Ez egy vendégbejegyzés, amelyet Moulham Zahabival közösen írt a Mataratból.
Valószínűleg mindenki feladta a poggyászát repülés közben, és izgatottan várta, hogy a csomagja megjelenjen a körhintanál. A csomagok sikeres és időben történő kézbesítése a poggyászkezelő rendszernek (BHS) nevezett hatalmas infrastruktúrától függ. Ez az infrastruktúra a sikeres repülőtéri működés egyik kulcsfontosságú funkciója. Az induló és érkező járatok poggyászának és rakományának sikeres kezelése kulcsfontosságú az ügyfelek elégedettsége és a repülőtéri kiváló működés biztosítása érdekében. Ez a funkció nagymértékben függ a BHS folyamatos működésétől és a karbantartási műveletek hatékonyságától. A repülőterek mentőöveként a BHS egy lineáris eszköz, amely meghaladhatja a 34,000 70 méter hosszúságot (egy repülőtérre vonatkoztatva), és évente több mint XNUMX millió poggyászt kezel, így az egyik legösszetettebb automatizált rendszer és a repülőtéri műveletek létfontosságú eleme.
Egy poggyászkezelő rendszer nem tervezett leállása, legyen az futószalag, körhinta vagy válogató egység, megzavarhatja a repülőtéri műveleteket. Az ilyen jellegű fennakadások kellemetlen utasélményt okoznak, és esetleg szankciókat is kiszabhatnak a repülőtéri szolgáltatókra.
A poggyászkezelési rendszer fenntartásának fő kihívása a több mint 7,000 eszközből és több mint egymillió alapjelből álló integrált rendszer folyamatos működtetése. Ezek a rendszerek több millió különböző formájú és méretű táskát is kezelnek. Feltételezhető, hogy a poggyászkezelő rendszerek hajlamosak a hibákra. Mivel az elemek zárt hurokban működnek, ha egy elem elromlik, az az egész sort érinti. A hagyományos karbantartási tevékenységek a BHS kulcsfontosságú helyszínein elosztott jelentős munkaerőre támaszkodnak, amelyet a kezelők küldenek ki működési hiba esetén. A karbantartó csapatok nagymértékben támaszkodnak a beszállítói ajánlásokra a megelőző karbantartás leállásának ütemezéséhez. Annak meghatározása, hogy a megelőző karbantartási tevékenységeket megfelelően hajtják-e végre, vagy az ilyen típusú eszközök teljesítményének figyelemmel kísérése megbízhatatlan lehet, és nem csökkenti a váratlan leállások kockázatát.
A pótalkatrészek kezelése további kihívást jelent, mivel az átfutási idők az ellátási lánc globális zavarai miatt nőnek, a készlet-feltöltési döntések azonban a múltbeli trendeken alapulnak. Ezenkívül ezek a trendek nem veszik figyelembe a BHS-eszközök működésének változékony dinamikus környezetét, ahogy öregednek. E kihívások kezeléséhez szeizmikus váltásra van szükség a karbantartási stratégiákban – a reaktív gondolkodásmódról a proaktív gondolkodásmód felé kell elmozdulni. Ez a változás megköveteli az üzemeltetőktől, hogy a legújabb technológiát használják a karbantartási tevékenységek egyszerűsítésére, a műveletek optimalizálására és a működési költségek minimalizálására.
Ebben a bejegyzésben leírjuk, hogyan használta az AWS Partner Airis Solutions Amazon Lookout berendezések, AWS Internet of Things (IoT) szolgáltatások és CloudRail szenzortechnológiák, amelyek a legkorszerűbb megoldást kínálják ezekre a kihívásokra.
Poggyászkezelő rendszer áttekintése
A következő diagram és táblázat a rijádi King Khalid nemzetközi repülőtér tipikus körhintaján végzett méréseket szemlélteti.
Az adatgyűjtés a diagramon látható különböző helyeken történik.
Érzékelő típus | Üzleti érték | Datasets | Települések |
IO Link sebességérzékelők | Homogén körhinta sebesség | PDV1 (percenként 1) | C |
Beépített rezgésérzékelővel Hőmérséklet Szenzor |
Laza csavar, Rosszul beállított tengely, Csapágy sérülés, Motor tekercselés sérülése |
Fáradtság (v-RMS) (m/s) Hatás (a-csúcs) (m/s^2) Súrlódás (a-RMS) (m/s^2) Hőmérséklet (C) Címer |
A és B |
Távolság PEC érzékelő | Poggyász áteresztőképesség | Távolság (cm) | D |
A következő képek a környezetet és a felügyeleti berendezéseket mutatják be a különböző mérésekhez.
Megoldás áttekintése
A poggyászkezelő rendszerek prediktív karbantartási rendszere (PdMS) egy referenciaarchitektúra, amely segíti a repülőtér-karbantartó üzemeltetőket az utazás során, hogy adatokkal rendelkezzenek a nem tervezett leállások javítása érdekében. Építőelemeket tartalmaz a csatlakoztatott érzékelők és szolgáltatások fejlesztésének és telepítésének felgyorsítására. A PdMS magában foglalja az AWS-szolgáltatásokat a peremszámítóeszközök és BHS-eszközök életciklusának biztonságos kezeléséhez, a felhőalapú adatfeldolgozáshoz, a tároláshoz, a gépi tanulási (ML) következtetési modellekhez és az üzleti logikához, amelyek lehetővé teszik az eszközök proaktív karbantartását a felhőben.
Ez az architektúra a több éven át tartó repülőtéri üzemeltetés során levont tanulságok alapján épült fel. A javasolt megoldást a Northbay Solutions, az AWS Premier Partner támogatásával fejlesztették ki, és 90 napon belül bármilyen méretű és léptékű repülőtereken telepíthető több ezer csatlakoztatott eszközre.
A következő architektúra diagram bemutatja a prediktív karbantartási megoldás felépítéséhez használt mögöttes összetevőket:
Az architektúra összeállításához az alábbi szolgáltatásokat használjuk:
- A CloudRail.DMC a német IoT-szakértő, a CloudRail GmbH szoftver, mint szolgáltatás (SaaS) megoldása. Ez a szervezet kezeli a globálisan elosztott szélső átjárók flottáját. Ezzel a szolgáltatással az ipari szenzorok, intelligens mérők és OPC UA szerverek néhány kattintással csatlakoztathatók egy AWS adattóhoz.
- AWS IoT Core lehetővé teszi IoT-eszközök milliárdjainak összekapcsolását, és üzenetek billióinak irányítását az AWS-szolgáltatásokhoz az infrastruktúra kezelése nélkül. Biztonságosan továbbítja az üzeneteket az összes IoT-eszközhöz és -alkalmazáshoz, alacsony késleltetéssel és nagy átviteli sebességgel. Az AWS IoT Core segítségével csatlakozunk a CloudRail érzékelőihez, és továbbítjuk a méréseiket az AWS Cloudba.
- AWS IoT Analytics egy teljesen felügyelt szolgáltatás, amely megkönnyíti a kifinomult elemzések futtatását és működtetését hatalmas mennyiségű IoT-adaton anélkül, hogy aggódnia kellene az IoT-elemző platform felépítéséhez általában szükséges költségek és bonyolultság miatt. Ez egy egyszerű módszer az IoT-adatok elemzésének futtatására a pontos betekintés érdekében.
- Amazon Lookout berendezések elemzi a berendezések érzékelőiből származó adatokat, hogy az eszközspecifikus adatok alapján automatikusan ML-modellt hozzon létre az Ön berendezéséhez – nincs szükség adattudományi ismeretekre. A Lookout for Equipment valós időben elemzi a bejövő érzékelőadatokat, és pontosan azonosítja azokat a korai figyelmeztető jeleket, amelyek váratlan leálláshoz vezethetnek.
- Amazon QuickSight lehetővé teszi, hogy a szervezet minden tagja megértse az adatokat azáltal, hogy természetes nyelven tesz fel kérdéseket, megjeleníti az információkat interaktív műszerfalakon keresztül, és automatikusan keresi az ML által vezérelt mintákat és kiugró értékeket.
Amint az a következő ábrán is látható, ez az architektúra lehetővé teszi az érzékelőadatok működési betekintést nyújtó áramlását.
Az adatpontok gyűjtése IO-Link érzékelőkkel történik: Az IO-Link egy szabványosított interfész, amely zökkenőmentes kommunikációt tesz lehetővé egy ipari eszköz (esetünkben a poggyászkezelő rendszer) ellenőrzési szintjétől az érzékelő szintjéig. Ezt a protokollt arra használják, hogy az érzékelőadatokat egy CloudRail peremátjáróba táplálják, és betöltsék az AWS IoT Core-ba. Utóbbi ezután berendezésadatokat szolgáltat az ML modellekhez, hogy azonosítsa a működési és berendezési problémákat, amelyek segítségével meghatározható az eszköz karbantartásának vagy cseréjének optimális időzítése anélkül, hogy szükségtelen költségek merülnének fel.
Adatgyűjtés
A meglévő eszközök és vezérlőrendszereik felhőbe való utólagos felszerelése továbbra is kihívást jelent a berendezések üzemeltetői számára. A másodlagos érzékelők hozzáadása gyors és biztonságos módot biztosít a szükséges adatok megszerzésére, miközben nem zavarja a meglévő rendszereket. Ezért egyszerűbb, gyorsabb és nem invazív, mint a gép PLC-inek közvetlen csatlakoztatása. Ezenkívül utólag beépített érzékelők is kiválaszthatók az adott hibamódokhoz szükséges adatpontok pontos mérésére.
A CloudRail segítségével minden ipari IO-Link érzékelő csatlakoztatható olyan AWS szolgáltatásokhoz, mint az AWS IoT Core, AWS IoT SiteWisevagy AWS IoT Greengrass néhány másodpercen belül egy felhő alapú eszközkezelő portálon (CloudRail.DMC) keresztül. Ez lehetővé teszi az IoT-szakértők számára, hogy központi helyekről és globálisan elosztott fizikai rendszerekről dolgozzanak. A megoldás megoldja a prediktív karbantartási rendszerek adatkapcsolati kihívásait egy egyszerű plug-and-play mechanizmus révén.
Az átjáró ipari demilitarizált zónaként (IDMZ) működik a berendezés (OT) és a felhőszolgáltatás (IT) között. Az integrált flottakezelő alkalmazáson keresztül a CloudRail biztosítja, hogy a legújabb biztonsági javítások automatikusan megjelenjenek több ezer telepítésnél.
A következő képen egy IO-Link érzékelő és a CloudRail edge gateway látható (narancssárga színben):
Anomália-észlelési modell betanítása
A legtöbb ipari szegmens szervezetei azt látják, hogy a modern karbantartási stratégiák eltávolodnak a futástól a meghibásodásig, reaktív megközelítésektől, és előrejelzőbb módszerek felé haladnak. Az állapotalapú vagy prediktív karbantartási megközelítésre való áttérés azonban a létesítményekben telepített érzékelőkről gyűjtött adatokat igényel. Az ezen érzékelők által rögzített előzményadatok analitikai adatokkal együtt történő felhasználása segít azonosítani a berendezés meghibásodásának előfutárait, ami lehetővé teszi a karbantartó személyzet számára, hogy ennek megfelelően járjon el a meghibásodás előtt.
A prediktív karbantartási rendszerek azon képességen alapulnak, hogy felismerik, mikor fordulhatnak elő hibák. A berendezések OEM-jei általában adatlapokat adnak a berendezéseikhez, és bizonyos működési mutatók megfigyelését javasolják a csaknem tökéletes feltételek alapján. Ezek a feltételek azonban ritkán reálisak az eszköz természetes elhasználódása, a működési környezeti feltételek, a múltbeli karbantartási előzmények vagy éppen az üzleti eredmények eléréséhez szükséges üzemeltetési mód miatt. Például két egyforma motort (márka, modell, gyártási dátum) szereltek be ugyanabba a körhintaba a koncepció bizonyítására. Ezek a motorok különböző hőmérsékleti tartományokban működtek az eltérő időjárási hatások miatt (a szállítószalag egyik része a repülőtéri terminál belsejében, a másik pedig kívül).
Az 1. motor 32-35°C hőmérsékleten működött. A vibrációs sebesség RMS változhat a motor fáradtsága miatt (például beállítási hibák vagy kiegyensúlyozatlansági problémák). Amint az a következő ábrán látható, ez a motor 2-6 közötti fáradtsági szintet mutat, néhány csúcsot 9-nél.
A 2. motor hűvösebb környezetben működött, ahol a hőmérséklet 20-25°C között mozgott. Ebben az összefüggésben a 2-es motor 4-8 közötti fáradtsági szintet mutat, néhány csúcsot 10-nél:
A legtöbb ML-megközelítés nagyon specifikus (gyakran nehezen beszerezhető) tartományi ismereteket és információkat vár el, amelyeket az egyes eszközök működéséből és karbantartásából kell kinyerni (például hibaromlási minták). Ezt a munkát minden alkalommal el kell végezni, amikor új eszközt szeretne figyelni, vagy ha az eszköz feltételei jelentősen megváltoznak (például egy alkatrész cseréjekor). Ez azt jelenti, hogy a prototípus-készítési fázisban szállított nagyszerű modell teljesítménye valószínűleg csökkenni fog, ha más eszközökön is bevezetik, ami drasztikusan csökkenti a rendszer pontosságát, és a végén elveszíti a végfelhasználók bizalmát. Ez sok téves pozitív eredményt is okozhat, és szüksége lesz a szükséges készségekre, hogy megtalálja az érvényes jeleket az összes zajban.
A Lookout for Equipment csak az idősorok adatait elemzi, hogy megismerje a jelek közötti normális kapcsolatokat. Ezután, amikor ezek a kapcsolatok elkezdenek eltérni a normál működési feltételektől (tanítási állapotban rögzítve), a szolgáltatás megjelöli az anomáliát. Azt találtuk, hogy az egyes eszközökre vonatkozó előzményadatok szigorú felhasználása lehetővé teszi, hogy olyan technológiákra összpontosítson, amelyek képesek megtanulni azokat a működési feltételeket, amelyek egyediek lesznek egy adott eszközre abban a környezetben, amelyben az működik. Ez lehetővé teszi a kiváltó okok elemzését és a prediktív karbantartási gyakorlatokat támogató előrejelzéseket. részletesen, eszközenkénti és makrószinten (a megfelelő irányítópult összeállításával, hogy egyszerre több eszközről is áttekintést kapjon). Ezt a megközelítést választottuk, és ez az oka annak, hogy a Lookout for Equipment használata mellett döntöttünk.
Edzési stratégia: A hidegindítási kihívás kezelése
Az általunk megcélzott BHS kezdetben nem volt műszerezett. A CloudRail érzékelőket telepítettük, hogy elkezdjük az új mérések gyűjtését a rendszerünkből, de ez azt jelentette, hogy csak korlátozott történelmi mélység állt rendelkezésünkre az ML-modell képzéséhez. A hidegindítási kihívást ebben az esetben úgy kezeltük, hogy felismertük, hogy folyamatosan fejlődő rendszert építünk. Az érzékelők telepítése után egy órányi adatot gyűjtöttünk, és megkettőztük ezeket az információkat, hogy a lehető leghamarabb elkezdhessük használni a Lookout for Equipment szolgáltatást, és tesztelni tudjuk a teljes folyamatot.
Ahogy az várható volt, az első eredmények meglehetősen instabilok voltak, mivel az ML modell nagyon rövid ideig volt kitéve. Ez azt jelentette, hogy az első órában nem észlelt új viselkedés megjelölésre kerül. A legfelsőbb érzékelőket nézve az egyik motor hőmérséklete tűnt a fő gyanúsítottnak (T2_MUC_ES_MTRL_TMP
narancssárgával a következő ábrán). Mivel a kezdeti adatrögzítés nagyon szűk volt (1 óra), a nap folyamán a fő változás a hőmérsékleti értékekből származott (ami összhangban van az akkori környezeti viszonyokkal).
Amikor ezt az adott szállítószalag körüli környezeti viszonyokkal egyeztettük, megerősítettük, hogy a külső hőmérséklet erősen megemelkedett, ami viszont növelte az érzékelő által mért hőmérsékletet. Ebben az esetben, miután az új (a külső hőmérséklet-emelkedést figyelembe vevő) adatok beépítésre kerülnek a képzési adatkészletbe, a Lookout for Equipment által rögzített normál viselkedés része lesz, és a hasonló viselkedés a jövőben kisebb valószínűséggel növeli eseményeket.
5 nap elteltével a modellt újra képezték, és a hamis pozitív arányok azonnal drasztikusan csökkentek:
Bár ez a hidegindítási probléma kezdeti kihívást jelentett a gyakorlati ismeretek megszerzéséhez, felhasználtuk ezt a lehetőséget, hogy olyan átképzési mechanizmust hozzunk létre, amelyet a végfelhasználó könnyen elindíthat. Egy hónapig a kísérletezés után egy új modellt betanítottunk úgy, hogy egy hónapnyi szenzoradatokat megkettőztünk 3 hónapra. Ez tovább csökkentette a hamis pozitív arányokat, mivel a modell szélesebb körű feltételeknek volt kitéve. Hasonló téves pozitív aránycsökkenés történt ezen átképzés után is: a rendszer által modellezett állapot közelebb állt ahhoz, amit a felhasználók a való életben tapasztalnak. 3 hónap elteltével végre volt egy adatkészletünk, amelyet e duplikációs trükk nélkül használhattunk.
Ezentúl 3 havonta indítunk átképzést, és a lehető legrövidebb időn belül legfeljebb 1 éves adatokkal számolunk a környezeti állapot szezonalitása miatt. Amikor ezt a rendszert más eszközökön telepítjük, újra fel tudjuk használni ezt az automatizált folyamatot, és felhasználhatjuk a kezdeti betanítást az érzékelő adatfolyamunk érvényesítésére.
A modell betanítása után telepítettük a modellt, és megkezdtük az élő adatok küldését a Lookout for Equipment számára. A Lookout for Equipment segítségével konfigurálhat egy ütemezőt, amely rendszeresen (például óránként) felébred, hogy friss adatokat küldjön a betanított modellnek, és összegyűjtse az eredményeket.
Most, hogy tudjuk, hogyan kell betanítani, javítani és telepíteni egy modellt, nézzük meg a végfelhasználók számára megvalósított működési irányítópultokat.
Adatvizualizáció és betekintés
A végfelhasználóknak módot kell találniuk arra, hogy több értéket vonhassanak ki működési adataikból, hogy javítsák eszközhasználatukat. A QuickSight segítségével összekapcsoltuk a műszerfalat az IoT-rendszerünk által szolgáltatott nyers mérési adatokkal, lehetővé téve a felhasználók számára az adott BHS kulcsfontosságú berendezéseinek összehasonlítását és kontrasztját.
A következő műszerfalon a felhasználók ellenőrizhetik a BHS állapotának figyelésére használt kulcsérzékelőket, és lekérhetik az időszakonkénti mérőszámok változásait.
Az előző grafikonon a felhasználók megjeleníthetik az egyes motorok mérésének váratlan kiegyensúlyozatlanságát (bal és jobb oldali diagramok a hőmérsékletet, a fáradtságot, a rezgést, a súrlódást és az ütközést). Alul a fő teljesítménymutatók vannak összefoglalva, az előrejelzésekkel és az időszakonkénti trendekkel együtt.
A végfelhasználók a következő célokra férhetnek hozzá az információkhoz:
- Tekintse meg az előzményadatokat 2-24 órás időközönként.
- Nyers adatok kinyerése CSV formátumban a külső integráció érdekében.
- Vizualizálja az eszközök teljesítményét egy meghatározott időtartam alatt.
- Szerezzen betekintést az operatív tervezéshez és javítsa az eszközhasználatot.
- Végezzen korrelációs elemzést. A következő ábrán a felhasználó több mérést is megjeleníthet (például a motor fáradtsága vs. hőmérséklet, vagy a poggyász áteresztőképessége vs. körhinta), és ezt az irányítópultot használhatja a következő legjobb karbantartási műveletek jobb tájékoztatására.
Zaj kiküszöbölése az adatokból
Néhány hét elteltével észrevettük, hogy a Lookout for Equipment néhány hamis pozitívnak vélt eseményt bocsát ki.
Ezen események elemzésekor szabálytalan eséseket fedeztünk fel a körhinta motorjának sebességében.
Találkoztunk a karbantartó csapattal, és tájékoztattak bennünket, hogy ezek a leállások vagy vészleállások, vagy tervezett leállási karbantartási tevékenységek. Ezzel az információval a vészleállásokat anomáliákként jelöltük meg, és betápláltuk a Lookout for Equipmentbe, míg a tervezett leállások normális viselkedésnek minősültek ennél a körhintanál.
Az olyan forgatókönyvek megértése, amelyekben a kóros adatokat ellenőrzött külső műveletek befolyásolhatják, kritikus fontosságú az anomália-észlelési modell pontosságának idővel történő javítása érdekében.
Füstvizsgálat
Néhány órával a modell átképzése után, és viszonylag semmilyen rendellenességet nem értünk el, csapatunk fizikailag megterhelte az eszközöket, amit a rendszer azonnal észlelt. Ez gyakori kérés a felhasználók részéről, mert meg kell ismerkedniük a rendszerrel és annak reakcióival.
Az irányítópultunkat úgy építettük meg, hogy a végfelhasználók korlátlan ideig megjeleníthessék a történelmi anomáliákat. Egy üzleti intelligencia szolgáltatás segítségével tetszőlegesen rendszerezhetik adataikat, és azt találtuk, hogy a 24 órás időszakra vonatkozó oszlopdiagramok vagy a kördiagramok a legjobb módja annak, hogy jó képet kapjanak a BHS állapotáról. Az irányítópultok mellett, amelyeket a felhasználók bármikor megtekinthetnek, automatikus figyelmeztetéseket is beállítunk, amelyeket egy meghatározott e-mail címre és szöveges üzenetben küldünk.
Mélyebb betekintést nyerhet az anomália-észlelési modellekből
A jövőben mélyebb betekintést kívánunk nyerni a Lookout for Equipment segítségével kiképzett anomália-észlelő modellekből. Továbbra is a QuickSight-ot fogjuk használni a widgetek bővített készletének elkészítéséhez. Például azt találtuk, hogy az adatvizualizációs widgetek a GitHub minták a Lookout for Equipmenthez lehetővé teszi számunkra, hogy még több betekintést nyerjünk modelljeink nyers kimeneteiből.
Eredmények
A poggyászkezelő rendszerek reaktív karbantartása a következőket jelenti:
- Alacsonyabb utasok elégedettsége a hosszú várakozási idők vagy a sérült poggyász miatt
- Alacsonyabb eszközök rendelkezésre állása a nem tervezett meghibásodások és a kritikus alkatrészek készlethiánya miatt
- Magasabb működési költségek az emelkedő készletszint miatt, valamint a magasabb karbantartási költségek
A karbantartási stratégia fejlesztése a megbízható, előrejelző elemzések döntéshozatali ciklusába történő beépítése érdekében az eszközök működésének javítását és a kényszerleállások elkerülését célozza.
A megfigyelő berendezést 1 nap alatt helyben telepítették, és teljesen távolról konfigurálták az IoT szakértők. A megoldás áttekintésében leírt felhőarchitektúra ezután 90 napon belül sikeresen üzembe került. A gyors megvalósítási idő bizonyítja a végfelhasználó számára javasolt előnyöket, és gyorsan eltolódik a karbantartási stratégiában az emberi alapú reaktív (meghibásodások kijavítása) helyett a gépi, adatvezérelt proaktív (leállások megelőzése) felé.
Következtetés
Az Airis, a CloudRail, a Northbay Solutions és az AWS együttműködése új eredményekhez vezetett a King Khalid nemzetközi repülőtéren (lásd a sajtóközlemény további részletekért). Digitális átalakítási stratégiájuk részeként a rijádi repülőtér további telepítéseket tervez más elektromechanikus rendszerekre, például az utasszállító hidakra és a HVAC-rendszerekre.
Ha észrevétele van ezzel a bejegyzéssel kapcsolatban, kérjük, tegye meg azokat a megjegyzés rovatban. Ha kérdései vannak ezzel a megoldással vagy annak megvalósításával kapcsolatban, indítson új témát re:Poszt, ahol az AWS-szakértők és a szélesebb közösség támogathatja Önt.
A szerzőkről
Moulham Zahabi légiközlekedési szakember, aki több mint 11 éves tapasztalattal rendelkezik a légiközlekedési projektek tervezésében és menedzselésében, valamint a kritikus repülőtéri eszközök kezelésében az Öböl-közi Együttműködési Tanács régiójában. Egyik társalapítója az Airis-Solutions.ai-nak is, amelynek célja, hogy a repülõterek és logisztikai központok innovatív AI/ML-megoldásai révén vezesse a repülési iparág digitális átalakulását. Ma Moulham a szaúdi polgári repülési holdingtársaság (Matarat) vagyonkezelési igazgatóságát vezeti.
Fauzan kán vezető megoldástervező, aki közszférabeli ügyfelekkel dolgozik, és útmutatást ad az AWS-munkaterhelések és architektúrák tervezéséhez, telepítéséhez és kezeléséhez. A Fauzan szenvedélyesen segíti ügyfeleit az innovatív felhőtechnológiák elfogadásában a HPC és az AI/ML területén az üzleti kihívások megoldása érdekében. A munkán kívül Fauzan szívesen tölt időt a természetben.
Michael Hoarau az AWS AI/ML Specialist Solutions Architect, aki az adott pillanattól függően felváltva dolgozik adattudós és gépi tanulási építész között. Szenvedélyesen igyekszik eljuttatni az AI/ML teljesítményt ipari ügyfelei üzletére, és az ML felhasználási esetek széles skáláján dolgozott, az anomáliák észlelésétől a prediktív termékminőségig vagy a gyártásoptimalizálásig. Kiadta könyv az idősorok elemzéséről 2022-ben, és rendszeresen ír erről a témáról LinkedIn és a közepes. 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/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :is
- $ UP
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- Képes
- Rólunk
- gyorsul
- hozzáférés
- Eszerint
- Fiók
- számvitel
- pontosság
- pontos
- pontosan
- Elérése
- teljesítmény
- elérése
- szerez
- át
- törvény
- Akció
- cselekvések
- tevékenységek
- cselekmények
- mellett
- További
- Ezen kívül
- cím
- címzés
- elfogadja
- Után
- AI
- AI / ML
- AIDS
- célok
- repülőtér
- Repülőterek
- Figyelmeztetések
- igazítás
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- amazon
- Amazon Lookout berendezések
- elemzés
- analitika
- elemzések
- elemzése
- és a
- Évente
- anomália észlelése
- megjelenik
- Alkalmazás
- alkalmazások
- megközelítés
- megközelít
- megfelelő
- építészet
- VANNAK
- TERÜLET
- körül
- érkező
- AS
- vagyontárgy
- Vagyonkezelés
- Eszközök
- At
- Automatizált
- automatikusan
- elérhetőség
- repülés
- AWS
- táskák
- bár
- alapján
- BE
- mert
- előtt
- Előnyök
- BEST
- Jobb
- között
- milliárd
- Blocks
- beszállás
- könyv
- Alsó
- Köteles
- Bontás
- szünetek
- hidak
- Bringing
- tágabb
- épít
- Épület
- épült
- üzleti
- üzleti intelligencia
- by
- hívott
- TUD
- elfog
- körhinta
- eset
- esetek
- Okoz
- Centers
- központosított
- bizonyos
- lánc
- kihívás
- kihívások
- kihívást
- változik
- Változások
- táblázatok
- ellenőrizze
- zárt
- közelebb
- felhő
- társalapítók
- gyűjt
- Gyűjtő
- érkező
- Hozzászólások
- Közös
- közlés
- közösség
- vállalat
- összehasonlítani
- képest
- teljesen
- bonyolult
- bonyolultság
- összetevő
- alkatrészek
- Kiszámít
- koncepció
- feltétel
- Körülmények
- bizalom
- MEGERŐSÍTETT
- Csatlakozás
- összefüggő
- kapcsolat
- Connectivity
- figyelembe vett
- következetes
- tartalmaz
- kontextus
- folytatódik
- tovább
- folyamatos
- folyamatosan
- kontraszt
- ellenőrzés
- vezérelt
- ellenőrzések
- együttműködés
- Mag
- Összefüggés
- Költség
- kiadások
- tudott
- Számláló
- Tanfolyam
- terjed
- teremt
- kritikai
- vevő
- Vevői elégedettség
- Ügyfelek
- ciklus
- műszerfal
- dátum
- adattó
- adat pontok
- adat-tudomány
- adattudós
- adatmegjelenítés
- adatalapú
- találka
- nap
- Nap
- határozott
- Döntéshozatal
- határozatok
- mélyebb
- szállít
- szállított
- kézbesítés
- függő
- attól
- függ
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevetések
- mélység
- leírni
- leírt
- Design
- kijelölt
- tervezés
- részletek
- észlelt
- Érzékelés
- Határozzuk meg
- meghatározó
- Fejleszt
- fejlett
- Fejlesztés
- eszköz
- Eszközök
- különböző
- nehéz
- digitális
- digitális átalakítás
- közvetlen
- felfedezett
- megszakítása
- Zavar
- zavarok
- távolság
- megosztott
- Nem
- domain
- ne
- le-
- állásidő
- drasztikusan
- Csepp
- cseppek
- alatt
- dinamikus
- minden
- Korai
- könnyebb
- könnyen
- él
- hatékonyság
- bármelyik
- elem
- elemek
- vészhelyzet
- lehetővé
- lehetővé teszi
- biztosítására
- biztosítja
- Egész
- Környezet
- környezeti
- felszerelés
- hiba
- hibák
- Még
- esemény
- események
- Minden
- mindenki
- példa
- példák
- haladja meg
- Kiváló
- létező
- kiterjesztett
- vár
- várható
- költségek
- tapasztalat
- Tapasztalatok
- tapasztal
- szakértő
- szakértők
- kitett
- Exponálás
- külső
- kivonat
- Kudarc
- ismerkedjen
- GYORS
- gyorsabb
- fáradtság
- Fed
- kevés
- Ábra
- Végül
- Találjon
- vezetéknév
- megjelölve
- FLOTTA
- Járatok
- áramlási
- repülő
- Összpontosít
- következő
- A
- Előrejelzés
- formátum
- Előre
- talált
- friss
- súrlódás
- ból ből
- teljesen
- funkció
- funkciók
- további
- jövő
- Nyereség
- gateway
- GCC
- GCC régió
- Német
- kap
- adott
- Globális
- globálisan
- GmBH
- jó
- nagy
- Vendég
- Vendég bejegyzés
- útmutatást
- fogantyú
- Kezelés
- történik
- történt
- Legyen
- tekintettel
- Cím
- súlyosan
- segít
- segít
- segít
- Magas
- <p></p>
- történeti
- történelem
- Találat
- holding
- NYITVATARTÁS
- Hogyan
- How To
- azonban
- hpc
- HTTPS
- identiques
- azonosítja
- azonosítani
- kép
- képek
- kiegyensúlyozatlanság
- azonnal
- Hatás
- végrehajtás
- végre
- szabhat
- javul
- javuló
- in
- magában foglalja a
- Bejövő
- bele
- Bejegyzett
- Növelje
- <p></p>
- növekvő
- mutatók
- ipari
- az iparé
- befolyásolható
- tájékoztat
- információ
- tájékoztatták
- Infrastruktúra
- kezdetben
- újító
- meglátások
- telepítve
- példa
- integrált
- integráció
- Intelligencia
- szándékozik
- interaktív
- Felület
- akadályozó
- Nemzetközi
- Internet
- internet a dolgok
- leltár
- tárgyak internete
- iot eszközök
- kérdések
- IT
- ITS
- utazás
- jpg
- Kulcs
- király
- Ismer
- tudás
- tó
- nyelv
- Késleltetés
- legutolsó
- indít
- vezet
- vezető
- TANUL
- tanult
- tanulás
- Led
- Hossz
- Tanulságok
- Tanulságok
- Lets
- szint
- szintek
- élet
- életciklus
- mint
- Valószínű
- Korlátozott
- vonal
- LINK
- él
- élő adatok
- helyileg
- helyszínek
- néz
- keres
- vesztes
- Elő/Utó
- gép
- gépi tanulás
- Macro
- Fő
- fenntartása
- fenntartása
- karbantartás
- csinál
- KÉSZÍT
- Gyártás
- kezelése
- sikerült
- vezetés
- kezeli
- kezelése
- gyártási
- sok
- tömeges
- egyező
- Lehet..
- eszközök
- intézkedés
- mérések
- mérő
- mechanizmus
- közepes
- üzenet
- üzenetek
- mód
- Metrics
- millió
- Több millió
- Gondolkodásmód
- ML
- modell
- modellek
- modern
- módok
- pillanat
- monitor
- ellenőrzés
- Hónap
- hónap
- több
- a legtöbb
- Motor
- Motors
- mozgó
- többszörös
- Természetes
- Természet
- elengedhetetlen
- Szükség
- igények
- Új
- következő
- Zaj
- normális
- szerez
- of
- on
- Fedélzeti
- ONE
- működik
- hajtású
- működik
- üzemeltetési
- működés
- operatív
- Művelet
- üzemeltetők
- Alkalom
- optimálisan
- optimalizálás
- Optimalizálja
- narancs
- szervezet
- Más
- kívül
- átfogó
- áttekintés
- rész
- partner
- alkatrészek
- szenvedélyes
- múlt
- Patches
- minták
- teljesítmény
- időszak
- személyzet
- fázis
- fizikai
- fizikailag
- darabok
- csővezeték
- tervezett
- tervezés
- tervek
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- kérem
- pont
- Portál
- pozitív
- lehetséges
- állás
- hatalom
- powered
- gyakorlat
- pontosan
- Tippek
- Prediktív elemzés
- miniszterelnök
- nyomja meg a
- uralkodó
- megakadályozása
- proaktív
- szonda
- Probléma
- problémák
- folyamat
- Termékek
- Termékminőség
- Termelés
- halad
- projektek
- bizonyíték
- bizonyíték a koncepcióra
- megfelelően
- javasolt
- protokoll
- prototípus
- bizonyul
- ad
- feltéve,
- szolgáltatók
- biztosít
- amely
- nyilvános
- közzétett
- célokra
- világítás
- Kérdések
- gyorsan
- emel
- hatótávolság
- kezdve
- Arány
- Az árak
- Nyers
- reagál
- igazi
- való élet
- real-time
- valószerű
- ok
- ajánl
- ajánlások
- csökkenteni
- csökkentő
- vidék
- rendszeresen
- Kapcsolatok
- viszonylag
- megbízható
- maradványok
- cserélni
- kérni
- kötelező
- megköveteli,
- Eredmények
- újra
- felkelő
- Kockázat
- tekercselt
- gyökér
- Útvonal
- futás
- SaaS
- biztonságos
- azonos
- elégedettség
- Szaúd-
- Mérleg
- forgatókönyvek
- menetrend
- Tudomány
- Tudós
- zökkenőmentes
- másodlagos
- másodperc
- Rész
- szektor
- biztonság
- biztosan
- biztonság
- Úgy tűnt
- szegmensek
- kiválasztott
- elküldés
- idősebb
- érzékelők
- Series of
- Szerverek
- szolgáltatás
- szolgáltatók
- Szolgáltatások
- készlet
- számos
- formák
- váltás
- Webshop
- hiány
- előadás
- mutatott
- Műsorok
- leállások
- Látás
- jelek
- jelentősen
- hasonló
- egyetlen
- jókora
- méretek
- készségek
- kicsi
- okos
- Füst
- szoftver
- szoftver mint szolgáltatás
- megoldások
- Megoldások
- Megoldja
- néhány
- kifinomult
- szakember
- különleges
- sebesség
- Költési
- Csillag
- kezdet
- kezdődött
- Állami
- csúcs-
- Leállítja
- tárolás
- stratégiák
- Stratégia
- áramvonal
- beküldése
- sikeres
- sikeresen
- ilyen
- kínálat
- ellátási lánc
- támogatás
- Támogató
- rendszer
- Systems
- táblázat
- célzott
- csapat
- csapat
- Technologies
- Technológia
- terminál
- teszt
- Tesztelés
- hogy
- A
- A terület
- A jövő
- azok
- Őket
- maguk
- ebből adódóan
- termikus
- Ezek
- dolgok
- gondoltam
- ezer
- Keresztül
- egész
- áteresztőképesség
- idő
- Idősorok
- alkalommal
- időzítés
- nak nek
- Ma
- téma
- felé
- hagyományos
- Vonat
- kiképzett
- Képzések
- Átalakítás
- Átalakítási stratégia
- Utazó
- Trends
- kiváltó
- billió
- FORDULAT
- tipikus
- jellemzően
- mögöttes
- megért
- Váratlan
- egyedi
- egység
- korlátlan
- us
- használ
- használó
- Felhasználók
- rendszerint
- hasznosít
- ÉRVÉNYESÍT
- érték
- Értékek
- különféle
- Sebesség
- keresztül
- Megnézem
- megjelenítés
- fontos
- illó
- kötetek
- vs
- várjon
- figyelmeztetés
- Út..
- időjárás
- Hetek
- Mit
- vajon
- ami
- míg
- WHO
- széles
- Széleskörű
- lesz
- val vel
- belül
- nélkül
- Munka
- dolgozott
- munkaerő
- dolgozó
- érdemes
- lenne
- év
- év
- te
- A te
- zephyrnet