A prediktív karbantartás egy adatvezérelt karbantartási stratégia az ipari eszközök figyelésére annak érdekében, hogy felderítsék a berendezések működésében és állapotában fellépő anomáliákat, amelyek berendezések meghibásodásához vezethetnek. Az eszköz állapotának proaktív nyomon követésével a karbantartó személyzet figyelmeztetést kaphat a problémák előfordulása előtt, így elkerülhető a költséges, nem tervezett leállás, ami viszont a teljes berendezés-hatékonyság (OEE) növekedéséhez vezet.
A prediktív karbantartáshoz szükséges gépi tanulási (ML) modellek felépítése azonban bonyolult és időigényes. Ez több lépést igényel, beleértve az adatok előfeldolgozását, az összeállítást, a betanítást, a kiértékelést, majd több ML-modell finomhangolását, amelyek megbízhatóan előre jelezhetik az eszköz adatainak anomáliáit. A kész ML modelleket ezután telepíteni kell, és élő adatokkal kell ellátni az online előrejelzésekhez (következtetéshez). Ennek a folyamatnak a több, különböző típusú és működési profilú eszközre történő méretezése gyakran túlságosan erőforrás-igényes ahhoz, hogy a prediktív karbantartás szélesebb körű alkalmazása megvalósítható legyen.
A Amazon Lookout berendezések, zökkenőmentesen elemezheti ipari berendezései szenzoradatait, hogy észlelje a gép rendellenes viselkedését – ML tapasztalat nélkül.
Amikor az ügyfelek prediktív karbantartási használati eseteket valósítanak meg a Lookout for Equipment szolgáltatással, általában három lehetőség közül választhatnak a projekt megvalósításához: maguk építik meg, dolgoznak együtt egy AWS-partnerrel, vagy használják az AWS professzionális szolgáltatásait. Mielőtt elköteleznék magukat az ilyen projektek mellett, a döntéshozók, például az üzemvezetők, a megbízhatósági vagy karbantartási vezetők, valamint a vonalvezetők bizonyítékot szeretnének látni arra, hogy a prediktív karbantartás milyen potenciális értéket tárhat fel üzletágaikban. Az ilyen értékelést általában a proof of concept (POC) részeként hajtják végre, és ez az üzleti eset alapja.
Ez a bejegyzés műszaki és nem műszaki felhasználóknak szól: hatékony megközelítést biztosít a Lookout for Equipment saját adatai alapján történő értékeléséhez, lehetővé téve, hogy felmérje az általa nyújtott üzleti értéket a prediktív karbantartási tevékenységeihez.
Megoldás áttekintése
Ebben a bejegyzésben végigvezetjük Önt a Lookout for Equipmentben található adathalmaz feldolgozása, az érzékelőadatok minőségének áttekintése, a modell betanítása és a modell értékelése lépésein. Ezen lépések végrehajtása segít betekintést nyerni a berendezés állapotába.
Előfeltételek
A kezdéshez mindössze egy AWS-fiókra és az olyan eszközök szenzoradatainak előzményeire van szüksége, amelyek számára előnyös lehet a prediktív karbantartási megközelítés. Az érzékelő adatait CSV-fájlokként kell tárolni egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödröt a fiókjából. Az informatikai csapatnak képesnek kell lennie arra, hogy megfeleljen ezeknek az előfeltételeknek a hivatkozással Az adatok formázása. Az egyszerűség érdekében a legjobb, ha az összes érzékelőadatot egyetlen CSV-fájlban tárolja, ahol a sorok időbélyegek, az oszlopok pedig egyedi érzékelők (legfeljebb 300).
Miután az adatkészlet elérhetővé válik az Amazon S3-on, követheti a bejegyzés többi részét.
Adjon hozzá egy adatkészletet
A Lookout for Equipment projektek segítségével szervezi meg az ipari berendezések értékeléséhez szükséges erőforrásokat. Új projekt létrehozásához hajtsa végre a következő lépéseket:
- A Lookout for Equipment konzolon válassza a lehetőséget Projekt létrehozása.
- Adja meg a projekt nevét, és válassza ki Projekt létrehozása.
A projekt létrehozása után feldolgozhat egy adatkészletet, amelyet az anomália-észlelési modell betanításához és kiértékeléséhez használunk.
- A projekt oldalon válassza ki Adatkészlet hozzáadása.
- A S3 hely, adja meg adatainak S3 helyét (a fájlnév nélkül).
- A Sémafelismerési módszerválassza Fájlnév szerint, amely azt feltételezi, hogy egy eszköz összes érzékelőadata egyetlen CSV-fájlban található a megadott S3 helyen.
- Tartsa meg a többi beállítást alapértelmezettként, és válassza ki Indítsa el a lenyelést a lenyelési folyamat elindításához.
A lenyelés körülbelül 10-20 percig tarthat. A háttérben a Lookout for Equipment a következő feladatokat látja el:
- Érzékeli az adatok szerkezetét, például az érzékelők nevét és adattípusait.
- Az érzékelők közötti időbélyegek egymáshoz igazodnak, és a hiányzó értékek kitöltésre kerülnek (a legújabb ismert érték használatával).
- A duplikált időbélyegek eltávolításra kerülnek (minden időbélyeghez csak az utolsó érték marad meg).
- A Lookout for Equipment többféle algoritmust használ az ML anomália-észlelési modell felépítéséhez. A beviteli fázis során előkészíti az adatokat, így felhasználható a különböző algoritmusok betanításához.
- Elemezi a mérési értékeket, és minden érzékelőt jó, közepes vagy gyenge minőségűnek minősít.
- Ha az adatkészlet feldolgozása befejeződött, ellenőrizze azt a kiválasztással Adatkészlet megtekintése a projektoldal 2. lépése alatt.
Anomália-észlelési modell létrehozásakor a legjobb érzékelők kiválasztása (a legjobb adatminőséget tartalmazók) gyakran kritikus fontosságú a gyakorlati betekintést nyújtó képzési modellek szempontjából. A Adatkészlet részletei szakasz az érzékelők besorolásának megoszlását mutatja (magas, közepes és alacsony között), míg a táblázat az egyes érzékelők adatait külön-külön jeleníti meg (beleértve az érzékelő nevét, dátumtartományát és az érzékelő adatok osztályozását). Ezzel a részletes jelentéssel megalapozott döntést hozhat arról, hogy mely érzékelőket fogja használni modelljei betanításához. Ha az adatkészletben lévő érzékelők nagy része közepesre vagy alacsonyra van besorolva, előfordulhat, hogy egy adatprobléma vizsgálatra szorul. Ha szükséges, újra feltöltheti az adatfájlt az Amazon S3-ba, és a választással újra feldolgozhatja az adatokat Cserélje ki az adatkészletet.
A részletes táblázatban az érzékelő fokozat bejegyzésének kiválasztásával megtekintheti az adott fokozatot eredményező érvényesítési hibák részleteit. Ezeknek az adatoknak a megjelenítése és megszólítása segít abban, hogy a modellnek nyújtott információk jó minőségűek legyenek. Például láthatja, hogy egy jelben váratlanul nagy mennyiségű hiányzó érték található. Ez adatátviteli probléma, vagy az érzékelő hibásan működött? Ideje mélyebbre merülni az adatokban!
Ha többet szeretne megtudni a különböző típusú szenzorproblémákról, a Lookout for Equipment címeket az érzékelők osztályozása során lásd: Érzékelő fokozatok értékelése. A fejlesztők a betekintést a ListSensorStatistics API.
Ha elégedett az adatkészletével, léphet az anomáliák előrejelzésére szolgáló modell képzésének következő lépésére.
Taníts modellt
A Lookout for Equipment lehetővé teszi a modellek betanítását bizonyos érzékelőkhöz. Ez rugalmasságot biztosít a különböző szenzorkombinációkkal való kísérletezéshez vagy az alacsony fokozatú érzékelők kizárásához. Hajtsa végre a következő lépéseket:
- A Részletek érzékelőnként szakaszban az adatkészlet oldalon, válassza ki a modellbe bevonni kívánt érzékelőket, és válassza ki Modell létrehozása.
- A Modell név, írja be a modell nevét, majd válassza ki Következő.
- A Képzési és értékelési beállítások szakaszban konfigurálja a modell bemeneti adatait.
A modellek hatékony betanításához az adatokat külön képzési és értékelési halmazokra kell felosztani. Ebben a szakaszban megadhatja a felosztás dátumtartományait, valamint az érzékelők mintavételi gyakoriságát. Hogyan választod ezt a felosztást? Tekintsük a következő:
- A Lookout for Equipment legalább 3 hónapnyi adatot vár el a képzési tartományban, de az optimális adatmennyiséget az Ön használati esete határozza meg. További adatokra lehet szükség ahhoz, hogy figyelembe vegyék a termelés bármely típusú szezonalitását vagy működési ciklusát.
- Az értékelési tartományban nincsenek megkötések. Javasoljuk azonban, hogy állítson be egy értékelési tartományt, amely magában foglalja az ismert rendellenességeket. Így tesztelheti, hogy a Lookout for Equipment képes-e rögzíteni minden olyan érdekes eseményt, amely ezekhez az anomáliákhoz vezet.
A mintavételezési gyakoriság megadásával a Lookout for Equipment hatékonyan lemintázza az érzékelő adatait, ami jelentősen csökkentheti a képzési időt. Az ideális mintavételi gyakoriság az adatokban feltételezett anomáliák típusától függ: lassú trendű anomáliák esetén általában jó kiindulási pont az 1–10 perces mintavételi gyakoriság kiválasztása. Az alacsonyabb értékek választása (a mintavételezési gyakoriság növelése) hosszabb edzésidőt eredményez, míg a magasabb értékek (alacsony mintavételi gyakoriság) lerövidítik a képzési időt, azzal a kockázattal, hogy kivágják az adatokból az anomáliák előrejelzéséhez szükséges vezető mutatókat.
Ha csak az adatok releváns részeit kívánja megtanítani, ahol az ipari berendezés működött, akkor a kikapcsolási idő észlelését végrehajthatja egy érzékelő kiválasztásával és egy küszöbérték meghatározásával, amely jelzi, hogy a berendezés bekapcsolt vagy kikapcsolt állapotban volt. Ez kritikus, mert lehetővé teszi a Lookout for Equipment számára, hogy kiszűrje az edzési időszakokat, amikor a gép ki van kapcsolva. Ez azt jelenti, hogy a modell csak a releváns működési állapotokat tanulja meg, nem csak a gép kikapcsolt állapotában.
- Adja meg a kikapcsolási idő észlelését, majd válassza ki Következő.
Opcionálisan megadhat adatcímkéket, amelyek jelzik a karbantartási időszakokat vagy a berendezés ismert meghibásodási idejét. Ha rendelkezik ilyen adatokkal, létrehozhat egy CSV-fájlt az a dokumentált formátumban, töltsd fel az Amazon S3-ra, és használd modelledzésre. A címkék megadása javíthatja a betanított modell pontosságát azáltal, hogy megmondja a Lookout for Equipmentnek, hogy hol találhat ismert rendellenességeket.
- Adja meg az adatcímkéket, majd válassza ki Következő.
- Tekintse át a beállításokat az utolsó lépésben. Ha minden rendben van, elkezdheti az edzést.
Az adatkészlet méretétől, az érzékelők számától és a mintavételi gyakoriságtól függően a modell betanítása eltarthat néhány pillanatig, de akár néhány óráig is. Például, ha 1 év adatot használ 5 perces mintavételezési sebességgel, 100 érzékelővel és címkék nélkül, egy modell betanítása kevesebb, mint 15 percet vesz igénybe. Másrészt, ha az adatok nagyszámú címkét tartalmaznak, az edzési idő jelentősen megnőhet. Ilyen helyzetben csökkentheti a képzési időt a szomszédos címkeperiódusok egyesítésével, hogy csökkentse számukat.
Nemrég betanította az első anomália-észlelési modelljét ML ismeretek nélkül! Most pedig nézzük meg, milyen betekintést nyerhet egy képzett modell.
Értékeljen egy képzett modellt
Ha a modell betanítása befejeződött, a választással megtekintheti a modell adatait Modellek megtekintése a projekt oldalon, majd válassza ki a modell nevét.
Az általános információkon, például a néven, az állapoton és a képzési időn kívül a modelloldal összefoglalja a modell teljesítményadatait, például az észlelt címkézett események számát (feltételezve, hogy megadta a címkéket), az átlagos előzetes figyelmeztetési időt és a rendellenes berendezési események számát, amelyeket a rendszeren kívül észleltek. a címke tartományok. A következő képernyőkép egy példát mutat be. A jobb láthatóság érdekében a rendszer megjeleníti az észlelt eseményeket (piros sávok a szalag tetején) a címkézett eseményekkel (a szalag alján lévő kék sávok) együtt.
Kiválaszthatja az észlelt eseményeket az anomáliákat jelző piros területek kiválasztásával az idővonal nézetben további információkért. Ebbe beletartozik:
- Az esemény kezdési és befejezési időpontja az időtartammal együtt.
- Egy oszlopdiagram azon érzékelőkkel, amelyek a modell szerint a leginkább relevánsak az anomália előfordulásának okát illetően. A százalékos pontszámok a kiszámított teljes hozzájárulást jelentik.
Ezek a betekintések lehetővé teszik, hogy folyamat- vagy megbízhatósági mérnökeivel együttműködve végezze el az események kiváltó okainak további értékelését, és végső soron optimalizálja a karbantartási tevékenységeket, csökkentse a nem tervezett leállásokat, és azonosítsa a szuboptimális működési feltételeket.
A prediktív karbantartás valós idejű betekintésével (következtetéssel) való támogatása érdekében a Lookout for Equipment támogatja az online adatok élő értékelését következtetési ütemezéseken keresztül. Ehhez időnként fel kell tölteni az érzékelőadatokat az Amazon S3-ra, majd a Lookout for Equipment következtetéseket von le az adatokra a betanított modellel, így valós idejű anomália pontozást biztosít. A következtetések eredményei, beleértve az észlelt rendellenes események előzményeit, megtekinthetők a Lookout for Equipment konzolon.
Az eredményeket az Amazon S3 fájljaiba is írják, lehetővé téve az integrációt más rendszerekkel, például egy számítógépes karbantartás-menedzsment rendszerrel (CMMS), vagy valós időben értesítik a műveleteket és a karbantartó személyzetet.
Ahogy növeli a Lookout for Equipment alkalmazását, egyre több modellt és következtetési ütemezést kell kezelnie. Ennek a folyamatnak a megkönnyítése érdekében a Következtetési ütemezések oldal egyetlen nézetben felsorolja a projekthez jelenleg konfigurált összes ütemezőt.
Tisztítsuk meg
Ha befejezte a Lookout for Equipment értékelését, javasoljuk, hogy tisztítsa meg az erőforrásokat. A Lookout for Equipment projektet az adatkészlettel és a létrehozott modellekkel együtt törölheti a projekt kiválasztásával, majd a töröl, és megerősíti a műveletet.
Összegzésként
Ebben a bejegyzésben végigjártuk az adathalmaz bevitelének lépéseit a Lookout for Equipmentben, egy modellt betanítunk rá, és kiértékeljük a teljesítményét, hogy megértsük, milyen értéket tud feltárni az egyes eszközök esetében. Pontosabban azt vizsgáltuk, hogy a Lookout for Equipment hogyan tud tájékozódni az előrejelző karbantartási folyamatokról, amelyek csökkentik a nem tervezett leállásokat és magasabb OEE-t.
Ha követte saját adatait, és izgatott a Lookout for Equipment használatának lehetőségei miatt, a következő lépés egy kísérleti projekt elindítása IT-szervezete, kulcsfontosságú partnerei vagy AWS Professional Services csapataink támogatásával. Ennek a kísérletnek korlátozott számú ipari berendezést kell megcéloznia, majd fel kell léptetnie, hogy végül minden eszközt magában foglaljon a prediktív karbantartás hatókörében.
A szerzőkről
Johann Füchsl az Amazon Web Services megoldástervezője. Ő irányítja a vállalati ügyfeleket a feldolgozóiparban az AI/ML használati esetek megvalósításában, a modern adatarchitektúrák tervezésében és a kézzelfogható üzleti értéket biztosító felhőalapú natív megoldások felépítésében. Johann matematikai és kvantitatív modellezési múlttal rendelkezik, amelyet ötvöz 10 éves informatikai tapasztalattal. A munkán kívül szívesen tölt időt a családjával és a természetben.
Michael Hoarau az AWS ipari AI/ML specialista megoldástervezője, aki az adott pillanattól függően felváltva dolgozik adattudós és gépi tanulási építész között. Szenvedélyesen törekszik az AI/ML erejének ipari ügyfelei számára történő bemutatására, és az ML felhasználási esetek széles skáláján dolgozott, az anomáliák észlelésétől a prediktív termékminőségig vagy a gyártásoptimalizálásig. Amikor nem segít az ügyfeleknek a következő legjobb gépi tanulási élmények kialakításában, szívesen megfigyeli a csillagokat, utazik vagy zongorázik.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/
- :is
- $ UP
- 1
- 10
- 100
- 7
- a
- Képes
- Rólunk
- Fiók
- pontosság
- Akció
- tevékenységek
- mellett
- További
- további információ
- címek
- címzés
- Örökbefogadás
- AI / ML
- algoritmusok
- igazított
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- amazon
- Amazon Lookout berendezések
- Az Amazon Web Services
- összeg
- elemez
- elemzések
- és a
- anomália észlelése
- megközelítés
- VANNAK
- területek
- körül
- AS
- vagyontárgy
- Eszközök
- At
- elérhető
- átlagos
- elkerülve
- AWS
- AWS professzionális szolgáltatások
- háttér
- bár
- bárok
- alap
- BE
- mert
- előtt
- hogy
- úgy gondolja,
- haszon
- BEST
- Jobb
- között
- Nagy
- Kék
- Alsó
- Bringing
- tágabb
- épít
- Épület
- üzleti
- gomb
- by
- számított
- TUD
- Kaphat
- elfog
- eset
- esetek
- Okoz
- Táblázatos
- táblázatok
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- választja
- Takarításra
- kettyenés
- vásárló
- Oszlopok
- kombinációk
- kombájnok
- elkövetése
- teljes
- kitöltésével
- bonyolult
- koncepció
- feltétel
- Körülmények
- Fontolja
- Konzol
- korlátok
- tartalmaz
- hozzájárulás
- tudott
- teremt
- készítette
- létrehozása
- kritikai
- Jelenleg
- Ügyfelek
- vágás
- ciklusok
- műszerfal
- dátum
- adattudós
- adatalapú
- találka
- döntés
- döntés hozó
- csökkenés
- mélyebb
- alapértelmezett
- meghatározó
- szállít
- attól
- függ
- telepített
- tervezés
- részletes
- részletek
- észlelt
- Érzékelés
- Fejleszt
- fejlesztők
- különböző
- megjelenítő
- kijelzők
- terjesztés
- állásidő
- hajtott
- alatt
- minden
- könnyebb
- Hatékony
- hatékonyan
- hatékonyság
- lehetővé
- Mérnökök
- biztosítására
- belép
- Vállalkozás
- belépés
- felszerelés
- hibák
- értékelni
- értékelő
- értékelés
- esemény
- események
- végül is
- minden
- bizonyíték
- példa
- izgatott
- kizárás
- vár
- elvárja
- tapasztalat
- Tapasztalatok
- kísérlet
- feltárt
- kivonat
- Kudarc
- család
- kevés
- filé
- Fájlok
- megtöltött
- szűrő
- utolsó
- Találjon
- végén
- vezetéknév
- Rugalmasság
- következik
- követ
- következő
- A
- ból ből
- további
- általános
- kap
- Ad
- adott
- ad
- Goes
- jó
- fokozat
- útmutató
- Útmutatók
- kéz
- boldog
- Legyen
- Egészség
- segít
- segít
- Magas
- <p></p>
- legnagyobb
- történelem
- Kezdőlap
- NYITVATARTÁS
- Hogyan
- azonban
- HTML
- http
- HTTPS
- ideális
- azonosítani
- végre
- végrehajtási
- javul
- in
- tartalmaz
- magában foglalja a
- Beleértve
- Növelje
- növekvő
- jelez
- mutatók
- egyéni
- ipari
- ipar
- tájékoztat
- információ
- tájékoztatták
- bemenet
- meglátások
- integráció
- kamat
- vizsgálat
- kérdés
- kérdések
- IT
- ITS
- jpg
- Tart
- Kulcs
- ismert
- Címke
- Címkék
- nagy
- nagyobb
- keresztnév
- legutolsó
- vezet
- vezetők
- vezető
- vezetékek
- TANUL
- tanulás
- mint
- Korlátozott
- vonal
- vonalak
- Lista
- listák
- él
- élő adatok
- elhelyezkedés
- hosszabb
- néz
- MEGJELENÉS
- Elő/Utó
- gép
- gépi tanulás
- karbantartás
- csinál
- kezelése
- vezetés
- Menedzserek
- gyártási
- feldolgozó ipar
- matematika
- eszközök
- közepes
- Találkozik
- egyesülő
- esetleg
- Perc
- hiányzó
- ML
- modell
- modellek
- modern
- pillanat
- Pillanatok
- ellenőrzés
- hónap
- több
- a legtöbb
- mozog
- többszörös
- név
- nevek
- Természet
- elengedhetetlen
- Szükség
- igénylő
- igények
- Új
- következő
- nem műszaki
- szám
- történt
- of
- on
- ONE
- online
- üzemeltetési
- működés
- operatív
- Művelet
- optimálisan
- optimalizálás
- Optimalizálja
- Opciók
- érdekében
- szervezet
- Más
- kívül
- átfogó
- áttekintés
- saját
- oldal
- rész
- partner
- partnerek
- szenvedélyes
- százalék
- Teljesít
- teljesítmény
- Előadja
- időszakok
- személyzet
- fázis
- darabok
- pilóta
- demó projekt
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- PoC
- pont
- állás
- potenciális
- hatalom
- előre
- előrejelzésére
- Tippek
- Előkészíti
- előfeltételek
- proaktív
- folyamat
- Folyamatok
- Termékek
- Termékminőség
- Termelés
- szakmai
- Profilok
- program
- projektek
- bizonyíték
- bizonyíték a koncepcióra
- kilátások
- ad
- feltéve,
- biztosít
- amely
- világítás
- mennyiségi
- hatótávolság
- kezdve
- Arány
- igazi
- real-time
- ajánl
- Piros
- csökkenteni
- Csökkent
- megbízhatóság
- eltávolított
- jelentést
- képvisel
- képviselő
- kötelező
- megköveteli,
- forrás
- Tudástár
- REST
- eredményez
- kapott
- Eredmények
- Kritika
- szalag
- Kockázat
- gyökér
- Skála
- skálázás
- Tudós
- hatálya
- pontozás
- zökkenőmentesen
- Rész
- kiválasztott
- kiválasztása
- érzékelők
- különálló
- szolgáltatás
- Szolgáltatások
- Szettek
- beállítás
- beállítások
- számos
- Webshop
- kellene
- Műsorok
- Jel
- jelentősen
- Egyszerű
- egyetlen
- helyzet
- Méret
- So
- megoldások
- Megoldások
- forrás
- szakember
- különleges
- kifejezetten
- meghatározott
- Költési
- osztott
- Csillag
- kezdet
- kezdődött
- Kezdve
- Állami
- Államok
- Állapot
- Lépés
- Lépései
- tárolás
- tárolni
- memorizált
- Stratégia
- struktúra
- ilyen
- támogatás
- Támogatja
- rendszer
- Systems
- táblázat
- Vesz
- cél
- feladatok
- csapat
- csapat
- Műszaki
- teszt
- hogy
- A
- azok
- maguk
- ezáltal
- Ezek
- dolgok
- három
- küszöb
- Keresztül
- idő
- időrendben
- alkalommal
- időbélyeg
- nak nek
- is
- felső
- Vonat
- kiképzett
- Képzések
- átruházás
- Utazó
- FORDULAT
- típusok
- jellemzően
- Végül
- feltárni
- alatt
- megért
- Váratlan
- feltöltve
- használ
- használati eset
- Felhasználók
- rendszerint
- érvényesítés
- érték
- Értékek
- különféle
- keresztül
- életképes
- Megnézem
- láthatóság
- sétált
- Út..
- háló
- webes szolgáltatások
- vajon
- ami
- míg
- WHO
- széles
- Széleskörű
- lesz
- val vel
- nélkül
- Munka
- dolgozott
- írott
- év
- év
- te
- A te
- zephyrnet