I responsabili e i tecnici dell'affidabilità in ambienti industriali come linee di produzione manifatturiere, magazzini e impianti industriali sono desiderosi di migliorare la salute delle apparecchiature e il tempo di attività per massimizzare la produzione e la qualità del prodotto. I guasti delle macchine e dei processi vengono spesso risolti con attività reattive dopo che si sono verificati incidenti o con costose manutenzioni preventive, in cui si corre il rischio di una manutenzione eccessiva delle apparecchiature o problemi mancanti che potrebbero verificarsi tra i cicli di manutenzione periodica. La manutenzione predittiva basata sulle condizioni è una strategia proattiva migliore di quella reattiva o preventiva. In effetti, questo approccio combina il monitoraggio continuo, l'analisi predittiva e l'azione just-in-time. Ciò consente ai team di manutenzione e affidabilità di eseguire la manutenzione delle apparecchiature solo quando necessario, in base alle condizioni effettive delle apparecchiature.
Ci sono state sfide comuni con il monitoraggio basato sulle condizioni per generare informazioni fruibili per grandi flotte di asset industriali. Queste sfide includono ma non sono limitate a: costruire e mantenere una complessa infrastruttura di sensori che raccolgono dati dal campo, ottenere un riepilogo affidabile di alto livello delle flotte di asset industriali, gestire in modo efficiente gli avvisi di guasto, identificare le possibili cause alla radice delle anomalie e visualizzare in modo efficace lo stato degli asset industriali su larga scala.
Amazon Monitor è una soluzione di monitoraggio delle condizioni end-to-end che consente di iniziare a monitorare lo stato delle apparecchiature con l'ausilio dell'apprendimento automatico (ML) in pochi minuti, in modo da poter implementare la manutenzione predittiva e ridurre i tempi di inattività non pianificati. Include dispositivi sensore per acquisire i dati di vibrazione e temperatura, un dispositivo gateway per trasferire in modo sicuro i dati al cloud AWS, il servizio Amazon Monitron che analizza i dati per le anomalie con ML e un'app mobile complementare per tenere traccia di potenziali guasti nei macchinari. I tuoi ingegneri e operatori sul campo possono utilizzare direttamente l'app per diagnosticare e pianificare la manutenzione delle risorse industriali.
Dal punto di vista del team di tecnologia operativa (OT), l'utilizzo dei dati di Amazon Monitron apre anche nuovi modi per migliorare il modo in cui gestiscono grandi flotte di asset industriali grazie all'intelligenza artificiale. I team OT possono rafforzare la pratica di manutenzione predittiva della propria organizzazione costruendo una vista consolidata su più gerarchie (asset, siti e impianti). Possono combinare la misurazione effettiva e i risultati dell'inferenza ML con gli allarmi non riconosciuti, lo stato della connettività dei sensori o delle fughe o le transizioni dello stato dell'asset per creare un riepilogo di alto livello per l'ambito (asset, sito, progetto) su cui si concentrano.
Con il recentemente lanciato Funzionalità di esportazione dei dati v2 di Amazon Monitron Kinesis, il tuo team OT può eseguire lo streaming dei dati di misurazione in entrata e dei risultati dell'inferenza da Amazon Monitron tramite Cinesi amazzonica ad AWS Servizio di archiviazione semplice (Amazon S3) per creare un data lake Internet of Things (IoT). Sfruttando il ultimo schema di esportazione dei dati, è possibile ottenere lo stato di connettività dei sensori, lo stato di connettività dei gateway, i risultati della classificazione delle misurazioni, il codice del motivo della chiusura e i dettagli degli eventi di transizione dello stato dell'asset.
Panoramica dei casi d'uso
Il flusso di dati arricchito ora esposto da Amazon Monitron ti consente di implementare diversi casi d'uso chiave come la creazione automatizzata di ordini di lavoro, l'arricchimento di un singolo pannello di controllo operativo o l'automazione della segnalazione degli errori. Immergiamoci in questi casi d'uso.
Puoi utilizzare Amazon Monitron Kinesis data export v2 per creare ordini di lavoro in sistemi Enterprise Asset Management (EAM) come Infor EAM, SAP Asset Management o IBM Maximo. Ad esempio, nel video evitando problemi meccanici con la manutenzione predittiva e Amazon Monitron, puoi scoprire come i nostri centri logistici Amazon evitano problemi meccanici sui nastri trasportatori con i sensori Amazon Monitron integrati con software di terze parti come l'EAM utilizzato da Amazon e con i tecnici delle chat room utilizzati. Questo mostra come puoi integrare in modo naturale le informazioni di Amazon Monitron nei tuoi flussi di lavoro esistenti. Resta sintonizzato nei prossimi mesi per leggere la prossima puntata di questa serie con un'effettiva implementazione di questi lavori di integrazione.
Puoi anche utilizzare il flusso di dati per reintegrare le informazioni di Amazon Monitron in un sistema di officina come un controllo di supervisione e acquisizione dati (SCADA) o uno storico. Gli operatori in officina sono più efficienti quando tutte le informazioni dettagliate sulle loro risorse e sui loro processi sono fornite in un unico pannello di controllo. In questo concetto, Amazon Monitron non diventa ancora un altro strumento che i tecnici devono monitorare, ma un'altra fonte di dati con approfondimenti forniti nella vista singola a cui sono già abituati. Entro la fine dell'anno, descriveremo anche un'architettura che puoi utilizzare per eseguire questa attività e inviare il feedback di Amazon Monitron ai principali sistemi SCADA di terze parti e agli storici.
Ultimo ma non meno importante, il nuovo flusso di dati di Amazon Monitron include le transizioni di stato delle risorse e i codici di chiusura forniti dagli utenti quando confermano gli allarmi (che attivano la transizione a un nuovo stato). Grazie a questi dati, puoi creare automaticamente visualizzazioni che forniscono report in tempo reale dei guasti e delle azioni intraprese durante il funzionamento delle loro risorse.
Il tuo team può quindi creare un dashboard di analisi dei dati più ampio per supportare la tua pratica di gestione della flotta industriale combinando questi dati sullo stato delle risorse con i dati di misurazione di Amazon Monitron e altri dati IoT su grandi flotte di risorse industriali utilizzando i principali servizi AWS, che descriviamo in questo post. Spieghiamo come costruire un data lake IoT, il flusso di lavoro per produrre e consumare i dati, nonché un dashboard di riepilogo per visualizzare i dati dei sensori di Amazon Monitron e i risultati dell'inferenza. Utilizziamo un set di dati Amazon Monitron proveniente da circa 780 sensori installati in un capannone industriale, in funzione da più di 1 anno. Per la guida dettagliata all'installazione di Amazon Monitron, fare riferimento a Iniziare con Amazon Monitron.
Panoramica della soluzione
Amazon Monitron fornisce l'inferenza ML dello stato di integrità delle risorse dopo 21 giorni del periodo di addestramento del modello ML per ogni bene. In questa soluzione, i dati di misurazione e l'inferenza ML da questi sensori vengono esportati in Amazon S3 tramite Flussi di dati di Amazon Kinesis tramite la configurazione di ricerca l'ultima funzione di esportazione dei dati di Amazon Monitron. Non appena i dati Amazon Monitron IoT sono disponibili in Amazon S3, vengono creati un database e una tabella Amazzone Atena usando un Crawler di AWS Glue. Puoi interrogare i dati di Amazon Monitron tramite le tabelle AWS Glue con Athena e visualizzare i dati di misurazione e l'inferenza ML con Grafana gestita da Amazon. Con Amazon Managed Grafana, puoi creare, esplorare e condividere dashboard di osservabilità con il tuo team e dedicare meno tempo alla gestione della tua infrastruttura Grafana. In questo post, colleghi Amazon Managed Grafana ad Athena e impari a creare un dashboard di analisi dei dati con i dati di Amazon Monitron per aiutarti a pianificare le operazioni degli asset industriali su larga scala.
Lo screenshot seguente è un esempio di ciò che puoi ottenere alla fine di questo post. Questa dashboard è suddivisa in tre sezioni:
- Vista della pianta – Informazioni analitiche da tutti i sensori negli impianti; ad esempio, i conteggi complessivi dei vari stati dei sensori (buoni, di avviso o di allarme), il numero di allarmi non riconosciuti e riconosciuti, la connettività del gateway e il tempo medio per la manutenzione
- Vista del sito – Statistiche a livello di sito, come le statistiche sullo stato delle risorse in ciascun sito, il numero totale di giorni in cui un allarme rimane non riconosciuto, le prestazioni migliori/inferiori in ciascun sito e altro ancora
- Vista risorse – Informazioni di riepilogo per il progetto Amazon Monitron a livello di risorsa, come il tipo di allarme per un allarme non riconosciuto (ISO o ML), la sequenza temporale per un allarme e altro
Questi pannelli sono esempi che possono aiutare la pianificazione operativa strategica, ma non sono esclusivi. Puoi utilizzare un flusso di lavoro simile per personalizzare la dashboard in base al tuo KPI mirato.
Panoramica sull'architettura
La soluzione che creerai in questo post combina Amazon Monitron, Kinesis Data Streams, Firehose dati Amazon Kinesis, Amazon S3, AWS Glue, Athena e Amazon Managed Grafana.
Il diagramma seguente illustra l'architettura della soluzione. I sensori Amazon Monitron misurano e rilevano le anomalie delle apparecchiature. Sia i dati di misurazione che gli output dell'inferenza ML vengono esportati con una frequenza di una volta all'ora in un flusso di dati Kinesis e vengono consegnati ad Amazon S3 tramite Kinesis Data Firehose con un buffer di 1 minuto. I dati Amazon Monitron esportati sono in formato JSON. Un crawler AWS Glue analizza i dati di Amazon Monitron in Amazon S3 con una frequenza scelta di una volta all'ora, crea uno schema di metadati e crea tabelle in Athena. Infine, Amazon Managed Grafana utilizza Athena per interrogare i dati di Amazon S3, consentendo la creazione di dashboard per visualizzare sia i dati di misurazione che lo stato di integrità del dispositivo.
Per creare questa soluzione, completa i seguenti passaggi di alto livello:
- Abilita un'esportazione Kinesis Data Stream da Amazon Monitron e crea un flusso di dati.
- Configura Kinesis Data Firehose per distribuire i dati dal flusso di dati a un bucket S3.
- Crea il crawler AWS Glue per creare una tabella di dati Amazon S3 in Athena.
- Crea una dashboard di dispositivi Amazon Monitron con Amazon Managed Grafana.
Prerequisiti
Per questa procedura dettagliata, è necessario disporre dei seguenti prerequisiti:
Inoltre, assicurati che tutte le risorse che distribuisci si trovino nella stessa regione.
Abilita un'esportazione Kinesis data stream da Amazon Monitron e crea un flusso di dati
Per configurare l'esportazione del flusso di dati, completare i seguenti passaggi:
- Sulla console Amazon Monitron, dalla pagina principale del tuo progetto, scegli Avvia l'esportazione dei dati in tempo reale.
- Sotto Seleziona Flusso di dati Amazon Kinesisscegli Crea un nuovo flusso di dati.
- Sotto Configurazione del flusso di dati, inserisci il nome del tuo flusso di dati.
- Nel Capacità del flusso di datiscegli Su richiesta.
- Scegli Crea flusso di dati.
Tieni presente che qualsiasi esportazione di dati in tempo reale abilitata dopo il 4 aprile 2023 eseguirà lo streaming dei dati seguendo lo schema Kinesis Data Streams v2. Se disponi di un'esportazione di dati esistente abilitata prima di questa data, lo schema seguirà il formato v1.
Ora puoi visualizzare le informazioni sull'esportazione dei dati in tempo reale sulla console Amazon Monitron con il flusso di dati Kinesis specificato.
Configura Kinesis Data Firehose per distribuire i dati a un bucket S3
Per configurare il tuo flusso di consegna Firehose, completa i seguenti passaggi:
- Sulla console Kinesis, scegli Flussi di consegna nel pannello di navigazione.
- Scegli Crea flusso di consegna.
- Nel Fonte, selezionare Flussi di dati di Amazon Kinesis.
- Nel Nei Dintorni, selezionare Amazon S3.
- Sotto Impostazioni sorgente, Per Flusso di dati Kinesis, inserisci l'ARN del tuo flusso di dati Kinesis.
- Sotto Nome flusso di consegna, inserisci il nome del tuo flusso di dati Kinesis.
- Sotto Impostazioni della destinazione, scegli un bucket S3 o inserisci un URI del bucket. Puoi utilizzare un bucket S3 esistente per archiviare i dati di Amazon Monitron oppure puoi creare un nuovo bucket S3.
- Abilita il partizionamento dinamico utilizzando l'analisi inline per JSON:
- Scegli abilitato per Partizionamento dinamico.
- Scegli abilitato per Analisi in linea per JSON.
- Sotto Chiavi di partizionamento dinamico, aggiungi le seguenti chiavi di partizione:
Nome chiave | JQ Espressione |
progetto | .projectName| "project=(.)" |
site | .eventPayload.siteName| "site=(.)" |
attività | .eventPayload.assetName| "asset=(.)" |
posizione | .eventPayload.positionName| "position=(.)" |
tempo | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- Scegli Applicare chiavi di partizionamento dinamico e conferma che il prefisso del bucket S3 generato è:
- Inserisci un prefisso per Prefisso di output dell'errore del bucket S3. Qualsiasi payload JSON che non contiene le chiavi descritte in precedenza verrà fornito con questo prefisso. Ad esempio, il
gatewayConnected
edgatewayDisconnected
gli eventi non sono collegati a un determinato asset o posizione. Pertanto, non conterranno ilassetName
edpositionName
campi. Specificare questo prefisso facoltativo qui consente di monitorare questa posizione ed elaborare questi eventi di conseguenza. - Scegli Crea flusso di consegna.
Puoi ispezionare i dati di Amazon Monitron nel bucket S3. Tieni presente che i dati di Amazon Monitron esporteranno i dati in tempo reale con una frequenza di una volta all'ora, quindi attendi 1 ora per ispezionare i dati.
Questa configurazione di Kinesis Data Firehose abilita il partizionamento dinamico e gli oggetti S3 forniti utilizzeranno il seguente formato di chiave:
Crea il crawler AWS Glue per creare una tabella di dati Amazon S3 in Athena
Dopo che i dati in tempo reale sono stati esportati in Amazon S3, utilizziamo un crawler AWS Glue per generare le tabelle di metadati. In questo post, utilizziamo i crawler di AWS Glue per dedurre automaticamente lo schema di database e tabelle dai dati di Amazon Monitron esportati in Amazon S3 e archiviare i metadati associati nel catalogo dati di AWS Glue. Athena utilizza quindi i metadati della tabella del catalogo dati per trovare, leggere ed elaborare i dati in Amazon S3. Completa i seguenti passaggi per creare il database e lo schema della tabella:
- Nella console AWS Glue, scegli Crawlers nel pannello di navigazione.
- Scegli Crea cingolato.
- Immettere un nome per il crawler (ad esempio,
XXX_xxxx_monitron
). - Scegli Avanti.
- Nel I tuoi dati sono già mappati alle tabelle Gluescegli Non ancora.
- Nel Fonte di datiscegli S3.
- Nel Posizione dei dati S3scegli In questo Contoe inserisci il percorso della tua directory del bucket S3 che hai impostato nella sezione precedente (
s3://YourBucketName
). - Nel Ripetere le ricerche per indicizzazione degli archivi dati S3, selezionare Scansiona tutte le sottocartelle.
- Infine, scegli Avanti.
- Seleziona Crea un nuovo ruolo IAM e inserisci un nome per il ruolo.
- Scegli Avanti.
- Seleziona Aggiungi databasee immettere un nome per il database. Questo crea il database Athena in cui si trovano le tabelle dei metadati dopo che il crawler è stato completato.
- Nel Programma del crawler, seleziona uno scheduler basato sul tempo preferito (ad esempio, ogni ora) per aggiornare i dati di Amazon Monitron nel database e scegli Avanti.
- Controlla i dettagli del crawler e scegli Creare.
- Sulla Crawlers pagina della console AWS Glue, seleziona il crawler che hai creato e scegli Esegui crawler.
Potrebbe essere necessario attendere alcuni minuti, a seconda della dimensione dei dati. Al termine, lo stato del crawler viene visualizzato come Pronto. Per vedere le tabelle di metadati, vai al tuo database su Database pagina e scegli tavoli nel pannello di navigazione.
È inoltre possibile visualizzare i dati scegliendo Dati tabellari sulla console.
Verrai reindirizzato alla console Athena per visualizzare i primi 10 record dei dati di Amazon Monitron in Amazon S3.
Crea una dashboard di dispositivi Amazon Monitron con Amazon Managed Grafana
In questa sezione, creiamo un dashboard personalizzato con Amazon Managed Grafana per visualizzare i dati di Amazon Monitron in Amazon S3, in modo che il team OT possa ottenere un accesso semplificato alle risorse in allarme nell'intera flotta di sensori Amazon Monitron. Ciò consentirà al team OT di pianificare le azioni successive in base alla possibile causa principale delle anomalie.
A creare uno spazio di lavoro Grafana, completare i seguenti passi:
- Assicurati che il tuo ruolo utente sia admin o editor.
- Sulla console Amazon Managed Grafana, scegli Crea spazio di lavoro.
- Nel Nome dell'area di lavoro, inserisci un nome per l'area di lavoro.
- Scegli Avanti.
- Nel Accesso all'autenticazione, selezionare Centro di identità AWS IAM (successore di AWS Single Sign-On). Puoi usare lo stesso Utente di AWS IAM Identity Center che hai utilizzato per configurare il tuo progetto Amazon Monitron.
- Scegli Avanti.
- Per questo primo spazio di lavoro, confermalo Servizio gestito è selezionato per Tipo di autorizzazione. Questa selezione consente ad Amazon Managed Grafana di eseguire automaticamente il provisioning delle autorizzazioni necessarie per le origini dati AWS che utilizzi per questo spazio di lavoro.
- Scegli Conto corrente.
- Scegli Avanti.
- Conferma i dettagli dell'area di lavoro e scegli Crea spazio di lavoro. Viene visualizzata la pagina dei dettagli dell'area di lavoro. Inizialmente, lo stato è CREARE.
- Attendere fino a quando lo stato è ATTIVO per procedere al passaggio successivo.
Per configurare l'origine dati Athena, completa i seguenti passaggi:
- Nella console Amazon Managed Grafana, scegli l'area di lavoro su cui vuoi lavorare.
- Sulla Fonti dei dati scheda, selezionare Amazzone Atenae scegli Azioni, Abilita criterio gestito dal servizio.
- Scegli Configura a Grafana nel Amazzone Atena riga.
- Accedi alla console dell'area di lavoro Grafana utilizzando IAM Identity Center, se necessario. L'utente deve avere la policy di accesso Athena collegata all'utente o al ruolo per avere accesso all'origine dati Athena. Vedere Policy gestita da AWS: AmazonGrafanaAthenaAccess per maggiori informazioni.
- Nella console dell'area di lavoro di Grafana, nel riquadro di navigazione, scegli l'icona AWS in basso (ce ne sono due), quindi scegli Athena sul canale Fonti dei dati menu.
- Selezionare la regione predefinita da cui si desidera che l'origine dati Athena esegua la query, selezionare gli account desiderati, quindi scegliere Aggiungi origine dati.
- Seguire i passaggi per configurare i dettagli di Athena.
Se il tuo gruppo di lavoro in Athena non ha già configurato un percorso di output, devi specificare un bucket e una cartella S3 da utilizzare per i risultati delle query. Dopo aver configurato l'origine dati, è possibile visualizzarla o modificarla nel file Configurazione riquadro.
Nelle seguenti sottosezioni, dimostriamo diversi pannelli nel dashboard di Amazon Monitron integrato in Amazon Managed Grafana per ottenere informazioni dettagliate operative. L'origine dati Athena fornisce un editor di query SQL standard che useremo per analizzare i dati di Amazon Monitron per generare l'analisi desiderata.
Innanzitutto, se ci sono molti sensori nel progetto Amazon Monitron e si trovano in stati diversi (integro, avviso, allarme e necessità di manutenzione), il team OT vuole vedere visivamente il conteggio delle posizioni in cui i sensori si trovano nei vari stati. È possibile ottenere tali informazioni come un widget grafico a torta in Grafana tramite la seguente query Athena:
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;
Lo screenshot seguente mostra un pannello con l'ultima distribuzione dello stato del sensore Amazon Monitron.
Per formattare la tua query SQL per i dati di Amazon Monitron, fai riferimento a Comprensione dello schema di esportazione dei dati.
Successivamente, il team di Operations Technology potrebbe voler pianificare la manutenzione predittiva in base agli asset che sono in stato di allarme e quindi desidera conoscere rapidamente il numero totale di allarmi riconosciuti rispetto a quelli non riconosciuti. Puoi mostrare le informazioni di riepilogo dello stato di allarme come semplici pannelli di statistiche in 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';
Il pannello seguente mostra gli allarmi riconosciuti e non riconosciuti.
Il team OT può anche interrogare la quantità di tempo in cui i sensori rimangono in stato di allarme, in modo da poter decidere la loro priorità di manutenzione:
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;
L'output di questa analisi può essere visualizzato da un grafico a barre in Grafana e l'allarme in stato di allarme può essere facilmente visualizzato come mostrato nella seguente schermata.
Per analizzare le prestazioni degli asset superiore/inferiore in base al tempo totale in cui gli asset sono in stato di allarme o necessitano di manutenzione, utilizzare la query seguente:
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;
L'indicatore a barre seguente viene utilizzato per visualizzare l'output della query precedente, con gli asset con le prestazioni migliori che mostrano 0 giorni di stati di allarme e gli asset con prestazioni inferiori che mostrano gli stati di allarme accumulati nell'ultimo anno.
Per aiutare il team OT a comprendere la possibile causa principale di un'anomalia, è possibile visualizzare i tipi di allarme per questi asset ancora in stato di allarme con la seguente query:
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');
Puoi visualizzare questa analisi come una tabella in Grafana. In questo progetto Amazon Monitron, due allarmi sono stati attivati dai modelli ML per la misurazione delle vibrazioni.
La dashboard di Amazon Managed Grafana è mostrata qui a scopo illustrativo. È possibile adattare il design del dashboard in base alle proprie esigenze aziendali.
Rapporti di fallimento
Quando un utente riconosce un allarme nell'app Amazon Monitron, le risorse associate passano a un nuovo stato. L'utente ha anche la possibilità di fornire alcuni dettagli su questo allarme:
- Causa di guasto – Può essere uno dei seguenti: AMMINISTRAZIONE, PROGETTAZIONE, FABBRICAZIONE, MANUTENZIONE, FUNZIONAMENTO, ALTRO, QUALITÀ, USURA o NON DETERMINATO
- Modalità di fallimento – Questo può essere uno dei seguenti: NO_PROBLEMA, BLOCCO, CAVITAZIONE, CORROSIONE, DEPOSITO, SQUILIBRIO, LUBRIFICAZIONE, DISALLINEAMENTO, ALTRO, RISONANZA, ALLENTAMENTO_ROTATIVO, ALLESTIMENTO_STRUTTURALE, GUASTO_TRASMESSO o NON DETERMINATO
- Azione intrapresa – Può essere ADJUST, CLEAN, LUBRICATE, MODIFY, OVERHAUL, REPLACE, NO_ACTION o OTHER
Il payload dell'evento associato alla transizione dello stato dell'asset contiene tutte queste informazioni, lo stato precedente dell'asset e il nuovo stato dell'asset. Resta sintonizzato per un aggiornamento di questo post con maggiori dettagli su come utilizzare queste informazioni in un pannello Grafana aggiuntivo per creare grafici di Pareto degli errori e delle azioni più comuni intraprese tra le tue risorse.
Conclusione
I clienti aziendali di Amazon Monitron sono alla ricerca di una soluzione per creare un data lake IoT con i dati in tempo reale di Amazon Monitron, in modo da poter gestire più progetti e risorse Amazon Monitron e generare report di analisi su più progetti Amazon Monitron. Questo post fornisce una procedura dettagliata di una soluzione per creare questo data lake IoT con le ultime novità Funzionalità di esportazione dei dati v2 di Amazon Monitron Kinesis. Questa soluzione ha anche mostrato come utilizzare altri servizi AWS, come AWS Glue e Athena, per interrogare i dati, generare output di analisi e visualizzare tali output con Amazon Managed Grafana con aggiornamenti frequenti.
Come passaggio successivo, puoi espandere questa soluzione inviando i risultati dell'inferenza ML ad altri sistemi EAM che potresti utilizzare per la gestione degli ordini di lavoro. Ciò consentirà al tuo team operativo di integrare Amazon Monitron con altre applicazioni aziendali e migliorare la loro efficienza operativa. Puoi anche iniziare a creare informazioni più approfondite sulle modalità di errore e sulle azioni intraprese elaborando le transizioni di stato dell'asset e i codici di chiusura che ora fanno parte del payload del flusso di dati Kinesis.
Circa gli autori
Giulia Hu è Senior AI/ML Solutions Architect presso Amazon Web Services. Ha una vasta esperienza nell'architettura IoT e nell'Applied Data Science, e fa parte sia della Machine Learning che della IoT Technical Field Community. Lavora con i clienti, dalle start-up alle imprese, per sviluppare soluzioni di machine learning (ML) AWSome, nell'edge e nel cloud. Le piace sfruttare la più recente tecnologia IoT e Big Data per scalare la sua soluzione ML, ridurre la latenza e accelerare l'adozione da parte del settore.
Bishr Tabbaa è un architetto di soluzioni presso Amazon Web Services. Bishr è specializzata nell'aiutare i clienti con applicazioni di machine learning, sicurezza e osservabilità. Al di fuori del lavoro, gli piace giocare a tennis, cucinare e passare il tempo con la famiglia.
Shalica Pargal è Product Manager presso Amazon Web Services. Shalika si concentra sulla creazione di prodotti e servizi AI per i clienti industriali. Porta una significativa esperienza nell'intersezione tra sviluppo di prodotto, industriale e aziendale. Ha recentemente condiviso La storia di successo di Monitron a reinventare 2022.
Garry Galinsky è un Principal Solutions Architect che supporta Amazon su AWS. È stato coinvolto con Monitron sin dal suo debutto e ha contribuito a integrare e implementare la soluzione nella rete mondiale di logistica di Amazon. Di recente ha condiviso quello di Amazon Storia di successo di Monitron su re:Invent 2022.
Michael Hoarau è un AI/ML Specialist Solutions Architect presso AWS che si alterna tra data scientist e machine learning architect, a seconda del momento. È appassionato di portare la potenza dell'IA/ML nelle officine dei suoi clienti industriali e ha lavorato su un'ampia gamma di casi d'uso di ML, che vanno dal rilevamento delle anomalie alla qualità predittiva del prodotto o all'ottimizzazione della produzione. Ha pubblicato un libro sull'analisi delle serie temporali nel 2022 e scrive regolarmente su questo argomento su LinkedIn ed Medio. Quando non aiuta i clienti a sviluppare le prossime migliori esperienze di machine learning, gli piace osservare le stelle, viaggiare o suonare il pianoforte.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Coniare il futuro con Adryenn Ashley. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :ha
- :È
- :non
- $ SU
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- WRI
- accelerare
- accesso
- Secondo
- di conseguenza
- conti
- Accumulato
- Raggiungere
- acquisizione
- operanti in
- Action
- azioni
- attività
- adattare
- aggiuntivo
- Admin
- amministrazione
- Adozione
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- AI / ML
- aiuto
- allarme
- Avvisi
- Tutti
- Consentire
- consente
- già
- anche
- Amazon
- Cinesi amazzonica
- Grafana gestita da Amazon
- Amazon Web Services
- quantità
- an
- .
- Analitico
- analitica
- analizzare
- analisi
- ed
- rilevamento anomalie
- Un altro
- in qualsiasi
- App
- applicazioni
- applicato
- approccio
- Aprile
- architettura
- SONO
- AS
- attività
- gestione delle risorse
- Attività
- associato
- At
- Automatizzata
- automaticamente
- Automatizzare
- disponibile
- media
- evitando
- AWS
- Colla AWS
- precedente
- bar
- basato
- BE
- diventare
- stato
- prima
- MIGLIORE
- Meglio
- fra
- Big
- Big Data
- libro
- entrambi
- Parte inferiore
- Portare
- Porta
- più ampia
- bufferizzare
- costruire
- Costruzione
- costruisce
- costruito
- affari
- sviluppo commerciale
- ma
- by
- Materiale
- Può ottenere
- catturare
- Custodie
- casi
- catalogo
- Causare
- cause
- centro
- centri
- sfide
- Grafico
- Grafici
- chat
- Scegli
- la scelta
- scelto
- classificazione
- chiusura
- Cloud
- codice
- Raccolta
- combinare
- combina
- combinando
- arrivo
- Uncommon
- comunità
- completamento di una
- complesso
- concetto
- condizione
- Confermare
- Connettiti
- Connettività
- consolle
- consumare
- contenere
- contiene
- continuo
- di controllo
- potuto
- crawler
- creare
- creato
- crea
- creazione
- Clienti
- personalizzare
- personalizzate
- cicli
- cruscotto
- dati
- Dati Analytics
- Lago di dati
- scienza dei dati
- scienziato di dati
- Banca Dati
- Data
- Giorni
- debutto
- decide
- Predefinito
- consegnare
- consegnato
- consegna
- dimostrare
- Dipendente
- schierare
- deposito
- descrivere
- descritta
- Design
- desiderato
- dettagliati
- dettagli
- rivelazione
- sviluppare
- Mercato
- dispositivo
- dispositivi
- diverso
- direttamente
- scopri
- distribuzione
- Diviso
- non
- i tempi di inattività
- dinamico
- ogni
- In precedenza
- facilmente
- bordo
- editore
- in maniera efficace
- efficienza
- efficiente
- in modo efficiente
- o
- enable
- abilitato
- Abilita
- da un capo all'altro
- Ingegneri
- arricchito
- arricchendo
- entrare
- Impresa
- aziende
- ambienti
- usate
- errore
- Evento
- eventi
- esempio
- Esempi
- Exclusive
- esistente
- Espandere
- esperienza
- Esperienze
- Spiegare
- esplora
- export
- estensivo
- Conclamata Esperienza
- Fallimento
- famiglia
- feedback
- pochi
- campo
- campi
- Infine
- Trovate
- Nome
- FLOTTA
- Pavimento
- concentrato
- si concentra
- seguire
- i seguenti
- Nel
- formato
- Frequenza
- frequente
- da
- Guadagno
- porta
- generare
- generato
- ottenere
- dato
- vetro.
- Gruppo
- guida
- accadere
- Avere
- he
- Salute e benessere
- sano
- Aiuto
- aiutato
- aiutare
- qui
- alto livello
- Come
- Tutorial
- HTML
- HTTPS
- IBM
- ICON
- identificare
- Identità
- squilibrio
- realizzare
- implementazione
- competenze
- in
- Uno sguardo approfondito sui miglioramenti dei pneumatici da corsa di Bridgestone.
- includere
- inclusi
- In arrivo
- industriale
- industria
- info
- informazioni
- Infrastruttura
- inizialmente
- intuizioni
- installato
- rata
- esempio
- integrare
- integrato
- integrazione
- Internet
- Internet delle cose
- intersezione
- ai miglioramenti
- coinvolto
- IoT
- ISO
- sicurezza
- IT
- SUO
- join
- jpg
- json
- Acuto
- Le
- Tasti
- Kinesis Data Firehose
- Flussi di dati Kinesis
- Sapere
- lago
- grandi
- Latenza
- con i più recenti
- lanciato
- IMPARARE
- apprendimento
- Livello
- leveraging
- LIMITE
- Limitato
- Linee
- connesso
- vivere
- dati in tempo reale
- collocato
- località
- cerca
- macchina
- machine learning
- macchinario
- Principale
- mantenere
- manutenzione
- maggiore
- make
- gestire
- gestito
- gestione
- direttore
- I gestori
- gestione
- consigliato per la
- molti
- Massimizzare
- Maggio..
- misurare
- meccanico
- medie
- Menu
- Metadati
- forza
- Minuti
- mancante
- ML
- Mobile
- mobile app
- modello
- modelli
- modalità di
- modificare
- momento
- Monitorare
- monitoraggio
- mese
- Scopri di più
- più efficiente
- maggior parte
- multiplo
- Nome
- Navigare
- Navigazione
- necessaria
- Bisogno
- esigenze
- Rete
- New
- GENERAZIONE
- adesso
- numero
- oggetti
- ottenere
- of
- on
- ONE
- esclusivamente
- apre
- operare
- operativo
- operazione
- operativa
- Operazioni
- Operatori
- Opportunità
- ottimizzazione
- or
- minimo
- ordini
- organizzazione
- Altro
- nostro
- produzione
- al di fuori
- ancora
- complessivo
- Revisione
- proprio
- pagina
- vetro
- pannello di eventi
- pannelli
- parte
- appassionato
- passato
- sentiero
- Eseguire
- performance
- esecuzione
- periodico
- autorizzazione
- permessi
- piano
- pianificazione
- piante
- Platone
- Platone Data Intelligence
- PlatoneDati
- gioco
- politica
- posizione
- posizioni
- possibile
- Post
- potenziale
- energia
- pratica
- Predictive Analytics
- preferito
- prerequisiti
- precedente
- Direttore
- priorità
- Proactive
- processi
- i processi
- lavorazione
- produrre
- Prodotto
- product manager
- Qualità del prodotto
- Produzione
- Prodotti
- progetto
- progetti
- fornire
- purché
- fornisce
- fornitura
- pubblicato
- fini
- qualità
- rapidamente
- gamma
- che vanno
- RE
- Leggi
- tempo reale
- ragione
- recentemente
- record
- ridurre
- regione
- regolarmente
- rafforzare
- problemi di
- affidabile
- rimanere
- resti
- sostituire
- Reportistica
- Report
- risonanza
- Risorse
- Risultati
- Rischio
- Ruolo
- Camere
- radice
- RIGA
- Correre
- running
- s
- stesso
- linfa
- Scala
- Scienze
- Scienziato
- portata
- Sezione
- sezioni
- in modo sicuro
- problemi di
- selezionato
- prodotti
- invio
- sensore
- Serie
- servizio
- Servizi
- set
- regolazione
- flessibile.
- alcuni
- Condividi
- condiviso
- Shop
- dovrebbero
- mostrare attraverso le sue creazioni
- mostrato
- Spettacoli
- significativa
- simile
- Un'espansione
- da
- singolo
- site
- Siti
- Taglia
- So
- Software
- soluzione
- Soluzioni
- alcuni
- Fonte
- fonti
- specialista
- specializzata
- specificato
- spendere
- Spendere
- Standard
- Stelle
- inizia a
- start-up
- iniziato
- Regione / Stato
- stati
- statistica
- stats
- Stato dei servizi
- soggiorno
- step
- Passi
- Ancora
- conservazione
- Tornare al suo account
- Strategico
- Strategia
- ruscello
- aerodinamico
- flussi
- il successo
- tale
- SOMMARIO
- supporto
- Supporto
- sistema
- SISTEMI DI TRATTAMENTO
- tavolo
- mirata
- Task
- team
- le squadre
- Consulenza
- Tecnologia
- di
- Grazie
- che
- Il
- Lo Stato
- loro
- Là.
- perciò
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- cose
- di parti terze standard
- questo
- quest'anno
- tre
- tempo
- Serie storiche
- time line
- timestamp
- a
- top
- Top 10
- argomento
- Totale
- pista
- Training
- trasferimento
- transizione
- transizioni
- Di viaggio
- innescare
- innescato
- Tipi di
- capire
- Aggiornanento
- uptime
- uso
- utilizzato
- Utente
- utenti
- utilizzando
- v1
- vario
- via
- Video
- Visualizza
- vs
- aspettare
- walkthrough
- identificazione dei warning
- Prima
- modi
- we
- sito web
- servizi web
- WELL
- sono stati
- Che
- quale
- while
- OMS
- tutto
- largo
- Vasta gamma
- volere
- con
- Lavora
- lavorato
- flussi di lavoro
- Gruppo di lavoro
- lavori
- In tutto il mondo
- anno
- Tu
- Trasferimento da aeroporto a Sharm
- youtube
- zefiro