Les responsables de la fiabilité et les techniciens dans les environnements industriels tels que les lignes de production, les entrepôts et les usines industrielles souhaitent améliorer la santé et la disponibilité des équipements afin de maximiser la production et la qualité des produits. Les pannes de machine et de processus sont souvent traitées par une activité réactive après que des incidents se soient produits ou par une maintenance préventive coûteuse, où vous courez le risque de sur-entretenir l'équipement ou de manquer des problèmes qui pourraient survenir entre les cycles de maintenance périodiques. La maintenance prédictive basée sur l'état est une stratégie proactive qui est meilleure que les stratégies réactives ou préventives. En effet, cette approche combine surveillance continue, analyse prédictive et action juste à temps. Cela permet aux équipes de maintenance et de fiabilité d'entretenir l'équipement uniquement lorsque cela est nécessaire, en fonction de l'état réel de l'équipement.
Il y a eu des défis communs avec la surveillance basée sur l'état pour générer des informations exploitables pour les grands parcs d'actifs industriels. Ces défis incluent, mais ne sont pas limités à : construire et maintenir une infrastructure complexe de capteurs collectant des données sur le terrain, obtenir un résumé fiable de haut niveau des flottes d'actifs industriels, gérer efficacement les alertes de défaillance, identifier les causes profondes possibles des anomalies et visualiser efficacement l'état des actifs industriels à grande échelle.
AmazonMonitron est une solution de surveillance de l'état de bout en bout qui vous permet de commencer à surveiller la santé de l'équipement à l'aide de l'apprentissage automatique (ML) en quelques minutes, afin que vous puissiez mettre en œuvre une maintenance prédictive et réduire les temps d'arrêt imprévus. Il comprend des dispositifs de capteur pour capturer les données de vibration et de température, un dispositif de passerelle pour transférer en toute sécurité les données vers le cloud AWS, le service Amazon Monitron qui analyse les données pour détecter les anomalies avec ML et une application mobile complémentaire pour suivre les défaillances potentielles de vos machines. Vos ingénieurs et opérateurs de terrain peuvent directement utiliser l'application pour diagnostiquer et planifier la maintenance des actifs industriels.
Du point de vue de l'équipe de technologie opérationnelle (OT), l'utilisation des données d'Amazon Monitron ouvre également de nouvelles façons d'améliorer la façon dont ils exploitent de grandes flottes d'actifs industriels grâce à l'IA. Les équipes OT peuvent renforcer la pratique de maintenance prédictive de leur organisation en créant une vue consolidée sur plusieurs hiérarchies (actifs, sites et usines). Ils peuvent combiner des mesures réelles et des résultats d'inférence ML avec des alarmes non acquittées, des capteurs ou des statuts de connectivité, ou des transitions d'état d'actifs pour créer un résumé de haut niveau pour la portée (actif, site, projet) sur laquelle ils se concentrent.
Avec le lancement récent Fonctionnalité v2 d'exportation de données Amazon Monitron Kinesis, votre équipe OT peut diffuser les données de mesure entrantes et les résultats d'inférence d'Amazon Monitron via Amazon Kinésis à AWS Service de stockage simple (Amazon S3) pour créer un lac de données Internet des objets (IoT). En tirant parti de la dernier schéma d'exportation de données, vous pouvez obtenir l'état de la connectivité des capteurs, l'état de la connectivité des passerelles, les résultats de la classification des mesures, le code de motif de fermeture et les détails des événements de transition d'état des actifs.
Aperçu des cas d'utilisation
Le flux de données enrichi qu'Amazon Monitron expose désormais vous permet de mettre en œuvre plusieurs cas d'utilisation clés tels que la création automatisée d'ordres de travail, l'enrichissement d'un volet opérationnel unique ou l'automatisation des rapports d'échec. Plongeons-nous dans ces cas d'utilisation.
Vous pouvez utiliser l'exportation de données Amazon Monitron Kinesis v2 pour créer des ordres de travail dans les systèmes Enterprise Asset Management (EAM) tels qu'Infor EAM, SAP Asset Management ou IBM Maximo. Par exemple, dans la vidéo éviter les problèmes mécaniques avec la maintenance prédictive et Amazon Monitron, vous pouvez découvrir comment nos Amazon Fulfillment Centers évitent les problèmes mécaniques sur les bandes transporteuses grâce aux capteurs Amazon Monitron intégrés à des logiciels tiers tels que l'EAM utilisé chez Amazon ainsi qu'aux techniciens des salles de chat utilisés. Cela montre comment vous pouvez naturellement intégrer les informations d'Amazon Monitron dans vos flux de travail existants. Restez à l'écoute dans les mois à venir pour lire le prochain épisode de cette série avec une mise en œuvre réelle de ces travaux d'intégration.
Vous pouvez également utiliser le flux de données pour réintégrer les informations d'Amazon Monitron dans un système d'atelier tel qu'un système de contrôle et d'acquisition de données (SCADA) ou un historique. Les opérateurs d'atelier sont plus efficaces lorsque toutes les informations sur leurs actifs et leurs processus sont fournies dans une seule fenêtre. Dans ce concept, Amazon Monitron ne devient pas un autre outil que les techniciens doivent surveiller, mais une autre source de données avec des informations fournies dans la vue unique à laquelle ils sont déjà habitués. Plus tard cette année, nous décrirons également une architecture que vous pouvez utiliser pour effectuer cette tâche et envoyer les commentaires d'Amazon Monitron aux principaux systèmes SCADA et historiens tiers.
Enfin, le nouveau flux de données d'Amazon Monitron inclut les transitions d'état des actifs et les codes de fermeture fournis par les utilisateurs lors de l'acquittement des alarmes (qui déclenchent la transition vers un nouvel état). Grâce à ces données, vous pouvez créer automatiquement des visualisations qui fournissent des rapports en temps réel sur les pannes et les actions entreprises lors de l'exploitation de leurs actifs.
Votre équipe peut ensuite créer un tableau de bord d'analyse de données plus large pour prendre en charge votre pratique de gestion de flotte industrielle en combinant ces données sur l'état des actifs avec les données de mesure d'Amazon Monitron et d'autres données IoT sur de grandes flottes d'actifs industriels en utilisant les services AWS clés, que nous décrivons dans cet article. Nous expliquons comment construire un lac de données IoT, le flux de travail pour produire et consommer les données, ainsi qu'un tableau de bord récapitulatif pour visualiser les données des capteurs Amazon Monitron et les résultats d'inférence. Nous utilisons un jeu de données Amazon Monitron provenant d'environ 780 capteurs installés dans un entrepôt industriel, qui fonctionne depuis plus d'un an. Pour le guide d'installation détaillé d'Amazon Monitron, reportez-vous à Premiers pas avec Amazon Monitron.
Vue d'ensemble de la solution
Amazon Monitron fournit une inférence ML de l'état de santé des actifs après 21 jours de la période de formation du modèle ML pour chaque actif. Dans cette solution, les données de mesure et l'inférence ML de ces capteurs sont exportées vers Amazon S3 via Flux de données Amazon Kinesis En utilisant le dernière fonctionnalité d'exportation de données d'Amazon Monitron. Dès que les données Amazon Monitron IoT sont disponibles dans Amazon S3, une base de données et une table sont créées dans Amazone Athéna en utilisant un Robot d'exploration AWS Glue. Vous pouvez interroger les données Amazon Monitron via les tables AWS Glue avec Athena, et visualiser les données de mesure et l'inférence ML avec Grafana géré par Amazon. Avec Amazon Managed Grafana, vous pouvez créer, explorer et partager des tableaux de bord d'observabilité avec votre équipe et passer moins de temps à gérer votre infrastructure Grafana. Dans cet article, vous connectez Amazon Managed Grafana à Athena et découvrez comment créer un tableau de bord d'analyse de données avec les données d'Amazon Monitron pour vous aider à planifier les opérations d'actifs industriels à grande échelle.
La capture d'écran suivante est un exemple de ce que vous pouvez réaliser à la fin de cet article. Ce tableau de bord est divisé en trois sections :
- Vue de l'usine – Informations analytiques de tous les capteurs des usines ; par exemple, le nombre global de divers états de capteurs (sain, avertissement ou alarme), le nombre d'alarmes non acquittées et acquittées, la connectivité de la passerelle et le temps moyen de maintenance
- Vue du site – Statistiques au niveau du site, telles que les statistiques sur l'état des actifs sur chaque site, le nombre total de jours pendant lesquels une alarme n'a pas été acquittée, les actifs les plus performants/les moins performants sur chaque site, etc.
- Vue de l'actif – Informations récapitulatives pour le projet Amazon Monitron au niveau de l'actif, telles que le type d'alarme pour une alarme non acquittée (ISO ou ML), la chronologie d'une alarme, etc.
Ces panels sont des exemples qui peuvent aider à la planification opérationnelle stratégique, mais ils ne sont pas exclusifs. Vous pouvez utiliser un workflow similaire pour personnaliser le tableau de bord en fonction de votre KPI ciblé.
Aperçu de l'architecture
La solution que vous allez créer dans cet article combine Amazon Monitron, Kinesis Data Streams, Firehose de données Amazon Kinesis, Amazon S3, AWS Glue, Athena et Amazon Managed Grafana.
Le diagramme suivant illustre l'architecture de la solution. Les capteurs Amazon Monitron mesurent et détectent les anomalies des équipements. Les données de mesure et les sorties d'inférence ML sont exportées à une fréquence d'une fois par heure vers un flux de données Kinesis, et elles sont transmises à Amazon S3 via Kinesis Data Firehose avec une mémoire tampon d'une minute. Les données Amazon Monitron exportées sont au format JSON. Un robot d'exploration AWS Glue analyse les données Amazon Monitron dans Amazon S1 à une fréquence choisie d'une fois par heure, crée un schéma de métadonnées et crée des tables dans Athena. Enfin, Amazon Managed Grafana utilise Athena pour interroger les données Amazon S3, ce qui permet de créer des tableaux de bord pour visualiser à la fois les données de mesure et l'état de santé de l'appareil.
Pour créer cette solution, vous devez effectuer les étapes de haut niveau suivantes :
- Activez une exportation Kinesis Data Stream depuis Amazon Monitron et créez un flux de données.
- Configurez Kinesis Data Firehose pour fournir les données du flux de données à un compartiment S3.
- Créez le robot d'exploration AWS Glue pour créer une table de données Amazon S3 dans Athena.
- Créez un tableau de bord des appareils Amazon Monitron avec Amazon Managed Grafana.
Pré-requis
Pour cette procédure pas à pas, vous devez disposer des prérequis suivants:
De plus, assurez-vous que toutes les ressources que vous déployez se trouvent dans la même région.
Activer une exportation de flux de données Kinesis depuis Amazon Monitron et créer un flux de données
Pour configurer l'exportation de votre flux de données, procédez comme suit :
- Sur la console Amazon Monitron, depuis la page principale de votre projet, choisissez Démarrer l'exportation de données en direct.
- Sous Sélectionnez le flux de données Amazon Kinesis, choisissez Créer un nouveau flux de données.
- Sous Configuration du flux de données, saisissez le nom de votre flux de données.
- Pour Capacité du flux de données, choisissez À la demande.
- Selectionnez Créer un flux de données.
Notez que toute exportation de données en direct activée après le 4 avril 2023 diffusera des données selon le schéma Kinesis Data Streams v2. Si vous avez une exportation de données existante qui a été activée avant cette date, le schéma suivra le format v1.
Vous pouvez désormais voir les informations d'exportation de données en direct sur la console Amazon Monitron avec votre flux de données Kinesis spécifié.
Configurer Kinesis Data Firehose pour fournir des données à un compartiment S3
Pour configurer votre flux de diffusion Firehose, procédez comme suit :
- Sur la console Kinesis, choisissez Flux de livraison dans le volet de navigation.
- Selectionnez Créer un flux de diffusion.
- Pour Identifier, sélectionnez Flux de données Amazon Kinesis.
- Pour dentaire, sélectionnez Amazon S3.
- Sous Paramètres sources, Pour Flux de données Kinesis, saisissez l'ARN de votre flux de données Kinesis.
- Sous Nom du flux de diffusion, entrez le nom de votre flux de données Kinesis.
- Sous Paramètres de destination, choisissez un compartiment S3 ou saisissez un URI de compartiment. Vous pouvez soit utiliser un compartiment S3 existant pour stocker les données Amazon Monitron, soit créer un nouveau compartiment S3.
- Activez le partitionnement dynamique à l'aide de l'analyse en ligne pour JSON :
- Selectionnez Activé en Partitionnement dynamique.
- Selectionnez Activé en Analyse en ligne pour JSON.
- Sous Clés de partitionnement dynamique, ajoutez les clés de partition suivantes :
Nom de la clé | Expression JQ |
Projet | .projectName| "project=(.)" |
site | .eventPayload.siteName| "site=(.)" |
atout | .eventPayload.assetName| "asset=(.)" |
position | .eventPayload.positionName| "position=(.)" |
fiable | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- Selectionnez Appliquer des clés de partitionnement dynamique et confirmez que le préfixe de compartiment S3 généré est :
- Entrez un préfixe pour Préfixe de sortie d'erreur de compartiment S3. Toute charge utile JSON qui ne contient pas les clés décrites précédemment sera livrée dans ce préfixe. Par exemple, le
gatewayConnected
et degatewayDisconnected
les événements ne sont pas liés à un actif ou à une position donnée. Par conséquent, ils ne contiendront pas leassetName
et depositionName
des champs. La spécification de ce préfixe facultatif ici vous permet de surveiller cet emplacement et de traiter ces événements en conséquence. - Selectionnez Créer un flux de diffusion.
Vous pouvez inspecter les données Amazon Monitron dans le compartiment S3. Notez que les données Amazon Monitron exporteront des données en direct à une fréquence d'une fois par heure, alors attendez 1 heure pour inspecter les données.
Cette configuration Kinesis Data Firehose permet le partitionnement dynamique, et les objets S3 livrés utiliseront le format de clé suivant :
Construire le robot d'exploration AWS Glue pour créer une table de données Amazon S3 dans Athena
Une fois les données en direct exportées vers Amazon S3, nous utilisons un robot d'exploration AWS Glue pour générer les tables de métadonnées. Dans cet article, nous utilisons les robots d'exploration AWS Glue pour déduire automatiquement le schéma de base de données et de table à partir des données Amazon Monitron exportées dans Amazon S3, et stocker les métadonnées associées dans le catalogue de données AWS Glue. Athena utilise ensuite les métadonnées de table du catalogue de données pour rechercher, lire et traiter les données dans Amazon S3. Effectuez les étapes suivantes pour créer votre base de données et votre schéma de table :
- Sur la console AWS Glue, choisissez Rampeurs dans le volet de navigation.
- Selectionnez Créer un robot.
- Saisissez un nom pour le robot d'exploration (par exemple,
XXX_xxxx_monitron
). - Selectionnez Suivant.
- Pour Vos données sont-elles déjà mappées aux tables Glue, choisissez Pas encore.
- Pour La source de données, choisissez S3.
- Pour Emplacement des données S3, choisissez Dans ce compte, et entrez le chemin du répertoire de votre compartiment S3 que vous avez configuré dans la section précédente (
s3://YourBucketName
). - Pour Analyses répétées des magasins de données S3, sélectionnez Explorer tous les sous-dossiers.
- Enfin, choisissez Suivant.
- Sélectionnez Créer un nouveau rôle IAM et entrez un nom pour le rôle.
- Selectionnez Suivant.
- Sélectionnez Ajouter une base de données, et entrez un nom pour la base de données. Cela crée la base de données Athena dans laquelle se trouvent vos tables de métadonnées une fois le robot d'exploration terminé.
- Pour Horaire du robot d'exploration, sélectionnez un planificateur temporel préféré (par exemple, toutes les heures) pour actualiser les données Amazon Monitron dans la base de données, puis choisissez Suivant.
- Passez en revue les détails du robot d'exploration et choisissez Création.
- Sur le Rampeurs page de la console AWS Glue, sélectionnez le robot d'exploration que vous avez créé et choisissez Exécuter le robot.
Vous devrez peut-être attendre quelques minutes, selon la taille des données. Une fois terminé, l'état du robot d'exploration s'affiche comme suit : Prêt à fonctionner. Pour voir les tableaux de métadonnées, accédez à votre base de données sur le Bases de données page et choisissez Tables dans le volet de navigation.
Vous pouvez également afficher les données en sélectionnant Données du tableau sur la console.
Vous êtes redirigé vers la console Athena pour afficher les 10 premiers enregistrements des données Amazon Monitron dans Amazon S3.
Créez un tableau de bord des appareils Amazon Monitron avec Amazon Managed Grafana
Dans cette section, nous créons un tableau de bord personnalisé avec Amazon Managed Grafana pour visualiser les données Amazon Monitron dans Amazon S3, afin que l'équipe OT puisse obtenir un accès simplifié aux actifs en alarme sur l'ensemble de leur flotte de capteurs Amazon Monitron. Cela permettra à l'équipe OT de planifier les actions de l'étape suivante en fonction de la cause première possible des anomalies.
À créer un espace de travail Grafana, complétez les étapes suivantes:
- Assurez-vous que votre rôle d'utilisateur est administrateur ou éditeur.
- Sur la console Amazon Managed Grafana, choisissez Créer un espace de travail.
- Pour Nom de l'espace de travail, entrez un nom pour l'espace de travail.
- Selectionnez Suivant.
- Pour Accès d'authentification, sélectionnez Centre d'identité AWS IAM (successeur d'AWS Single Sign-On). Vous pouvez utiliser le même Utilisateur du centre d'identité AWS IAM que vous avez utilisé pour configurer votre projet Amazon Monitron.
- Selectionnez Suivant.
- Pour ce premier espace de travail, confirmez que Service géré est sélectionné pour Type d'autorisation. Cette sélection permet à Amazon Managed Grafana de provisionner automatiquement les autorisations dont vous avez besoin pour les sources de données AWS que vous utilisez pour cet espace de travail.
- Selectionnez Compte courant.
- Selectionnez Suivant.
- Confirmez les détails de l'espace de travail et choisissez Créer un espace de travail. La page des détails de l'espace de travail s'affiche. Initialement, le statut est CRÉATEUR.
- Attendez que l'état soit ACTIVE passer à l'étape suivante.
Pour configurer votre source de données Athena, procédez comme suit :
- Sur la console Amazon Managed Grafana, choisissez l'espace de travail sur lequel vous souhaitez travailler.
- Sur le Les sources de données onglet, sélectionnez Amazone Athénaet choisissez Actions, Activer la stratégie gérée par le service.
- Selectionnez Configurer dans Grafana dans le Amazone Athéna rangée.
- Connectez-vous à la console de l'espace de travail Grafana à l'aide d'IAM Identity Center si nécessaire. L'utilisateur doit avoir la stratégie d'accès Athena attachée à l'utilisateur ou au rôle pour avoir accès à la source de données Athena. Voir Stratégie gérée par AWS : AmazonGrafanaAthenaAccess pour plus d'informations.
- Sur la console de l'espace de travail Grafana, dans le volet de navigation, choisissez l'icône AWS inférieure (il y en a deux), puis choisissez Athena sur le Les sources de données menu.
- Sélectionnez la région par défaut à partir de laquelle vous souhaitez interroger la source de données Athena, sélectionnez les comptes souhaités, puis choisissez Ajouter une source de données.
- Suivez les étapes pour configurer les détails d'Athena.
Si votre groupe de travail dans Athena n'a pas encore d'emplacement de sortie configuré, vous devez spécifier un compartiment et un dossier S3 à utiliser pour les résultats de la requête. Après avoir configuré la source de données, vous pouvez l'afficher ou la modifier dans le configuration vitre.
Dans les sous-sections suivantes, nous présentons plusieurs panneaux dans le tableau de bord Amazon Monitron intégré à Amazon Managed Grafana pour obtenir des informations opérationnelles. La source de données Athena fournit un éditeur de requête SQL standard que nous utiliserons pour analyser les données Amazon Monitron afin de générer les analyses souhaitées.
Tout d'abord, s'il existe de nombreux capteurs dans le projet Amazon Monitron et qu'ils se trouvent dans différents états (santé, avertissement, alarme et nécessite une maintenance), l'équipe OT souhaite voir visuellement le nombre de positions des capteurs dans différents états. Vous pouvez obtenir des informations telles qu'un widget de graphique à secteurs dans Grafana via la requête Athena suivante :
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 capture d'écran suivante montre un panneau avec la dernière distribution de l'état du capteur Amazon Monitron.
Pour formater votre requête SQL pour les données Amazon Monitron, reportez-vous à Comprendre le schéma d'exportation de données.
Ensuite, votre équipe de technologie des opérations peut souhaiter planifier une maintenance prédictive en fonction des actifs en état d'alarme. Par conséquent, elle souhaite connaître rapidement le nombre total d'alarmes acquittées par rapport aux alarmes non acquittées. Vous pouvez afficher les informations récapitulatives de l'état d'alarme sous forme de panneaux de statistiques simples dans 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';
Le panneau suivant affiche les alarmes acquittées et non acquittées.
L'équipe OT peut également interroger la durée pendant laquelle les capteurs restent en état d'alarme, afin de pouvoir décider de leur priorité de maintenance :
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;
Le résultat de cette analyse peut être visualisé par un graphique à barres dans Grafana, et l'alarme en état d'alarme peut être facilement visualisée comme indiqué dans la capture d'écran suivante.
Pour analyser les performances des actifs supérieurs/inférieurs en fonction de la durée totale pendant laquelle les actifs sont en alarme ou nécessitent un état de maintenance, utilisez la requête suivante :
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;
La jauge à barres suivante est utilisée pour visualiser la sortie de la requête précédente, avec les actifs les plus performants affichant 0 jour d'états d'alarme, et les actifs les moins performants affichant les états alarmants cumulés au cours de l'année écoulée.
Pour aider l'équipe OT à comprendre la cause première possible d'une anomalie, les types d'alarme peuvent être affichés pour ces actifs encore en état d'alarme avec la requête suivante :
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');
Vous pouvez visualiser cette analyse sous forme de tableau dans Grafana. Dans ce projet Amazon Monitron, deux alarmes ont été déclenchées par des modèles ML pour la mesure des vibrations.
Le tableau de bord Amazon Managed Grafana est présenté ici à des fins d'illustration. Vous pouvez adapter la conception du tableau de bord en fonction des besoins de votre entreprise.
Rapports d'échec
Lorsqu'un utilisateur accuse réception d'une alarme dans l'application Amazon Monitron, les actifs associés passent à un nouvel état. L'utilisateur a également la possibilité de fournir quelques détails sur cette alarme :
- Cause de la panne – Il peut s'agir de l'un des éléments suivants : ADMINISTRATION, CONCEPTION, FABRICATION, ENTRETIEN, FONCTIONNEMENT, AUTRE, QUALITÉ, USURE ou INDÉTERMINÉ
- Mode de défaillance – Il peut s'agir de l'un des éléments suivants : AUCUN_PROBLÈME, BLOCAGE, CAVITATION, CORROSION, DÉPÔT, DÉSÉQUILIBRE, LUBRIFICATION, DÉSALIGNEMENT, AUTRE, RÉSONANCE, ROTATING_LOOSENESS, STRUCTURAL_LOOSENESS, TRANSMITTED_FAULT ou UNDETERMINED
- Action prise – Cela peut être AJUSTER, NETTOYER, LUBRIFIER, MODIFIER, RÉVISER, REMPLACER, AUCUNE_ACTION ou AUTRE
La charge utile d'événement associée à la transition d'état de l'actif contient toutes ces informations, l'état précédent de l'actif et le nouvel état de l'actif. Restez à l'écoute pour une mise à jour de ce message avec plus de détails sur la façon dont vous pouvez utiliser ces informations dans un panneau Grafana supplémentaire pour créer des diagrammes de Pareto des échecs les plus courants et des actions entreprises sur vos actifs.
Conclusion
Les entreprises clientes d'Amazon Monitron recherchent une solution pour créer un lac de données IoT avec les données en direct d'Amazon Monitron, afin de pouvoir gérer plusieurs projets et actifs Amazon Monitron et générer des rapports d'analyse sur plusieurs projets Amazon Monitron. Cet article fournit une présentation détaillée d'une solution pour créer ce lac de données IoT avec les dernières Fonctionnalité v2 d'exportation de données Amazon Monitron Kinesis. Cette solution a également montré comment utiliser d'autres services AWS, tels qu'AWS Glue et Athena pour interroger les données, générer des résultats d'analyse et visualiser ces résultats avec Amazon Managed Grafana avec des actualisations fréquentes.
Dans une prochaine étape, vous pouvez étendre cette solution en envoyant les résultats d'inférence ML à d'autres systèmes EAM que vous pourriez utiliser pour la gestion des ordres de travail. Cela permettra à votre équipe d'exploitation d'intégrer Amazon Monitron à d'autres applications d'entreprise et d'améliorer leur efficacité opérationnelle. Vous pouvez également commencer à créer des informations plus approfondies sur vos modes de défaillance et les actions entreprises en traitant les transitions d'état des actifs et les codes de fermeture qui font désormais partie de la charge utile du flux de données Kinesis.
À propos des auteurs
Julia Hu est architecte principal de solutions AI/ML chez Amazon Web Services. Elle possède une vaste expérience de l'architecture IoT et de la science des données appliquée, et fait partie de la communauté de terrain technique de l'apprentissage automatique et de l'IoT. Elle travaille avec des clients, allant des start-ups aux entreprises, pour développer des solutions d'apprentissage automatique (ML) AWSome IoT, à la périphérie et dans le cloud. Elle aime tirer parti des dernières technologies IoT et Big Data pour faire évoluer sa solution ML, réduire la latence et accélérer l'adoption par l'industrie.
Bishr Tabba est architecte de solutions chez Amazon Web Services. Bishr se spécialise dans l'aide aux clients avec des applications d'apprentissage automatique, de sécurité et d'observabilité. En dehors du travail, il aime jouer au tennis, cuisiner et passer du temps avec sa famille.
Chalika Pargal est chef de produit chez Amazon Web Services. Shalika se concentre sur la création de produits et services d'IA pour les clients industriels. Elle apporte une expérience significative à l'intersection du développement produit, industriel et commercial. Elle a récemment partagé La success story de Monitron à Réinventer 2022.
Garry Galinski est un architecte principal de solutions prenant en charge Amazon sur AWS. Il travaille avec Monitron depuis ses débuts et a contribué à l'intégration et au déploiement de la solution dans le réseau mondial de distribution d'Amazon. Il a récemment partagé Amazon Témoignage de réussite de Monitron à re:Invent 2022.
Michaël Hoarau est un architecte de solutions spécialiste AI/ML chez AWS qui alterne entre data scientist et architecte machine learning, selon le moment. Il est passionné par l'apport de la puissance de l'IA/ML aux ateliers de ses clients industriels et a travaillé sur un large éventail de cas d'utilisation ML, allant de la détection d'anomalies à la qualité prédictive des produits ou à l'optimisation de la fabrication. Il a publié un livre sur l'analyse des séries chronologiques en 2022 et écrit régulièrement sur ce sujet sur LinkedIn et de Moyenne. Lorsqu'il n'aide pas les clients à développer les prochaines meilleures expériences d'apprentissage automatique, il aime observer les étoiles, voyager ou jouer du piano.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
- Frapper l'avenir avec Adryenn Ashley. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :possède
- :est
- :ne pas
- $UP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- A Propos
- accélérer
- accès
- Selon
- en conséquence
- hybrides
- Accumulé
- atteindre
- Fusion / acquisition
- à travers
- Action
- actes
- activité
- adapter
- Supplémentaire
- admin
- administration
- Adoption
- Après
- AI
- AI / ML
- Aide
- alarme
- Alertes
- Tous
- Permettre
- permet
- déjà
- aussi
- Amazon
- Amazon Kinésis
- Grafana géré par Amazon
- Amazon Web Services
- montant
- an
- analyse
- Analytique
- analytique
- il analyse
- des analyses
- et de
- Détection d'une anomalie
- Une autre
- tous
- appli
- applications
- appliqué
- une approche
- Avril
- architecture
- SONT
- AS
- atout
- la gestion d'actifs
- Outils
- associé
- At
- Automatisation
- automatiquement
- automatiser
- disponibles
- moyen
- en évitant
- AWS
- Colle AWS
- RETOUR
- barre
- basé
- BE
- devenez
- était
- before
- LES MEILLEURS
- Améliorée
- jusqu'à XNUMX fois
- Big
- Big Data
- livre
- tous les deux
- Bas et Leggings
- Apporter
- Apportez le
- plus large
- tampon
- construire
- Développement
- construit
- construit
- la performance des entreprises
- Développement des affaires
- mais
- by
- CAN
- Peut obtenir
- capturer
- maisons
- cas
- catalogue
- Causes
- les causes
- Canaux centraux
- Centres
- globaux
- Graphique
- Charts
- salles de chat
- Selectionnez
- choose
- choisi
- classification
- fermeture
- le cloud
- code
- Collecte
- combiner
- moissonneuses-batteuses
- combinant
- Venir
- Commun
- Communautés
- complet
- complexe
- concept
- condition
- Confirmer
- NOUS CONTACTER
- Connectivité
- Console
- consommer
- contiennent
- contient
- continu
- des bactéries
- pourriez
- chenilles
- engendrent
- créée
- crée des
- création
- Clients
- personnaliser
- sont adaptées
- cycles
- tableau de bord
- données
- Analyse de Donnée
- Lac de données
- science des données
- Data Scientist
- Base de données
- Date
- jours
- début
- décider
- Réglage par défaut
- livrer
- livré
- page de livraison.
- démontrer
- Selon
- déployer
- Dépôt
- décrire
- décrit
- Conception
- voulu
- détaillé
- détails
- Détection
- développer
- Développement
- dispositif
- Compatibles
- différent
- directement
- découvrez
- distribution
- divisé
- Ne fait pas
- les temps d'arrêt
- Dynamic
- chacun
- Plus tôt
- même
- Edge
- éditeur
- de manière efficace
- efficace
- efficace
- efficacement
- non plus
- permettre
- activé
- permet
- end-to-end
- Les ingénieurs
- enrichi
- enrichissant
- Entrer
- Entreprise
- entreprises
- environnements
- l'équipements
- erreur
- événement
- événements
- exemple
- exemples
- Exclusive
- existant
- Développer vous
- d'experience
- Expériences
- Expliquer
- explorez
- Exporter
- les
- Une vaste expérience
- Échec
- famille
- Réactions
- few
- champ
- Des champs
- finalement
- Trouvez
- Prénom
- FLOTTE
- Etage
- concentré
- se concentre
- suivre
- Abonnement
- Pour
- le format
- La fréquence
- fréquent
- De
- Gain
- porte
- générer
- généré
- obtenez
- donné
- en verre.
- Réservation de groupe
- guide
- arriver
- Vous avez
- he
- Santé
- la santé
- aider
- a aidé
- aider
- ici
- de haut niveau
- Comment
- How To
- HTML
- HTTPS
- IBM
- ICON
- identifier
- Identite
- déséquilibre
- Mettre en oeuvre
- la mise en oeuvre
- améliorer
- in
- en profondeur
- comprendre
- inclut
- Nouveau
- industriel
- industrie
- info
- d'information
- Infrastructure
- possible
- idées.
- Installé
- tranche
- instance
- intégrer
- des services
- l'intégration
- Internet
- Internet des objets
- intersection
- développement
- impliqué
- IOT
- ISO
- vous aider à faire face aux problèmes qui vous perturbent
- IT
- SES
- rejoindre
- jpg
- json
- Vif
- ACTIVITES
- clés
- Firehose de données Kinesis
- Flux de données Kinesis
- Savoir
- lac
- gros
- Latence
- Nouveautés
- lancé
- APPRENTISSAGE
- apprentissage
- Niveau
- en tirant parti
- LIMIT
- limité
- lignes
- lié
- le travail
- données en direct
- situé
- emplacement
- recherchez-
- click
- machine learning
- machinerie
- Entrée
- maintenir
- facile
- majeur
- a prendre une
- gérer
- gérés
- gestion
- manager
- Gestionnaires
- les gérer
- fabrication
- de nombreuses
- Maximisez
- Mai..
- mesurer
- mécanique
- moyenne
- Menu
- Métadonnées
- pourrait
- Minutes
- manquant
- ML
- Breeze Mobile
- Application Mobile
- modèle
- numériques jumeaux (digital twin models)
- modes
- modifier
- moment
- Surveiller
- Stack monitoring
- mois
- PLUS
- plus efficace
- (en fait, presque toutes)
- plusieurs
- prénom
- NAVIGUER
- Navigation
- nécessaire
- Besoin
- Besoins
- réseau et
- Nouveauté
- next
- maintenant
- nombre
- objets
- obtenir
- of
- on
- ONE
- uniquement
- ouvre
- fonctionner
- d'exploitation
- opération
- opérationnel
- Opérations
- opérateurs
- Opportunités
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- or
- de commander
- passer commande
- organisation
- Autre
- nos
- sortie
- au contrôle
- plus de
- global
- Réviser
- propre
- page
- pain
- panneau
- panneaux
- partie
- passionné
- passé
- chemin
- Effectuer
- performant
- effectuer
- périodique
- autorisation
- autorisations
- plan
- et la planification de votre patrimoine
- Plants
- Platon
- Intelligence des données Platon
- PlatonDonnées
- jouer
- politique
- position
- positions
- possible
- Post
- défaillances
- power
- pratique
- Analyses prédictives
- préféré
- conditions préalables
- précédent
- Directeur
- priorité
- Cybersécurité
- processus
- les process
- traitement
- produire
- Produit
- chef de produit
- Qualité du produit
- Vidéo
- Produits
- Projet
- projets
- fournir
- à condition de
- fournit
- disposition
- publié
- des fins
- qualité
- vite.
- gamme
- allant
- RE
- Lire
- en temps réel
- raison
- récemment
- Articles
- réduire
- région
- régulièrement
- renforcer
- fiabilité
- fiable
- rester
- reste
- remplacer
- Rapports
- Rapports
- résonance
- Resources
- Résultats
- Analyse
- Rôle
- Chambres
- racine
- RANGÉE
- Courir
- pour le running
- s
- même
- sève
- Escaliers intérieurs
- Sciences
- Scientifique
- portée
- Section
- les sections
- en toute sécurité
- sécurité
- choisi
- sélection
- envoi
- capteur
- Série
- service
- Services
- set
- mise
- installation
- plusieurs
- Partager
- commun
- Boutique
- devrait
- montrer
- montré
- Spectacles
- significative
- similaires
- étapes
- depuis
- unique
- site
- Sites
- Taille
- So
- Logiciels
- sur mesure
- Solutions
- quelques
- Identifier
- Sources
- spécialiste
- spécialise
- spécifié
- passer
- Dépenses
- Standard
- Étoiles
- Commencer
- start-ups
- j'ai commencé
- Région
- États
- statistiques
- stats
- Statut
- rester
- étapes
- Étapes
- Encore
- storage
- Boutique
- Stratégique
- de Marketing
- courant
- rationalisé
- flux
- succès
- tel
- RÉSUMÉ
- Support
- Appuyer
- combustion propre
- Système
- table
- des campagnes marketing ciblées,
- Tâche
- équipe
- équipes
- Technique
- Technologie
- que
- Merci
- qui
- La
- L'État
- leur
- Là.
- donc
- Ces
- l'ont
- des choses
- des tiers.
- this
- cette année
- trois
- fiable
- Des séries chronologiques
- calendrier
- horodatage
- à
- outil
- top
- Top 10
- sujet
- Total
- suivre
- Formation
- transférer
- transition
- transitions
- Voyages
- déclencher
- déclenché
- types
- comprendre
- Mises à jour
- Stabilité
- utilisé
- d'utiliser
- Utilisateur
- utilisateurs
- en utilisant
- v1
- divers
- via
- Vidéo
- Voir
- vs
- attendez
- walkthrough
- avertissement
- était
- façons
- we
- web
- services Web
- WELL
- ont été
- Quoi
- qui
- tout en
- WHO
- la totalité
- large
- Large gamme
- sera
- comprenant
- activités principales
- travaillé
- workflows
- Groupe De Travail
- vos contrats
- partout dans le monde
- an
- Vous n'avez
- Votre
- Youtube
- zéphyrnet