- سال
- شما
- شما
- زفیرنت