Tämä on vieraspostaus, joka on kirjoitettu yhdessä Mataratin Moulham Zahabin kanssa.
Luultavasti jokainen on tarkastanut matkatavaransa lentäessään ja odottanut innokkaasti laukkunsa ilmestymistä karuselliin. Laukkujesi onnistunut ja oikea-aikainen toimitus riippuu valtavasta infrastruktuurista, jota kutsutaan matkatavaroiden käsittelyjärjestelmäksi (BHS). Tämä infrastruktuuri on yksi onnistuneen lentoasematoiminnan avaintoiminnoista. Lähtevien ja saapuvien lentojen matkatavaroiden ja rahdin onnistunut käsittely on ratkaisevan tärkeää asiakastyytyväisyyden ja lentoaseman toiminnan erinomaisuuden takaamiseksi. Tämä toiminto riippuu suuresti BHS:n jatkuvasta toiminnasta ja huoltotoimenpiteiden tehokkuudesta. Lentoasemien elinkeinona BHS on lineaarinen omaisuus, joka voi ylittää 34,000 70 metriä pitkä (yhdelle lentoasemalle) ja joka käsittelee yli XNUMX miljoonaa laukkua vuodessa, mikä tekee siitä yhden monimutkaisimmista automatisoiduista järjestelmistä ja tärkeä osa lentoaseman toimintaa.
Matkatavaroiden käsittelyjärjestelmän suunnittelemattomat seisokit, olipa kyseessä sitten kuljetinhihna, karuselli tai lajitteluyksikkö, voivat häiritä lentoaseman toimintaa. Tällaiset häiriöt luovat väistämättä epämiellyttävän matkustajakokemuksen ja saattavat aiheuttaa seuraamuksia lentoasemapalvelujen tarjoajille.
Yleisin haaste matkatavaroiden käsittelyjärjestelmän ylläpidossa on yli 7,000 XNUMX omaisuuden ja yli miljoonan asetusarvon jatkuvan integroidun järjestelmän käyttö. Nämä järjestelmät käsittelevät myös miljoonia erimuotoisia ja -kokoisia laukkuja. On turvallista olettaa, että matkatavaroiden käsittelyjärjestelmät ovat alttiita virheille. Koska elementit toimivat suljetussa silmukassa, yhden elementin hajoaminen vaikuttaa koko riviin. Perinteiset huoltotoimet edellyttävät huomattavaa työvoimaa, joka on jakautunut keskeisiin paikkoihin BHS:n varrella ja jonka operaattorit lähettävät toimintahäiriön sattuessa. Huoltoryhmät luottavat myös voimakkaasti toimittajien suosituksiin ajoittaakseen seisokkeja ennaltaehkäisevää huoltoa varten. Ennaltaehkäisevien huoltotoimien asianmukaisen toteutuksen määrittäminen tai tämän tyyppisen omaisuuden suorituskyvyn seuranta voi olla epäluotettavaa eikä vähennä odottamattomien seisokkien riskiä.
Varaosien hallinta on lisähaaste, koska toimitusajat pidentyvät maailmanlaajuisten toimitusketjujen häiriöiden vuoksi, mutta varastojen täydennyspäätökset perustuvat kuitenkin historiallisiin trendeihin. Lisäksi nämä trendit eivät sisällä BHS:n käyttöomaisuuden epävakaata dynaamista ympäristöä niiden ikääntyessä. Näihin haasteisiin vastaamiseksi huoltostrategioissa on tapahduttava seisminen muutos – siirrytään reaktiivisesta ajattelusta ennakoivaan ajattelutapaan. Tämä muutos edellyttää, että operaattoreiden on hyödynnettävä uusinta teknologiaa kunnossapitotoimien tehostamiseksi, toiminnan optimoimiseksi ja käyttökustannusten minimoimiseksi.
Tässä viestissä kuvailemme, kuinka AWS Partner Airis Solutions käytti Amazon Lookout for Equipment, AWS Internet of Things (IoT) -palvelut ja CloudRail anturiteknologiaa tarjotakseen huippuluokan ratkaisun näihin haasteisiin.
Matkatavaroiden käsittelyjärjestelmän yleiskatsaus
Seuraava kaavio ja taulukko havainnollistavat mittauksia, jotka on tehty tyypillisellä karusellilla King Khalidin kansainvälisellä lentokentällä Riadissa.
Tiedot kerätään kaaviossa esitetyistä eri paikoista.
Anturin tyyppi | Yritysarvo | aineistot | Sijainti |
IO Linkin nopeusanturit | Homogeeninen karusellinopeus | PDV1 (1 minuutissa) | C |
Integroitu tärinäanturi Lämpötila-anturi |
löysä ruuvi, Akseli väärin kohdistettu, Laakerivaurio, Moottorin käämivauriot |
Väsymys (v-RMS) (m/s) Vaikutus (a-Peak) (m/s^2) Kitka (a-RMS) (m/s^2) Lämpötila (C) harja |
A ja B |
Etäisyys PEC anturi | Matkatavaroiden läpijuoksu | Etäisyys (cm) | D |
Seuraavissa kuvissa näkyy ympäristö ja valvontalaitteet eri mittauksiin.
Ratkaisun yleiskatsaus
Matkatavaroiden käsittelyjärjestelmien ennakoiva huoltojärjestelmä (PdMS) on referenssiarkkitehtuuri, joka auttaa lentoasemien huoltooperaattoreita matkalla saamaan dataa, joka auttaa parantamaan suunnittelemattomia seisokkeja. Se sisältää rakennuspalikoita, jotka nopeuttavat yhdistettyjen antureiden ja palveluiden kehittämistä ja käyttöönottoa. PdMS sisältää AWS-palvelut, joilla hallitaan turvallisesti reunalaskentalaitteiden ja BHS-resurssien elinkaarta, pilvitietojen käsittelyä, tallennusta, koneoppimisen (ML) päättelymalleja ja liiketoimintalogiikkaa ennakoivan laitteiden ylläpidon tehostamiseksi pilvessä.
Tämä arkkitehtuuri on rakennettu useiden vuosien ajan lentoasematoimintojen parissa työskennellessään saatujen kokemusten perusteella. Ehdotettu ratkaisu kehitettiin Northbay Solutionsin, AWS Premier Partner -kumppanin, tuella, ja se voidaan ottaa käyttöön kaikenkokoisilla ja -kokoisilla lentokentillä tuhansiin kytkettyihin laitteisiin 90 päivän kuluessa.
Seuraava arkkitehtuurikaavio paljastaa taustalla olevat komponentit, joita käytetään ennakoivan ylläpitoratkaisun rakentamiseen:
Käytämme arkkitehtuurimme kokoamiseen seuraavia palveluita:
- CloudRail.DMC on saksalaisen IoT-asiantuntijan CloudRail GmbH:n ohjelmisto palveluna (SaaS) -ratkaisu. Tämä organisaatio hallinnoi maailmanlaajuisesti hajautettuja reunayhdyskäytäviä. Tämän palvelun avulla teollisuusanturit, älymittarit ja OPC UA -palvelimet voidaan liittää AWS-datajärveen muutamalla napsautuksella.
- AWS IoT -ydin avulla voit yhdistää miljardeja IoT-laitteita ja reitittää biljoonia viestejä AWS-palveluihin ilman infrastruktuurin hallintaa. Se siirtää viestejä turvallisesti kaikkiin IoT-laitteihisi ja -sovelluksiin ja niiltä alhaisella viiveellä ja suurella suorituskyvyllä. Käytämme AWS IoT Corea yhteyden muodostamiseen CloudRail-antureisiin ja niiden mittausten välittämiseen AWS Cloudiin.
- AWS IoT Analytics on täysin hallittu palvelu, jonka avulla on helppo ajaa ja operoida edistyksellistä analytiikkaa valtavilla IoT-datamäärillä ilman, että sinun tarvitsee huolehtia IoT-analytiikkaalustan rakentamiseen tyypillisistä kustannuksista ja monimutkaisuudesta. Se on helppo tapa suorittaa IoT-tietojen analytiikkaa tarkkojen näkemysten saamiseksi.
- Amazon Lookout for Equipment analysoi laitteiden antureilta saatavaa dataa luodakseen laitteellesi automaattisesti ML-mallin omaisuuskohtaisten tietojen perusteella – tietotekniikan taitoja ei tarvita. Lookout for Equipment analysoi saapuvat anturitiedot reaaliajassa ja tunnistaa tarkasti varhaiset varoitussignaalit, jotka voivat johtaa odottamattomiin seisokkeihin.
- Amazon QuickSight Sen avulla kaikki organisaation jäsenet voivat ymmärtää dataa esittämällä kysymyksiä luonnollisella kielellä, visualisoimalla tietoa interaktiivisten kojetaulujen kautta ja etsimällä automaattisesti malleja ja poikkeavuuksia ML:n avulla.
Kuten seuraavassa kaaviossa havainnollistetaan, tämä arkkitehtuuri mahdollistaa anturidatan virtauksen toiminnallisiin oivalluksiin.
Datapisteet kerätään IO-Link-antureilla: IO-Link on standardoitu käyttöliittymä, joka mahdollistaa saumattoman kommunikoinnin teollisuuskohteen ohjaustasolta (tässä tapauksessa matkatavaroiden käsittelyjärjestelmä) anturitasolle. Tätä protokollaa käytetään anturitietojen syöttämiseen CloudRail-reunayhdyskäytävään ja ladataan AWS IoT Coreen. Jälkimmäinen toimittaa sitten laitetiedot ML-malleille tunnistaakseen toiminta- ja laiteongelmat, joiden avulla voidaan määrittää omaisuuden ylläpidon tai vaihdon optimaalinen ajoitus ilman tarpeettomia kustannuksia.
Tietojen keruu
Nykyisen omaisuuden ja niiden ohjausjärjestelmien jälkiasennus pilveen on edelleen haastava lähestymistapa laitekäyttäjille. Toissijaisten antureiden lisääminen tarjoaa nopean ja turvallisen tavan hankkia tarvittavat tiedot häiritsemättä olemassa olevia järjestelmiä. Siksi se on helpompaa, nopeampaa ja ei-invasiivista verrattuna koneen PLC:iden suoraan liittämiseen. Lisäksi jälkiasennetut anturit voidaan valita mittaamaan tarkasti tietyissä vikatiloissa tarvittavat datapisteet.
CloudRailin avulla jokainen teollinen IO-Link-anturi voidaan liittää AWS-palveluihin, kuten AWS IoT Coreen, AWS IoT -sivustotai AWS IoT Vihreä ruoho muutamassa sekunnissa pilvipohjaisen laitehallintaportaalin (CloudRail.DMC) kautta. Tämän ansiosta IoT-asiantuntijat voivat työskennellä keskitetyistä paikoista ja maailmanlaajuisesti hajautetuista fyysisistä järjestelmistä. Ratkaisu ratkaisee ennakoivien huoltojärjestelmien dataliitettävyyden haasteet helpon plug and play -mekanismin avulla.
Yhdyskäytävä toimii Industrial Demilitarized Zone (IDMZ) -alueena laitteiden (OT) ja pilvipalvelun (IT) välillä. Integroidun kalustonhallintasovelluksen avulla CloudRail varmistaa, että uusimmat tietoturvakorjaukset julkaistaan automaattisesti tuhansiin asennuksiin.
Seuraavassa kuvassa näkyy IO-Link-anturi ja CloudRail-reunayhdyskäytävä (oranssina):
Poikkeamien havaitsemismallin koulutus
Organisaatiot useimmilta teollisuussegmenteiltä näkevät nykyaikaisten ylläpitostrategioiden siirtyvän pois run-to-failure -toimista, reaktiivisista lähestymistavoista ja etenevän kohti ennakoivampia menetelmiä. Kuntoperusteiseen tai ennakoivaan kunnossapitoon siirtyminen vaatii kuitenkin tietoja, jotka on kerätty kaikkialle tiloihin asennetuista antureista. Näiden antureiden keräämien historiallisten tietojen käyttäminen yhdessä analytiikan kanssa auttaa tunnistamaan laitevikojen edeltäjät, minkä ansiosta huoltohenkilöstö voi toimia vastaavasti ennen vikaa.
Ennakoivat huoltojärjestelmät luottavat kykyyn tunnistaa, milloin vikoja saattaa esiintyä. Laitteiden OEM-valmistajat toimittavat yleensä teknisiä tietoja laitteistaan ja suosittelevat tiettyjen toimintamittojen seurantaa lähes täydellisten olosuhteiden perusteella. Nämä olosuhteet ovat kuitenkin harvoin realistisia johtuen omaisuuden luonnollisesta kulumisesta, ympäristöolosuhteista, joissa se toimii, sen aiemman huoltohistorian tai vain tavasta, jolla sitä tarvitset liiketulosten saavuttamiseksi. Esimerkiksi kaksi identtistä moottoria (merkki, malli, valmistuspäivä) asennettiin samaan karuselliin tätä konseptitodistusta varten. Nämä moottorit toimivat eri lämpötila-alueilla erilaisista sääolosuhteista johtuen (kuljetinhihnan toinen osa lentokentän terminaalin sisällä ja toinen ulkopuolella).
Moottori 1 toimi lämpötilassa 32–35 °C. Tärinänopeus RMS voi muuttua moottorin väsymisen vuoksi (esimerkiksi kohdistusvirheiden tai epätasapainoongelmien vuoksi). Kuten seuraavasta kuvasta näkyy, tämän moottorin väsymistasot vaihtelevat välillä 2–6, joidenkin huippujen ollessa 9.
Moottori 2 toimi viileämmässä ympäristössä, jossa lämpötila vaihteli 20-25°C välillä. Tässä yhteydessä moottori 2 näyttää väsymistasoja välillä 4–8, joidenkin huippujen ollessa 10:
Useimmat ML-lähestymistavat odottavat hyvin erityistä verkkotunnuksen tietämystä ja tietoa (usein vaikea saada), jotka on poimittava tavasta, jolla käytät ja ylläpidät kutakin omaisuutta (esimerkiksi vikojen heikkenemismallit). Tämä työ on suoritettava joka kerta, kun haluat valvoa uutta omaisuutta tai jos omaisuuden olosuhteet muuttuvat merkittävästi (kuten kun vaihdat osan). Tämä tarkoittaa, että loistava malli, joka toimitetaan prototyyppivaiheessa, todennäköisesti näkee suorituskyvyn heikkenemisen, kun se otetaan käyttöön muissa resursseissa, mikä heikentää merkittävästi järjestelmän tarkkuutta ja lopulta menettää loppukäyttäjien luottamuksen. Tämä voi myös aiheuttaa monia vääriä positiivisia tuloksia, ja tarvitset taitoja, joita tarvitaan oikean signaalin löytämiseen kaikessa kohinassa.
Lookout for Equipment analysoi vain aikasarjatietosi saadakseen selville signaalien väliset normaalit suhteet. Sitten, kun nämä suhteet alkavat poiketa normaaleista toimintaolosuhteista (talpattu harjoitustilassa), palvelu ilmoittaa poikkeamasta. Huomasimme, että käyttämällä tarkasti kunkin omaisuuden historiallisia tietoja, voit keskittyä teknologioihin, jotka voivat oppia toimintaolosuhteet, jotka ovat ainutlaatuisia tietylle omaisuudelle siinä ympäristössä, jossa se toimii. Näin voit toimittaa ennusteita, jotka tukevat perussyyanalyysiä ja ennakoivia ylläpitokäytäntöjä. yksityiskohtaisesti, sisältökohtaisesti ja makrotasolla (kokoamalla sopivan kojelaudan, jotta saat yleiskatsauksen useista resursseista kerralla). Tämä on meidän lähestymistapamme ja syy, miksi päätimme käyttää Lookout for Equipment -sovellusta.
Harjoittelustrategia: Kylmäkäynnistyksen haasteeseen vastaaminen
Kohdennettuamme BHS:ää ei ollut aluksi instrumentoitu. Asensimme CloudRail-antureita aloittaaksemme uusien mittausten keräämisen järjestelmästämme, mutta tämä tarkoitti, että meillä oli vain rajallinen historiallinen syvyys harjoitella ML-malliamme. Vastasimme kylmäkäynnistyshaasteeseen tässä tapauksessa tunnustamalla, että rakennamme jatkuvasti parantuvaa järjestelmää. Kun anturit oli asennettu, keräsimme tunnin verran tietoja ja kopioimme nämä tiedot, jotta voimme aloittaa Lookout for Equipmentin käytön mahdollisimman pian ja testata yleistä putkistoamme.
Kuten odotettiin, ensimmäiset tulokset olivat melko epävakaita, koska ML-malli oli alttiina hyvin lyhyelle toiminta-ajalle. Tämä tarkoitti, että kaikki uudet käyttäytymiset, joita ei havaittu ensimmäisen tunnin aikana, merkitään. Kun tarkastellaan huippuluokan antureita, yhden moottorin lämpötila näytti olevan pääepäilty (T2_MUC_ES_MTRL_TMP
oranssina seuraavassa kuvassa). Koska alkuperäinen tiedonkeruu oli hyvin kapea (1 tunti), päivän mittaan suurin muutos johtui lämpötila-arvoista (joka on yhdenmukainen senhetkisten ympäristöolosuhteiden kanssa).
Sovittaessamme tätä kuljetinhihnan ympärillä oleviin ympäristöolosuhteisiin vahvistimme, että ulkolämpötila nousi voimakkaasti, mikä puolestaan nosti tämän anturin mittaamaa lämpötilaa. Tässä tapauksessa sen jälkeen, kun uudet tiedot (ulkolämpötilan nousu huomioon ottaen) on sisällytetty harjoitustietojoukkoon, se on osa normaalia käyttäytymistä, kuten Lookout for Equipment on tallentanut, ja samanlainen käyttäytyminen tulevaisuudessa ei todennäköisesti nosta mitään Tapahtumat.
5 päivän kuluttua malli koulutettiin uudelleen ja vääriä positiivisia kertomuksia putosivat välittömästi rajusti:
Vaikka tämä kylmäkäynnistysongelma oli ensimmäinen haaste saada käytännöllisiä oivalluksia, käytimme tätä tilaisuutta rakentaaksemme uudelleenkoulutusmekanismin, jonka loppukäyttäjä voi käynnistää helposti. Kuukauden kokeilun jälkeen koulutimme uuden mallin monistamalla kuukauden anturidataa kolmeen kuukauteen. Tämä vähensi edelleen vääriä positiivisia määriä, koska malli altistui laajemmille olosuhteille. Tämän uudelleenkoulutuksen jälkeen tapahtui samanlainen väärän positiivisen arvon pudotus: järjestelmän mallintama tila oli lähempänä sitä, mitä käyttäjät kokevat tosielämässä. Kolmen kuukauden kuluttua meillä oli vihdoin tietojoukko, jota voimme käyttää ilman tätä päällekkäisyyttä.
Tästä lähtien käynnistämme uudelleenkoulutuksen 3 kuukauden välein ja käytämme mahdollisimman pian enintään 1 vuoden tietoja ympäristöolosuhteiden kausiluonteisuuden huomioon ottamiseksi. Kun otamme tämän järjestelmän käyttöön muissa resursseissa, voimme käyttää tätä automatisoitua prosessia uudelleen ja käyttää alkukoulutusta anturitietoputkistomme validointiin.
Kun malli oli koulutettu, otimme mallin käyttöön ja aloimme lähettää reaaliaikaisia tietoja Lookout for Equipmentille. Lookout for Equipmentin avulla voit määrittää ajastimen, joka herää säännöllisesti (esimerkiksi tunnin välein) lähettämään tuoretta dataa koulutetulle mallille ja keräämään tulokset.
Nyt kun tiedämme kuinka kouluttaa, parantaa ja ottaa käyttöön malli, katsotaanpa loppukäyttäjille toteutettuja toiminnallisia hallintapaneeleja.
Datan visualisointi ja oivallukset
Loppukäyttäjät tarvitsevat tavan saada enemmän arvoa toiminnallisista tiedoistaan parantaakseen varojensa käyttöä. QuickSightin avulla liitimme kojelaudan IoT-järjestelmämme tarjoamiin raakamittaustietoihin, jolloin käyttäjät voivat verrata ja verrata tietyn BHS:n tärkeimpiä laitteita.
Seuraavassa kojelaudassa käyttäjät voivat tarkistaa BHS:n kunnon valvontaan käytetyt keskeiset anturit ja saada jaksoittain mittareiden muutoksia.
Edellisessä käyrässä käyttäjät voivat visualisoida minkä tahansa odottamattoman epätasapainon kunkin moottorin mittauksessa (vasen ja oikea käyrä lämpötilalle, väsymykselle, tärinälle, kitkalle ja törmäykselle). Alareunassa on yhteenveto keskeisistä suoritusindikaattoreista sekä ennuste- ja kauden trendit.
Loppukäyttäjät voivat käyttää tietoja seuraaviin tarkoituksiin:
- Tarkastele historiallisia tietoja 2–24 tunnin välein.
- Pura raakadata CSV-muodossa ulkoista integrointia varten.
- Visualisoi omaisuuden suorituskykyä tietyn ajanjakson aikana.
- Tuota oivalluksia toiminnan suunnitteluun ja paranna varojen käyttöä.
- Suorita korrelaatioanalyysi. Seuraavassa kaaviossa käyttäjä voi visualisoida useita mittauksia (kuten moottorin väsyminen vs. lämpötila tai matkatavaroiden läpijuoksu vs. karusellin nopeus) ja käyttää tätä kojelautaa saadakseen paremmin tietoa seuraavaksi parhaista huoltotoimenpiteistä.
Melun poistaminen tiedoista
Muutaman viikon kuluttua huomasimme, että Lookout for Equipment lähetti joitakin tapahtumia, joiden katsottiin olevan vääriä positiivisia.
Analysoidessamme näitä tapahtumia havaitsimme karusellimoottorin nopeuden epäsäännöllisiä pudotuksia.
Tapasimme huoltotiimin ja he ilmoittivat meille, että nämä pysähdykset olivat joko hätäpysähdyksiä tai suunniteltuja seisokkeja. Näiden tietojen perusteella merkitsimme hätäpysähdykset poikkeavuuksiksi ja syötimme ne Lookout for Equipment -palveluun, kun taas suunniteltuja seisokkeja pidettiin normaalina tämän karusellin kohdalla.
Sellaisten skenaarioiden ymmärtäminen, joissa ohjatut ulkoiset toimet voivat vaikuttaa epänormaaliin dataan, on ratkaisevan tärkeää poikkeamien havaitsemismallin tarkkuuden parantamiseksi ajan myötä.
Savutestaus
Muutaman tunnin kuluttua mallin uudelleenkoulutuksesta ja suhteellisen ilman poikkeavuuksia tiimimme rasitti omaisuutta fyysisesti, minkä järjestelmä havaitsi välittömästi. Tämä on yleinen pyyntö käyttäjiltä, koska heidän on tutustuttava järjestelmään ja siihen, miten se reagoi.
Rakensimme kojelautamme, jotta loppukäyttäjät voivat visualisoida historiallisia poikkeavuuksia rajoittamattoman ajan. Business Intelligence -palvelun avulla he voivat järjestää tietonsa haluamallaan tavalla, ja olemme havainneet, että pylväskaaviot 24 tunnin ajalta tai ympyräkaaviot ovat paras tapa saada hyvä käsitys BHS:n tilasta. Niiden hallintapaneelien lisäksi, joita käyttäjät voivat tarkastella milloin tahansa, määritämme automaattisia hälytyksiä, jotka lähetetään määritettyyn sähköpostiosoitteeseen ja tekstiviestillä.
Poimimme syvempiä oivalluksia poikkeamien havaitsemismalleista
Jatkossa aiomme poimia syvempiä näkemyksiä Lookout for Equipmentin avulla koulutetuista poikkeamien havaitsemismalleista. Jatkamme QuickSightin käyttöä laajennetun widgetisarjan rakentamiseen. Olemme esimerkiksi havainneet, että datan visualisointiwidgetit, jotka ovat esillä GitHub-näytteitä Lookout for Equipment -sovelluksesta antaa meille mahdollisuuden poimia entistä enemmän oivalluksia malliemme raakatuloksista.
tulokset
Reaktiivinen huolto matkatavaroiden käsittelyjärjestelmissä tarkoittaa seuraavaa:
- Matkustajien tyytyväisyys heikkenee pitkien odotusaikojen tai vahingoittuneiden matkatavaroiden vuoksi
- Alhaisempi omaisuuden saatavuus johtuen suunnittelemattomista vioista ja kriittisten varaosien varastopulasta
- Kasvavat varastotasot lisäävät käyttökuluja korkeampien ylläpitokustannusten lisäksi
Kehittämällä ylläpitostrategiaasi luotettavan, ennakoivan analytiikan sisällyttämiseksi päätöksentekosykliin, tavoitteena on parantaa omaisuuden toimintaa ja auttaa välttämään pakkoseisokkeja.
Valvontalaitteet asennettiin paikallisesti 1 päivässä ja IoT-asiantuntijat konfiguroivat kokonaan etänä. Ratkaisun yleiskatsauksessa kuvattu pilviarkkitehtuuri otettiin sitten käyttöön onnistuneesti 90 päivässä. Nopea käyttöönottoaika todistaa loppukäyttäjälle ehdotetut edut, mikä johtaa nopeasti huoltostrategian siirtymiseen ihmislähtöisestä reaktiivisesta (vikojen korjaaminen) konepohjaiseen, tietoon perustuvaan ennakoivaan (estää seisokkeja).
Yhteenveto
Yhteistyö Airiksen, CloudRailin, Northbay Solutionsin ja AWS:n välillä johti uuteen saavutukseen King Khalidin kansainvälisellä lentokentällä (ks. lehdistötiedote Lisätietoja). Osana digitaalista muutosstrategiaansa Riadin lentoasema suunnittelee lisäkäyttöä kattamaan muita sähkömekaanisia järjestelmiä, kuten matkustajien sillat ja LVI-järjestelmät.
Jos sinulla on kommentteja tähän postaukseen, lähetä ne kommenttiosiossa. Jos sinulla on kysyttävää tästä ratkaisusta tai sen toteutuksesta, aloita uusi viestiketju re: Viesti, jossa AWS-asiantuntijat ja laajempi yhteisö voivat tukea sinua.
Tietoja kirjoittajista
Moulham Zahabi on ilmailualan asiantuntija, jolla on yli 11 vuoden kokemus ilmailuprojektien suunnittelusta ja johtamisesta sekä kriittisten lentoasemien hallinnasta GCC-alueella. Hän on myös yksi perustajista Airis-Solutions.ai:ssa, jonka tavoitteena on johtaa ilmailualan digitaalista muutosta innovatiivisten AI/ML-ratkaisujen avulla lentokentille ja logistiikkakeskuksille. Nykyään Moulham johtaa Saudi Civil Aviation Holding Companyn (Matarat) Asset Management Directoratea.
Fauzan Khan on Senior Solutions Arkkitehti, joka työskentelee julkisen sektorin asiakkaiden kanssa ja opastaa heidän AWS-työkuormien ja -arkkitehtuurien suunnittelussa, käyttöönotossa ja hallinnassa. Fauzan haluaa auttaa asiakkaita ottamaan käyttöön innovatiivisia pilviteknologioita HPC:n ja AI/ML:n alalla vastatakseen liiketoiminnan haasteisiin. Töiden ulkopuolella Fauzan viihtyy luonnossa.
Michael Hoarau on AWS:n AI/ML Specialist Solutions -arkkitehti, joka vuorottelee datatieteilijä ja koneoppimisarkkitehti hetkestä riippuen. Hän on intohimoinen tuomaan AI/ML-voimaa teollisuusasiakkaidensa tiloihin, ja hän on työskennellyt laajan valikoiman ML-käyttötapauksia poikkeamien havaitsemisesta ennakoivaan tuotteen laatuun tai tuotannon optimointiin. Hän julkaisi kirja aikasarjaanalyysistä vuonna 2022 ja kirjoittaa säännöllisesti tästä aiheesta LinkedIn ja Keskikokoinen. Kun hän ei auta asiakkaita kehittämään toiseksi parhaita koneoppimiskokemuksia, hän nauttii tähtien tarkkailusta, matkustamisesta tai pianon soittamisesta.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :On
- $ YLÖS
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- pystyy
- Meistä
- kiihdyttää
- pääsy
- sen mukaisesti
- Tili
- kirjanpito
- tarkkuus
- tarkka
- tarkasti
- Saavuttaa
- saavutus
- saavuttamisessa
- hankkia
- poikki
- Toimia
- Toiminta
- toimet
- toiminta
- säädökset
- Lisäksi
- lisä-
- Lisäksi
- osoite
- käsitellään
- hyväksyä
- Jälkeen
- AI
- AI / ML
- aids
- tavoitteet
- lentoasema
- Lentokentät
- Hälytykset
- suuntaus
- Kaikki
- Salliminen
- mahdollistaa
- Amazon
- Amazon Lookout for Equipment
- analyysi
- Analytics
- analyysit
- analysointi
- ja
- Vuosittain
- poikkeavuuden havaitseminen
- näyttää
- Hakemus
- sovellukset
- lähestymistapa
- lähestymistavat
- sopiva
- arkkitehtuuri
- OVAT
- ALUE
- noin
- saapuvat
- AS
- etu
- vahvuuksien hallinta
- Varat
- At
- Automatisoitu
- automaattisesti
- saatavuus
- ilmailu
- AWS
- laukut
- baari
- perustua
- BE
- koska
- ennen
- Hyödyt
- PARAS
- Paremmin
- välillä
- miljardeja
- Blocks
- nouseminen
- kirja
- pohja
- sidottu
- Erittely
- taukoja
- sillat
- Tuominen
- laajempaa
- rakentaa
- Rakentaminen
- rakennettu
- liiketoiminta
- bisnesvaisto
- by
- nimeltään
- CAN
- kaapata
- karuselli
- tapaus
- tapauksissa
- Aiheuttaa
- keskuksissa
- keskitetty
- tietty
- ketju
- haaste
- haasteet
- haastava
- muuttaa
- Muutokset
- Kaaviot
- tarkastaa
- suljettu
- lähempänä
- pilvi
- mukana perustamassa
- kerätä
- Kerääminen
- tuleva
- kommentit
- Yhteinen
- Viestintä
- yhteisö
- yritys
- verrata
- verrattuna
- täysin
- monimutkainen
- monimutkaisuus
- komponentti
- osat
- Laskea
- käsite
- ehto
- olosuhteet
- luottamus
- CONFIRMED
- kytkeä
- kytketty
- liitäntä
- Liitännät
- harkittu
- johdonmukainen
- sisältää
- tausta
- jatkaa
- jatkui
- jatkuva
- jatkuvasti
- kontrasti
- ohjaus
- hallinnassa
- valvonta
- yhteistyö
- Ydin
- Korrelaatio
- Hinta
- kustannukset
- voisi
- Laskuri
- Kurssi
- kattaa
- luoda
- kriittinen
- asiakas
- Asiakastyytyväisyys
- Asiakkaat
- sykli
- kojelauta
- tiedot
- Datajärvi
- datapisteet
- tietojenkäsittely
- tietojen tutkija
- datan visualisointi
- data-driven
- Päivämäärä
- päivä
- päivää
- päätti
- Päätöksenteko
- päätökset
- syvempää
- toimittaa
- toimitettu
- toimitus
- riippuvainen
- Riippuen
- riippuu
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- käyttöönotot
- syvyys
- kuvata
- on kuvattu
- Malli
- nimetty
- suunnittelu
- yksityiskohdat
- havaittu
- Detection
- Määrittää
- määritetään
- kehittää
- kehitetty
- Kehitys
- laite
- Laitteet
- eri
- vaikea
- digitaalinen
- Digital Transformation
- ohjata
- löysi
- Häiritä
- Häiriö
- häiriöistä
- etäisyys
- jaettu
- ei
- verkkotunnuksen
- Dont
- alas
- seisokkeja
- rajusti
- Pudota
- Drops
- aikana
- dynaaminen
- kukin
- Varhainen
- helpompaa
- helposti
- reuna
- tehokkuuden
- myöskään
- elementti
- elementtejä
- hätä
- mahdollistaa
- mahdollistaa
- varmistaa
- varmistaa
- Koko
- ympäristö
- ympäristön
- laitteet
- virhe
- virheet
- Jopa
- tapahtuma
- Tapahtumat
- Joka
- jokainen
- esimerkki
- Esimerkit
- ylittää
- Erinomaisuus
- olemassa
- laajeni
- odottaa
- odotettu
- kulut
- experience
- Elämykset
- kokevat
- asiantuntija
- asiantuntijat
- avoin
- Valotus
- ulkoinen
- uute
- Epäonnistuminen
- perehdyttää
- FAST
- nopeampi
- väsymys
- Fed
- harvat
- Kuva
- Vihdoin
- Löytää
- Etunimi
- Merkityt
- LAIVASTON
- Lennot
- virtaus
- lentävät
- Keskittää
- jälkeen
- varten
- Ennuste
- muoto
- Eteenpäin
- löytyi
- tuore
- kitka
- alkaen
- täysin
- toiminto
- tehtävät
- edelleen
- tulevaisuutta
- Saada
- portti
- GCC
- GCC-alue
- Saksan
- saada
- tietty
- Global
- Maailmanlaajuisesti
- GmBH
- hyvä
- suuri
- vieras
- vieras Lähetä
- ohjaus
- kahva
- Käsittely
- tapahtua
- tapahtui
- Olla
- ottaa
- Otsikko
- raskaasti
- auttaa
- auttaa
- auttaa
- Korkea
- korkeampi
- historiallinen
- historia
- Osuma
- pito
- TUNTIA
- Miten
- Miten
- Kuitenkin
- hpc
- HTTPS
- identtinen
- tunnistaa
- tunnistaa
- kuva
- kuvien
- epätasapaino
- heti
- Vaikutus
- täytäntöönpano
- täytäntöön
- määrätä
- parantaa
- parantaminen
- in
- sisältää
- Saapuva
- sisällyttää
- yhdistetty
- Kasvaa
- kasvoi
- lisää
- indikaattorit
- teollinen
- teollisuuden
- vaikuttaneet
- ilmoittaa
- tiedot
- tietoa
- Infrastruktuuri
- ensimmäinen
- innovatiivinen
- oivalluksia
- asennetaan
- esimerkki
- integroitu
- integraatio
- Älykkyys
- aikovat
- vuorovaikutteinen
- liitäntä
- häiritsevät
- kansainvälisesti
- Internet
- Internet asioita
- inventaario
- Esineiden internet
- ei laitteita
- kysymykset
- IT
- SEN
- matka
- jpg
- avain
- kuningas
- Tietää
- tuntemus
- järvi
- Kieli
- Viive
- uusin
- käynnistää
- johtaa
- johtava
- OPPIA
- oppinut
- oppiminen
- Led
- Pituus
- Lessons
- Lessons Learned
- Lets
- Taso
- tasot
- elämä
- elinkaari
- pitää
- Todennäköisesti
- rajallinen
- linja
- LINK
- elää
- reaaliaikaiset tiedot
- paikallisesti
- sijainnit
- katso
- näköinen
- menettää
- Matala
- kone
- koneoppiminen
- Makro
- tärkein
- ylläpitää
- ylläpitäminen
- huolto
- tehdä
- TEE
- Tekeminen
- hoitaa
- onnistui
- johto
- hallinnoi
- toimitusjohtaja
- valmistus
- monet
- massiivinen
- matching
- Saattaa..
- välineet
- mitata
- mitat
- mittaus
- mekanismi
- keskikokoinen
- viesti
- viestien
- menetelmät
- Metrics
- miljoona
- miljoonia
- ajattelutapa
- ML
- malli
- mallit
- Moderni
- tilat
- hetki
- monitori
- seuranta
- Kuukausi
- kk
- lisää
- eniten
- moottori
- Moottorit
- liikkuvat
- moninkertainen
- Luonnollinen
- luonto
- välttämätön
- Tarve
- tarpeet
- Uusi
- seuraava
- Melu
- normaali
- saada
- of
- on
- Laivalla
- ONE
- käyttää
- toimi
- toimii
- toiminta
- toiminta
- toiminta-
- Operations
- operaattorit
- Tilaisuus
- optimaalinen
- optimointi
- Optimoida
- Oranssi
- organisaatio
- Muut
- ulkopuolella
- yleinen
- yleiskatsaus
- osa
- kumppani
- osat
- intohimoinen
- Ohi
- Merkit
- kuviot
- suorituskyky
- aika
- henkilöstö
- vaihe
- fyysinen
- fyysisesti
- kappaletta
- putki
- suunnitteilla
- suunnittelu
- suunnitelmat
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- Ole hyvä
- pistettä
- Portal
- positiivinen
- mahdollinen
- Kirje
- teho
- powered
- käytännöt
- tarkasti
- Ennusteet
- Ennakoiva Analytics
- johtava
- painaa
- vallitseva
- estää
- Ennakoiva
- anturi
- Ongelma
- ongelmia
- prosessi
- Tuotteet
- Tuotteen laatu
- tuotanto
- etenee
- hankkeet
- todiste
- todiste käsitteestä
- asianmukaisesti
- ehdotettu
- protokolla
- prototyyppien
- osoittautuu
- toimittaa
- mikäli
- tarjoajat
- tarjoaa
- tarjoamalla
- julkinen
- julkaistu
- tarkoituksiin
- laatu
- kysymykset
- nopeasti
- nostaa
- alue
- alainen
- hinta
- Hinnat
- raaka
- Reagoi
- todellinen
- oikea elämä
- reaaliaikainen
- realistinen
- reason
- suositella
- suosituksia
- vähentää
- vähentämällä
- alue
- säännöllisesti
- Ihmissuhteet
- suhteellisesti
- luotettava
- jäännökset
- korvata
- pyyntö
- tarvitaan
- Vaatii
- tulokset
- uudelleenkäyttö
- nouseva
- Riski
- Valssattu
- juuri
- Reitti
- ajaa
- SaaS
- turvallista
- sama
- tyytyväisyys
- Saudi
- asteikot
- skenaariot
- aikataulu
- tiede
- Tiedemies
- saumaton
- toissijainen
- sekuntia
- Osa
- sektori
- turvallinen
- turvallisesti
- turvallisuus
- näytti
- segmentit
- valittu
- lähettäminen
- vanhempi
- anturit
- Sarjat
- servers
- palvelu
- palveluntarjoajat
- Palvelut
- setti
- useat
- muodot
- siirtää
- Kauppa
- puute
- näyttää
- esitetty
- Näytä
- seisokit
- Näky
- signaalit
- merkittävästi
- samankaltainen
- single
- melkoinen
- koot
- taitoja
- pieni
- fiksu
- Savu
- Tuotteemme
- ohjelmisto palveluna
- ratkaisu
- Ratkaisumme
- Ratkaisee
- jonkin verran
- hienostunut
- asiantuntija
- erityinen
- nopeus
- menot
- Tähteä
- Alkaa
- alkoi
- Osavaltio
- huippu-
- Lopettaa
- Levytila
- strategiat
- Strategia
- tehostaa
- antaa
- onnistunut
- Onnistuneesti
- niin
- toimittaa
- toimitusketju
- tuki
- Tukea
- järjestelmä
- järjestelmät
- taulukko
- kohdennettu
- joukkue-
- tiimit
- Technologies
- Elektroniikka
- terminaali
- testi
- Testaus
- että
- -
- Alue
- Tulevaisuus
- heidän
- Niitä
- itse
- siksi
- lämpö-
- Nämä
- asiat
- ajatus
- tuhansia
- Kautta
- kauttaaltaan
- suoritusteho
- aika
- Aikasarja
- kertaa
- ajoitus
- että
- tänään
- aihe
- kohti
- perinteinen
- Juna
- koulutettu
- koulutus
- Muutos
- Muutosstrategia
- Matkustaminen
- Trendit
- laukaista
- biljoonia
- VUORO
- tyypillinen
- tyypillisesti
- taustalla oleva
- ymmärtää
- Odottamaton
- unique
- yksikkö
- rajoittamaton
- us
- käyttää
- käyttäjä
- Käyttäjät
- yleensä
- käyttää
- VAHVISTA
- arvo
- arvot
- eri
- Nopeus
- kautta
- Näytä
- visualisointi
- elintärkeä
- haihtuva
- volyymit
- vs
- odottaa
- varoitus
- Tapa..
- Sää
- viikkoa
- Mitä
- onko
- joka
- vaikka
- KUKA
- leveä
- Laaja valikoima
- tulee
- with
- sisällä
- ilman
- Referenssit
- työskenteli
- työvoima
- työskentely
- arvoinen
- olisi
- vuosi
- vuotta
- Voit
- Sinun
- zephyrnet