Manajer dan teknisi keandalan di lingkungan industri seperti lini produksi manufaktur, gudang, dan pabrik industri tertarik untuk meningkatkan kesehatan peralatan dan waktu aktif untuk memaksimalkan output dan kualitas produk. Kegagalan mesin dan proses sering diatasi dengan aktivitas reaktif setelah insiden terjadi atau dengan pemeliharaan preventif yang mahal, di mana Anda berisiko melakukan pemeliharaan peralatan secara berlebihan atau masalah yang hilang yang dapat terjadi di antara siklus pemeliharaan berkala. Pemeliharaan berbasis kondisi prediktif adalah strategi proaktif yang lebih baik daripada yang reaktif atau preventif. Memang, pendekatan ini menggabungkan pemantauan berkelanjutan, analitik prediktif, dan tindakan tepat waktu. Hal ini memungkinkan tim perawatan dan keandalan untuk menyervis peralatan hanya jika diperlukan, berdasarkan kondisi peralatan sebenarnya.
Ada tantangan umum dengan pemantauan berbasis kondisi untuk menghasilkan wawasan yang dapat ditindaklanjuti untuk armada aset industri besar. Tantangan ini termasuk tetapi tidak terbatas pada: membangun dan memelihara infrastruktur kompleks sensor yang mengumpulkan data dari lapangan, memperoleh ringkasan tingkat tinggi armada aset industri yang andal, mengelola peringatan kegagalan secara efisien, mengidentifikasi kemungkinan akar penyebab anomali, dan memvisualisasikan secara efektif keadaan aset industri pada skala.
Amazon Monitor adalah solusi pemantauan kondisi end-to-end yang memungkinkan Anda untuk mulai memantau kesehatan peralatan dengan bantuan pembelajaran mesin (ML) dalam hitungan menit, sehingga Anda dapat menerapkan pemeliharaan prediktif dan mengurangi waktu henti yang tidak direncanakan. Ini mencakup perangkat sensor untuk menangkap data getaran dan suhu, perangkat gateway untuk mentransfer data dengan aman ke AWS Cloud, layanan Amazon Monitron yang menganalisis data untuk anomali dengan ML, dan aplikasi seluler pendamping untuk melacak potensi kegagalan di mesin Anda. Insinyur dan operator lapangan Anda dapat langsung menggunakan aplikasi untuk mendiagnosis dan merencanakan pemeliharaan aset industri.
Dari sudut pandang tim teknologi operasional (OT), menggunakan data Amazon Monitron juga membuka cara baru untuk meningkatkan cara mereka mengoperasikan armada aset industri besar berkat AI. Tim PL dapat memperkuat praktik pemeliharaan prediktif dari organisasi mereka dengan membangun tampilan terkonsolidasi di berbagai hierarki (aset, lokasi, dan pabrik). Mereka dapat menggabungkan pengukuran aktual dan hasil inferensi ML dengan alarm yang tidak diakui, sensor atau status konektivitas getaways, atau transisi status aset untuk membangun ringkasan tingkat tinggi untuk cakupan (aset, situs, proyek) yang menjadi fokus mereka.
Dengan yang baru diluncurkan Fitur ekspor data Amazon Monitron Kinesis v2, tim OT Anda dapat melakukan streaming data pengukuran dan hasil inferensi yang masuk dari Amazon Monitron melalui Amazon Kinesis ke AWS Layanan Penyimpanan Sederhana (Amazon S3) untuk membangun danau data Internet of Things (IoT). Dengan memanfaatkan skema ekspor data terbaru, Anda dapat memperoleh status konektivitas sensor, status konektivitas gateway, hasil klasifikasi pengukuran, kode alasan penutupan, dan detail peristiwa transisi status aset.
Ikhtisar kasus penggunaan
Aliran data yang diperkaya Amazon Monitron sekarang terbuka memungkinkan Anda menerapkan beberapa kasus penggunaan utama seperti pembuatan perintah kerja otomatis, memperkaya satu panel kaca operasional, atau mengotomatiskan pelaporan kegagalan. Mari selami kasus penggunaan ini.
Anda dapat menggunakan Amazon Monitron Kinesis data export v2 untuk membuat perintah kerja di sistem Enterprise Asset Management (EAM) seperti Infor EAM, SAP Asset Management, atau IBM Maximo. Misalnya di videonya menghindari masalah mekanis dengan pemeliharaan prediktif & Amazon Monitron, Anda dapat mengetahui bagaimana Pusat Pemenuhan Amazon kami menghindari masalah mekanis pada sabuk konveyor dengan sensor Amazon Monitron yang terintegrasi dengan perangkat lunak pihak ketiga seperti EAM yang digunakan di Amazon serta dengan teknisi ruang obrolan yang digunakan. Ini menunjukkan bagaimana Anda dapat secara alami mengintegrasikan wawasan Amazon Monitron ke dalam alur kerja Anda yang ada. Nantikan dalam beberapa bulan mendatang untuk membaca edisi berikutnya dari seri ini dengan implementasi aktual dari karya integrasi ini.
Anda juga dapat menggunakan aliran data untuk menyerap wawasan Amazon Monitron kembali ke sistem lantai pabrik seperti Supervisory Control and Data Acquisition (SCADA) atau Historian. Operator lantai toko lebih efisien ketika semua wawasan tentang aset dan proses mereka disediakan dalam satu panel kaca. Dalam konsep ini, Amazon Monitron tidak lagi menjadi alat lain yang harus dipantau oleh teknisi, melainkan sumber data lain dengan wawasan yang diberikan dalam tampilan tunggal yang sudah biasa mereka gunakan. Akhir tahun ini, kami juga akan menjelaskan arsitektur yang dapat Anda gunakan untuk melakukan tugas ini dan mengirimkan umpan balik Amazon Monitron ke sistem SCADA dan Historian pihak ketiga utama.
Last but not least, aliran data baru dari Amazon Monitron menyertakan transisi status aset dan kode penutupan yang diberikan oleh pengguna saat mengenali alarm (yang memicu transisi ke status baru). Berkat data ini, Anda dapat secara otomatis membangun visualisasi yang menyediakan pelaporan kegagalan secara real-time dan tindakan yang diambil saat mengoperasikan aset mereka.
Tim Anda kemudian dapat membuat dasbor analitik data yang lebih luas untuk mendukung praktik manajemen armada industri Anda dengan menggabungkan data status aset ini dengan data pengukuran Amazon Monitron dan data IoT lainnya di seluruh armada aset industri besar dengan menggunakan layanan AWS utama, yang kami jelaskan di postingan ini. Kami menjelaskan cara membangun data lake IoT, alur kerja untuk memproduksi dan menggunakan data, serta dasbor ringkasan untuk memvisualisasikan data sensor dan hasil inferensi Amazon Monitron. Kami menggunakan kumpulan data Amazon Monitron yang berasal dari sekitar 780 sensor yang terpasang di gudang industri, yang telah berjalan selama lebih dari 1 tahun. Untuk panduan pemasangan Amazon Monitron yang mendetail, lihat Memulai dengan Amazon Monitor.
Ikhtisar solusi
Amazon Monitron memberikan inferensi ML tentang status kesehatan aset setelah 21 hari periode pelatihan model ML untuk setiap aset. Dalam solusi ini, data pengukuran dan inferensi ML dari sensor ini diekspor ke Amazon S3 melalui Aliran Data Amazon Kinesis dengan menggunakan fitur ekspor data Amazon Monitor terbaru. Segera setelah data Amazon Monitron IoT tersedia di Amazon S3, database dan tabel dibuat Amazon Athena dengan menggunakan Perayap AWS Glue. Anda dapat membuat kueri data Amazon Monitron melalui tabel AWS Glue dengan Athena, dan memvisualisasikan data pengukuran dan inferensi ML dengan Grafana yang Dikelola Amazon. Dengan Amazon Managed Grafana, Anda dapat membuat, menjelajahi, dan berbagi dasbor keteramatan dengan tim Anda, dan menghabiskan lebih sedikit waktu untuk mengelola infrastruktur Grafana Anda. Dalam postingan ini, Anda menghubungkan Amazon Managed Grafana ke Athena, dan mempelajari cara membuat dasbor analitik data dengan data Amazon Monitron untuk membantu Anda merencanakan operasi aset industri dalam skala besar.
Tangkapan layar berikut adalah contoh dari apa yang dapat Anda capai di akhir posting ini. Dasbor ini dibagi menjadi tiga bagian:
- Tampilan Tanaman โ Informasi analitik dari semua sensor di seluruh pabrik; misalnya, jumlah keseluruhan dari berbagai status sensor (Sehat, Peringatan, atau Alarm), jumlah alarm yang tidak diakui dan yang diakui, konektivitas gateway, dan waktu rata-rata untuk pemeliharaan
- Tampilan Situs โ Statistik tingkat situs, seperti statistik status aset di setiap situs, jumlah total hari alarm tetap tidak diakui, aset berperforma teratas/terbawah di setiap situs, dan banyak lagi
- Tampilan Aset โ Informasi ringkasan untuk proyek Amazon Monitron di tingkat aset, seperti jenis alarm untuk alarm yang tidak diakui (ISO atau ML), garis waktu untuk alarm, dan lainnya
Panel ini adalah contoh yang dapat membantu perencanaan operasional strategis, tetapi tidak eksklusif. Anda dapat menggunakan alur kerja serupa untuk menyesuaikan dasbor sesuai dengan KPI yang Anda targetkan.
Tinjauan arsitektur
Solusi yang akan Anda buat dalam postingan ini menggabungkan Amazon Monitron, Kinesis Data Streams, Firehose Data Amazon Kinesis, Amazon S3, AWS Glue, Athena, dan Amazon Managed Grafana.
Diagram berikut mengilustrasikan arsitektur solusi. Sensor Amazon Monitron mengukur dan mendeteksi anomali dari peralatan. Data pengukuran dan output inferensi ML diekspor dengan frekuensi sekali per jam ke aliran data Kinesis, dan dikirimkan ke Amazon S3 melalui Kinesis Data Firehose dengan buffer 1 menit. Data Amazon Monitron yang diekspor dalam format JSON. Perayap AWS Glue menganalisis data Amazon Monitron di Amazon S3 pada frekuensi yang dipilih sekali per jam, membuat skema metadata, dan membuat tabel di Athena. Terakhir, Amazon Managed Grafana menggunakan Athena untuk mengkueri data Amazon S3, memungkinkan dasbor dibangun untuk memvisualisasikan data pengukuran dan status kesehatan perangkat.
Untuk membangun solusi ini, Anda menyelesaikan langkah-langkah tingkat tinggi berikut ini:
- Aktifkan ekspor Kinesis Data Stream dari Amazon Monitron dan buat aliran data.
- Konfigurasikan Kinesis Data Firehose untuk mengirim data dari aliran data ke bucket S3.
- Buat perayap AWS Glue untuk membuat tabel data Amazon S3 di Athena.
- Buat dasbor perangkat Amazon Monitron dengan Amazon Managed Grafana.
Prasyarat
Untuk penelusuran ini, Anda harus memiliki prasyarat berikut:
Selain itu, pastikan semua sumber daya yang Anda terapkan berada di Wilayah yang sama.
Aktifkan ekspor aliran data Kinesis dari Amazon Monitron dan buat aliran data
Untuk mengonfigurasi ekspor aliran data, selesaikan langkah-langkah berikut:
- Di konsol Amazon Monitron, dari halaman utama proyek Anda, pilih Mulai ekspor data langsung.
- Bawah Pilih aliran data Amazon Kinesis, pilih Buat aliran data baru.
- Bawah Konfigurasi aliran data, masukkan nama aliran data Anda.
- Untuk Kapasitas aliran data, pilih Sesuai permintaan.
- Pilih Buat aliran data.
Perhatikan bahwa setiap ekspor data langsung yang diaktifkan setelah 4 April 2023 akan mengalirkan data mengikuti skema Kinesis Data Streams v2. Jika Anda memiliki ekspor data yang diaktifkan sebelum tanggal ini, skema akan mengikuti format v1.
Sekarang Anda dapat melihat informasi ekspor data langsung di konsol Amazon Monitron dengan aliran data Kinesis yang Anda tentukan.
Konfigurasikan Kinesis Data Firehose untuk mengirimkan data ke bucket S3
Untuk mengonfigurasi aliran pengiriman Firehose Anda, selesaikan langkah-langkah berikut:
- Di konsol Kinesis, pilih Aliran pengiriman di panel navigasi.
- Pilih Buat aliran pengiriman.
- Untuk sumber, pilih Aliran Data Amazon Kinesis.
- Untuk Tujuan, pilih Amazon S3.
- Bawah Pengaturan sumber, Untuk aliran data kinesis, masukkan ARN aliran data Kinesis Anda.
- Bawah Nama aliran pengiriman, masukkan nama aliran data Kinesis Anda.
- Bawah Pengaturan tujuan, pilih bucket S3 atau masukkan URI bucket. Anda dapat menggunakan bucket S3 yang ada untuk menyimpan data Amazon Monitron, atau membuat bucket S3 baru.
- Aktifkan partisi dinamis menggunakan penguraian sebaris untuk JSON:
- Pilih Enabled untuk Partisi dinamis.
- Pilih Enabled untuk Penguraian sebaris untuk JSON.
- Bawah Kunci partisi dinamis, tambahkan kunci partisi berikut:
Nama Kunci | Ekspresi JQ |
proyek | .projectName| "project=(.)" |
situs web | .eventPayload.siteName| "site=(.)" |
aset | .eventPayload.assetName| "asset=(.)" |
posisi | .eventPayload.positionName| "position=(.)" |
waktu | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- Pilih Terapkan kunci partisi dinamis dan konfirmasi awalan bucket S3 yang dihasilkan adalah:
- Masukkan awalan untuk Awalan keluaran kesalahan ember S3. Payload JSON apa pun yang tidak berisi kunci yang dijelaskan sebelumnya akan dikirimkan dalam awalan ini. Misalnya,
gatewayConnected
dangatewayDisconnected
peristiwa tidak terkait dengan aset atau posisi tertentu. Oleh karena itu, mereka tidak akan berisiassetName
danpositionName
bidang. Menentukan prefiks opsional ini di sini memungkinkan Anda memantau lokasi ini dan memproses kejadian ini sesuai dengan itu. - Pilih Buat aliran pengiriman.
Anda dapat memeriksa data Amazon Monitron di bucket S3. Perhatikan bahwa data Amazon Monitron akan mengekspor data langsung dengan frekuensi sekali per jam, jadi tunggu selama 1 jam untuk memeriksa data.
Pengaturan Kinesis Data Firehose ini memungkinkan partisi dinamis, dan objek S3 yang dikirimkan akan menggunakan format kunci berikut:
Buat perayap AWS Glue untuk membuat tabel data Amazon S3 di Athena
Setelah data langsung diekspor ke Amazon S3, kami menggunakan perayap AWS Glue untuk membuat tabel metadata. Dalam postingan ini, kami menggunakan perayap AWS Glue untuk menyimpulkan database dan skema tabel secara otomatis dari data Amazon Monitron yang diekspor di Amazon S3, dan menyimpan metadata terkait di Katalog Data AWS Glue. Athena kemudian menggunakan metadata tabel dari Katalog Data untuk menemukan, membaca, dan memproses data di Amazon S3. Selesaikan langkah-langkah berikut untuk membuat database dan skema tabel Anda:
- Di konsol AWS Glue, pilih Perayap di panel navigasi.
- Pilih Buat perayap.
- Masukkan nama untuk perayap (misalnya,
XXX_xxxx_monitron
). - Pilih Selanjutnya.
- Untuk Apakah data Anda sudah dipetakan ke tabel Lem?, pilih Belum.
- Untuk Sumber data, pilih S3.
- Untuk Lokasi data S3, pilih Di Akun ini, dan masukkan jalur direktori bucket S3 yang Anda atur di bagian sebelumnya (
s3://YourBucketName
). - Untuk Perayapan ulang penyimpanan data S3, pilih Merayapi semua sub-folder.
- Terakhir, pilih Selanjutnya.
- Pilih Buat peran IAM baru dan masukkan nama untuk peran tersebut.
- Pilih Selanjutnya.
- Pilih Tambahkan Basis Data, dan masukkan nama untuk database. Ini membuat database Athena tempat tabel metadata Anda berada setelah perayap selesai.
- Untuk Jadwal Perayap, pilih penjadwal berbasis waktu yang diinginkan (misalnya, per jam) untuk menyegarkan data Amazon Monitron di database, dan pilih Selanjutnya.
- Tinjau detail perayap dan pilih membuat.
- pada Perayap halaman konsol AWS Glue, pilih perayap yang Anda buat dan pilih Jalankan crawler.
Anda mungkin perlu menunggu beberapa menit, tergantung pada ukuran data. Setelah selesai, status perayap ditampilkan sebagai Siap. Untuk melihat tabel metadata, navigasikan ke database Anda di Database halaman dan pilih Meja di panel navigasi.
Anda juga dapat melihat data dengan memilih Data tabel di konsol.
Anda dialihkan ke konsol Athena untuk melihat 10 catatan teratas data Amazon Monitron di Amazon S3.
Buat dasbor perangkat Amazon Monitron dengan Amazon Managed Grafana
Di bagian ini, kami membangun dasbor yang disesuaikan dengan Amazon Managed Grafana untuk memvisualisasikan data Amazon Monitron di Amazon S3, sehingga tim OT dapat memperoleh akses yang disederhanakan ke aset dalam alarm di seluruh armada sensor Amazon Monitron mereka. Ini akan memungkinkan tim OT untuk merencanakan tindakan langkah selanjutnya berdasarkan kemungkinan akar penyebab anomali.
Untuk membuat ruang kerja Grafana, selesaikan langkah-langkah berikut:
- Pastikan peran pengguna Anda adalah admin atau editor.
- Di konsol Amazon Managed Grafana, pilih Buat ruang kerja.
- Untuk Nama ruang kerja, masukkan nama untuk ruang kerja.
- Pilih Selanjutnya.
- Untuk Akses otentikasi, pilih Pusat Identitas AWS IAM (penerus AWS Single Sign-On). Anda dapat menggunakan yang sama Pengguna AWS IAM Identity Center yang Anda gunakan untuk menyiapkan proyek Amazon Monitron.
- Pilih Selanjutnya.
- Untuk ruang kerja pertama ini, konfirmasikan itu Layanan dikelola dipilih untuk Jenis izin. Pilihan ini memungkinkan Amazon Managed Grafana untuk secara otomatis menyediakan izin yang Anda perlukan untuk sumber data AWS yang Anda gunakan untuk ruang kerja ini.
- Pilih Akun saat ini.
- Pilih Selanjutnya.
- Konfirmasikan detail ruang kerja, dan pilih Buat ruang kerja. Halaman detail ruang kerja muncul. Awalnya, statusnya adalah MENCIPTAKAN.
- Tunggu sampai statusnya AKTIF untuk melanjutkan ke langkah berikutnya.
Untuk mengonfigurasi sumber data Athena Anda, selesaikan langkah-langkah berikut:
- Di konsol Amazon Managed Grafana, pilih ruang kerja yang ingin Anda kerjakan.
- pada Sumber data tab, pilih Amazon Athena, dan pilih Tindakan, Aktifkan kebijakan yang dikelola layanan.
- Pilih Konfigurasi di Grafana dalam Amazon Athena baris.
- Masuk ke konsol ruang kerja Grafana menggunakan IAM Identity Center jika perlu. Pengguna harus memiliki kebijakan akses Athena yang dilampirkan pada pengguna atau peran untuk memiliki akses ke sumber data Athena. Melihat Kebijakan terkelola AWS: AmazonGrafanaAthenaAccess untuk info lebih lanjut.
- Di konsol ruang kerja Grafana, di panel navigasi, pilih ikon AWS bawah (ada dua) lalu pilih Athena pada Sumber data menu.
- Pilih Wilayah default yang Anda inginkan dari sumber data Athena untuk membuat kueri, pilih akun yang Anda inginkan, lalu pilih Tambahkan sumber data.
- Ikuti langkah-langkah untuk konfigurasikan detail Athena.
Jika grup kerja Anda di Athena belum memiliki lokasi keluaran yang telah dikonfigurasi, Anda perlu menentukan bucket dan folder S3 yang akan digunakan untuk hasil kueri. Setelah menyiapkan sumber data, Anda dapat melihat atau mengeditnya di konfigurasi pane
Dalam subbagian berikut, kami mendemonstrasikan beberapa panel di dasbor Amazon Monitron yang dibangun di Amazon Managed Grafana untuk mendapatkan wawasan operasional. Sumber data Athena menyediakan editor kueri SQL standar yang akan kami gunakan untuk menganalisis data Amazon Monitron untuk menghasilkan analitik yang diinginkan.
Pertama, jika ada banyak sensor dalam proyek Amazon Monitron dan berada dalam status yang berbeda (sehat, peringatan, alarm, dan memerlukan pemeliharaan), tim PL ingin melihat secara visual jumlah posisi sensor di berbagai status. Anda dapat memperoleh informasi seperti widget bagan pai di Grafana melalui kueri Athena berikut:
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;
Tangkapan layar berikut menampilkan panel dengan distribusi terbaru status sensor Amazon Monitron.
Untuk memformat kueri SQL Anda untuk data Amazon Monitron, lihat Memahami skema ekspor data.
Selanjutnya, tim Teknologi Operasi Anda mungkin ingin merencanakan pemeliharaan prediktif berdasarkan aset yang berada dalam status alarm, dan karena itu mereka ingin mengetahui dengan cepat jumlah total alarm yang diakui vs. alarm yang tidak diakui. Anda dapat menampilkan informasi ringkasan status alarm sebagai panel statistik sederhana di 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';
Panel berikut menunjukkan alarm yang diakui dan tidak diakui.
Tim OT juga dapat menanyakan berapa lama sensor tetap berada dalam status alarm, sehingga mereka dapat menentukan prioritas perawatannya:
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;
Output dari analisis ini dapat divisualisasikan dengan diagram batang di Grafana, dan alarm dalam keadaan alarm dapat dengan mudah divisualisasikan seperti yang ditunjukkan pada tangkapan layar berikut.
Untuk menganalisis performa aset atas/bawah berdasarkan jumlah total waktu aset dalam keadaan alarm atau memerlukan status pemeliharaan, gunakan kueri berikut:
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;
Pengukur batang berikut digunakan untuk memvisualisasikan output kueri sebelumnya, dengan aset berperforma terbaik menunjukkan 0 hari status alarm, dan aset berperforma paling bawah menunjukkan akumulasi status mengkhawatirkan selama setahun terakhir.
Untuk membantu tim PL memahami kemungkinan akar penyebab anomali, jenis alarm dapat ditampilkan untuk aset ini yang masih dalam keadaan alarm dengan kueri berikut:
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');
Anda dapat memvisualisasikan analisis ini sebagai tabel di Grafana. Dalam proyek Amazon Monitron ini, dua alarm dipicu oleh model ML untuk pengukuran getaran.
Dasbor Amazon Managed Grafana ditampilkan di sini untuk tujuan ilustrasi. Anda dapat menyesuaikan desain dasbor sesuai dengan kebutuhan bisnis Anda sendiri.
Laporan Kegagalan
Saat pengguna mengenali alarm di aplikasi Amazon Monitron, aset terkait bertransisi ke status baru. Pengguna juga memiliki kesempatan untuk memberikan beberapa detail tentang alarm ini:
- Penyebab kegagalan โ Ini dapat berupa salah satu dari yang berikut: ADMINISTRASI, DESAIN, FABRIKASI, PEMELIHARAAN, PENGOPERASIAN, LAINNYA, KUALITAS, PAKAIAN, atau TIDAK TERTENTU
- Mode gagal โ Ini bisa salah satu dari yang berikut: NO_ISSUE, BLOCKAGE, CAVITATION, CORROSION, DEPOSIT, IMBALANCE, LUBRICATION, MISALIGNMENT, OTHER, RESONANCE, ROTATING_LOOSENESS, STRUCTURAL_LOOSENESS, TRANSMITTED_FAULT, atau UNDETERMINED
- Tindakan diambil โ Ini bisa SESUAIKAN, BERSIHKAN, LUMASI, MODIFIKASI, PERBAIKAN, GANTI, NO_ACTION, atau LAINNYA
Muatan peristiwa yang terkait dengan transisi status aset berisi semua informasi ini, status aset sebelumnya, dan status aset baru. Nantikan pembaruan posting ini dengan detail lebih lanjut tentang bagaimana Anda dapat menggunakan informasi ini di panel Grafana tambahan untuk membuat bagan Pareto dari kegagalan paling umum dan tindakan yang diambil di seluruh aset Anda.
Kesimpulan
Pelanggan perusahaan Amazon Monitron sedang mencari solusi untuk membangun danau data IoT dengan data langsung Amazon Monitron, sehingga mereka dapat mengelola beberapa proyek dan aset Amazon Monitron, dan menghasilkan laporan analitik di beberapa proyek Amazon Monitron. Posting ini memberikan panduan mendetail tentang solusi untuk membangun danau data IoT ini dengan yang terbaru Fitur ekspor data Amazon Monitron Kinesis v2. Solusi ini juga menunjukkan cara menggunakan layanan AWS lainnya, seperti AWS Glue dan Athena untuk membuat kueri data, menghasilkan output analitik, dan memvisualisasikan output tersebut dengan Amazon Managed Grafana dengan penyegaran yang sering.
Sebagai langkah selanjutnya, Anda dapat memperluas solusi ini dengan mengirimkan hasil inferensi ML ke sistem EAM lain yang mungkin Anda gunakan untuk pengelolaan perintah kerja. Ini akan memungkinkan tim operasi Anda mengintegrasikan Amazon Monitron dengan aplikasi perusahaan lain, dan meningkatkan efisiensi operasi mereka. Anda juga dapat mulai membuat wawasan yang lebih mendalam tentang mode kegagalan dan tindakan yang diambil dengan memproses transisi status aset dan kode penutupan yang kini menjadi bagian dari muatan aliran data Kinesis.
Tentang penulis
Julia Hu adalah Arsitek Solusi Sr. AI/ML di Amazon Web Services. Dia memiliki pengalaman luas dalam arsitektur IoT dan Ilmu Data Terapan, dan merupakan bagian dari Pembelajaran Mesin dan Komunitas Lapangan Teknis IoT. Dia bekerja dengan pelanggan, mulai dari perusahaan rintisan hingga perusahaan, untuk mengembangkan solusi pembelajaran mesin (ML) AWSome IoT, di Edge dan di Cloud. Dia senang memanfaatkan IoT terbaru dan teknologi big data untuk meningkatkan solusi ML-nya, mengurangi latensi, dan mempercepat adopsi industri.
Bishr Tabbaa adalah arsitek solusi di Amazon Web Services. Bishr berspesialisasi dalam membantu pelanggan dengan aplikasi pembelajaran mesin, keamanan, dan pengamatan. Di luar pekerjaan, dia senang bermain tenis, memasak, dan menghabiskan waktu bersama keluarga.
Shalika Pargal adalah Manajer Produk di Amazon Web Services. Shalika fokus membangun produk dan layanan AI untuk pelanggan Industri. Dia membawa pengalaman yang signifikan di persimpangan Pengembangan Produk, Industri dan Bisnis. Dia baru-baru ini berbagi Kisah sukses Monitron di Reinvent 2022.
Garry Galinsky adalah Arsitek Solusi Utama yang mendukung Amazon di AWS. Dia telah terlibat dengan Monitron sejak debutnya dan telah membantu mengintegrasikan dan menyebarkan solusi ke dalam jaringan pemenuhan Amazon di seluruh dunia. Dia baru-baru ini membagikan Amazon Kisah sukses Monitron di re: Ciptakan 2022.
Michael Hoarau adalah Arsitek Solusi Spesialis AI/ML di AWS yang berganti-ganti antara ilmuwan data dan arsitek pembelajaran mesin, bergantung pada momennya. Dia bersemangat untuk menghadirkan kekuatan AI/ML ke lantai toko pelanggan industrinya dan telah menangani berbagai kasus penggunaan ML, mulai dari deteksi anomali hingga kualitas produk prediktif atau pengoptimalan manufaktur. Dia mempublikasikan buku tentang analisis deret waktu pada tahun 2022 dan secara teratur menulis tentang topik ini di LinkedIn dan Medium. Saat tidak membantu pelanggan mengembangkan pengalaman pembelajaran mesin terbaik berikutnya, dia senang mengamati bintang, bepergian, atau bermain piano.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :memiliki
- :adalah
- :bukan
- $NAIK
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- Tentang Kami
- mempercepat
- mengakses
- Menurut
- demikian
- Akun
- Akumulasi
- Mencapai
- perolehan
- di seluruh
- Tindakan
- tindakan
- kegiatan
- menyesuaikan
- Tambahan
- admin
- administrasi
- Adopsi
- Setelah
- AI
- AI / ML
- Membantu
- alarm
- Alerts
- Semua
- Membiarkan
- memungkinkan
- sudah
- juga
- Amazon
- Amazon Kinesis
- Grafana yang Dikelola Amazon
- Amazon Web Services
- jumlah
- an
- analisis
- Analytical
- analisis
- menganalisa
- analisis
- dan
- deteksi anomali
- Lain
- Apa pun
- aplikasi
- aplikasi
- terapan
- pendekatan
- April
- arsitektur
- ADALAH
- AS
- aset
- manajemen aset
- Aktiva
- terkait
- At
- Otomatis
- secara otomatis
- mengotomatisasi
- tersedia
- rata-rata
- menghindari
- AWS
- Lem AWS
- kembali
- bar
- berdasarkan
- BE
- menjadi
- menjadi
- sebelum
- TERBAIK
- Lebih baik
- antara
- Besar
- Big data
- Book
- kedua
- Bawah
- Membawa
- Membawa
- lebih luas
- penyangga
- membangun
- Bangunan
- membangun
- dibangun di
- bisnis
- pengembangan bisnis
- tapi
- by
- CAN
- Bisa Dapatkan
- menangkap
- kasus
- kasus
- katalog
- Menyebabkan
- penyebab
- pusat
- Pusat
- tantangan
- Grafik
- Charts
- ruang obrolan
- Pilih
- memilih
- terpilih
- klasifikasi
- penutupan
- awan
- kode
- Mengumpulkan
- menggabungkan
- menggabungkan
- menggabungkan
- kedatangan
- Umum
- masyarakat
- lengkap
- kompleks
- konsep
- kondisi
- Memastikan
- Terhubung
- Konektivitas
- konsul
- memakan
- mengandung
- mengandung
- kontinu
- kontrol
- bisa
- crawler
- membuat
- dibuat
- menciptakan
- penciptaan
- pelanggan
- menyesuaikan
- disesuaikan
- siklus
- dasbor
- data
- Data Analytics
- Danau Data
- ilmu data
- ilmuwan data
- Basis Data
- Tanggal
- Hari
- debut
- memutuskan
- Default
- menyampaikan
- disampaikan
- pengiriman
- mendemonstrasikan
- Tergantung
- menyebarkan
- deposit
- menggambarkan
- dijelaskan
- Mendesain
- diinginkan
- terperinci
- rincian
- Deteksi
- mengembangkan
- Pengembangan
- alat
- Devices
- berbeda
- langsung
- menemukan
- distribusi
- Terbagi
- Tidak
- penghentian
- dinamis
- setiap
- Terdahulu
- mudah
- Tepi
- editor
- efektif
- efisiensi
- efisien
- efisien
- antara
- aktif
- diaktifkan
- memungkinkan
- ujung ke ujung
- Insinyur
- diperkaya
- memperkaya
- Enter
- Enterprise
- perusahaan
- lingkungan
- peralatan
- kesalahan
- Acara
- peristiwa
- contoh
- contoh
- Eksklusif
- ada
- Lihat lebih lanjut
- pengalaman
- Pengalaman
- Menjelaskan
- menyelidiki
- ekspor
- luas
- Pengalaman yang luas
- Kegagalan
- keluarga
- umpan balik
- beberapa
- bidang
- Fields
- Akhirnya
- Menemukan
- Pertama
- ARMADA KAPAL
- Lantai
- terfokus
- berfokus
- mengikuti
- berikut
- Untuk
- format
- Frekuensi
- sering
- dari
- Mendapatkan
- pintu gerbang
- menghasilkan
- dihasilkan
- mendapatkan
- diberikan
- kaca
- Kelompok
- membimbing
- terjadi
- Memiliki
- he
- Kesehatan
- sehat
- membantu
- membantu
- membantu
- di sini
- tingkat tinggi
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- IBM
- ICON
- mengenali
- identitas
- ketidakseimbangan
- melaksanakan
- implementasi
- memperbaiki
- in
- secara mendalam
- memasukkan
- termasuk
- masuk
- industri
- industri
- Info
- informasi
- Infrastruktur
- mulanya
- wawasan
- diinstal
- cicilan
- contoh
- mengintegrasikan
- terpadu
- integrasi
- Internet
- internet hal-hal
- persimpangan
- ke
- terlibat
- idiot
- ISO
- masalah
- IT
- NYA
- ikut
- jpg
- json
- Tajam
- kunci
- kunci-kunci
- Firehose Data Kinesis
- Aliran Data Kinesis
- Tahu
- danau
- besar
- Latensi
- Terbaru
- diluncurkan
- BELAJAR
- pengetahuan
- Tingkat
- leveraging
- MEMBATASI
- Terbatas
- baris
- terkait
- hidup
- data langsung
- terletak
- tempat
- mencari
- mesin
- Mesin belajar
- mesin-mesin
- Utama
- memelihara
- pemeliharaan
- utama
- membuat
- mengelola
- berhasil
- pengelolaan
- manajer
- Manajer
- pelaksana
- pabrik
- banyak
- Maksimalkan
- Mungkin..
- mengukur
- mekanis
- medium
- menu
- Metadata
- mungkin
- menit
- hilang
- ML
- mobil
- aplikasi ponsel
- model
- model
- mode
- memodifikasi
- saat
- Memantau
- pemantauan
- bulan
- lebih
- lebih efisien
- paling
- beberapa
- nama
- Arahkan
- Navigasi
- perlu
- Perlu
- kebutuhan
- jaringan
- New
- berikutnya
- sekarang
- jumlah
- objek
- memperoleh
- of
- on
- ONE
- hanya
- membuka
- beroperasi
- operasi
- operasi
- operasional
- Operasi
- operator
- Kesempatan
- optimasi
- or
- urutan
- perintah
- organisasi
- Lainnya
- kami
- keluaran
- di luar
- lebih
- secara keseluruhan
- Pemeriksaan
- sendiri
- halaman
- pane
- panel
- panel
- bagian
- bergairah
- lalu
- path
- Melakukan
- prestasi
- melakukan
- berkala
- izin
- Izin
- rencana
- perencanaan
- tanaman
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- kebijaksanaan
- posisi
- posisi
- mungkin
- Pos
- potensi
- kekuasaan
- praktek
- Predictive Analytics
- disukai
- prasyarat
- sebelumnya
- Utama
- prioritas
- Proaktif
- proses
- proses
- pengolahan
- menghasilkan
- Produk
- manajer produk
- Kualitas Produk
- Produksi
- Produk
- proyek
- memprojeksikan
- memberikan
- disediakan
- menyediakan
- ketentuan
- diterbitkan
- tujuan
- kualitas
- segera
- jarak
- mulai
- RE
- Baca
- real-time
- alasan
- baru-baru ini
- arsip
- menurunkan
- wilayah
- secara teratur
- memperkuat
- keandalan
- dapat diandalkan
- tinggal
- sisa
- menggantikan
- Pelaporan
- laporan
- resonansi
- Sumber
- Hasil
- Risiko
- Peran
- kamar
- akar
- BARIS
- Run
- berjalan
- s
- sama
- getah
- Skala
- Ilmu
- ilmuwan
- cakupan
- Bagian
- bagian
- aman
- keamanan
- terpilih
- seleksi
- mengirim
- sensor
- Seri
- layanan
- Layanan
- set
- pengaturan
- penyiapan
- beberapa
- Share
- berbagi
- Belanja
- harus
- Menunjukkan
- ditunjukkan
- Pertunjukkan
- penting
- mirip
- Sederhana
- sejak
- tunggal
- situs web
- Situs
- Ukuran
- So
- Perangkat lunak
- larutan
- Solusi
- beberapa
- sumber
- sumber
- spesialis
- spesialisasi
- ditentukan
- menghabiskan
- Pengeluaran
- standar
- Bintang
- awal
- start-up
- mulai
- Negara
- Negara
- statistika
- statistik
- Status
- tinggal
- Langkah
- Tangga
- Masih
- penyimpanan
- menyimpan
- Strategis
- Penyelarasan
- aliran
- efisien
- stream
- sukses
- seperti itu
- RINGKASAN
- mendukung
- pendukung
- sistem
- sistem
- tabel
- ditargetkan
- tugas
- tim
- tim
- Teknis
- Teknologi
- dari
- Terima kasih
- bahwa
- Grafik
- Negara
- mereka
- Sana.
- karena itu
- Ini
- mereka
- hal
- pihak ketiga
- ini
- tahun ini
- tiga
- waktu
- Seri waktu
- waktu
- timestamp
- untuk
- alat
- puncak
- Top 10
- tema
- Total
- jalur
- Pelatihan
- transfer
- transisi
- transisi
- Perjalanan
- memicu
- dipicu
- jenis
- memahami
- Memperbarui
- uptime
- menggunakan
- bekas
- Pengguna
- Pengguna
- menggunakan
- v1
- berbagai
- melalui
- Video
- View
- vs
- menunggu
- walkthrough
- peringatan
- adalah
- cara
- we
- jaringan
- layanan web
- BAIK
- adalah
- Apa
- yang
- sementara
- SIAPA
- seluruh
- lebar
- Rentang luas
- akan
- dengan
- Kerja
- bekerja
- Alur kerja
- Kelompok Kerja
- bekerja
- industri udang di seluruh dunia.
- tahun
- Kamu
- Anda
- Youtube
- zephyrnet.dll