מנהלי אמינות וטכנאים בסביבות תעשייתיות כגון קווי ייצור, מחסנים ומפעלים תעשייתיים להוטים לשפר את בריאות הציוד ואת זמני הפעולה כדי למקסם את תפוקת ואיכות המוצר. כשלים במכונה ובתהליך מטופלים לעתים קרובות על ידי פעילות תגובתית לאחר קורות תקריות או על ידי תחזוקה מונעת יקרה, שבה אתה מסתכן בתחזוקת יתר של הציוד או בעיות חסרות שעלולות לקרות בין מחזורי התחזוקה התקופתיים. תחזוקה מבוססת מצב חיזוי היא אסטרטגיה יזומה עדיפה על אסטרטגיה תגובתית או מונעת. אכן, גישה זו משלבת ניטור רציף, ניתוח חיזוי ופעולה בדיוק בזמן. זה מאפשר לצוותי תחזוקה ואמינות לתת שירות לציוד רק בעת הצורך, בהתבסס על מצב הציוד בפועל.
היו אתגרים נפוצים עם ניטור מבוסס תנאים כדי ליצור תובנות ניתנות לפעולה עבור ציי נכסים תעשייתיים גדולים. אתגרים אלו כוללים בין היתר: בנייה ותחזוקה של תשתית מורכבת של חיישנים האוספים נתונים מהשטח, השגת סיכום אמין ברמה גבוהה של ציי נכסים תעשייתיים, ניהול יעיל של התראות כשל, זיהוי גורמי שורש אפשריים לחריגות, ודמייה יעילה מצב הנכסים התעשייתיים בקנה מידה.
אמזון מוניטרון הוא פתרון ניטור מצבים מקצה לקצה המאפשר לך להתחיל לנטר את תקינות הציוד בעזרת למידת מכונה (ML) תוך דקות, כך שתוכל ליישם תחזוקה חזויה ולהפחית זמן השבתה לא מתוכנן. הוא כולל התקני חיישנים ללכידת נתוני רטט וטמפרטורות, התקן שער להעברת נתונים מאובטחת לענן AWS, שירות Amazon Monitron המנתח את הנתונים עבור חריגות עם ML, ואפליקציה ניידת נלווית למעקב אחר כשלים פוטנציאליים במכונות שלך. מהנדסי השטח והמפעילים שלך יכולים להשתמש ישירות באפליקציה כדי לאבחן ולתכנן תחזוקה עבור נכסים תעשייתיים.
מנקודת המבט של צוות הטכנולוגיה התפעולית (OT), השימוש בנתוני אמזון מוניטרון פותח גם דרכים חדשות לשיפור האופן שבו הם מפעילים ציי נכסים תעשייתיים גדולים הודות לבינה מלאכותית. צוותי OT יכולים לחזק את פרקטיקת התחזוקה החזויה מהארגון שלהם על ידי בניית תצוגה מאוחדת על פני היררכיות מרובות (נכסים, אתרים ומפעלים). הם יכולים לשלב תוצאות מדידה בפועל והסקת ML עם אזעקות לא מאושרות, חיישנים או מצב קישוריות מילוט, או מעברי מצב נכסים כדי לבנות סיכום ברמה גבוהה עבור ההיקף (נכס, אתר, פרויקט) שהם מתמקדים בו.
עם הושק לאחרונה תכונת ייצוא נתונים של Amazon Monitron Kinesis v2, צוות ה-OT שלך יכול להזרים נתוני מדידה נכנסים ותוצאות מסקנות מאמזון מוניטרון באמצעות אמזון קינסי ל-AWS שירות אחסון פשוט (Amazon S3) לבניית אגם נתונים באינטרנט של הדברים (IoT). על ידי מינוף ה סכימת ייצוא הנתונים העדכנית ביותר, אתה יכול לקבל סטטוס קישוריות חיישנים, סטטוס קישוריות שערים, תוצאות סיווג מדידה, קוד סיבת סגירה ופרטים של אירועי מעבר של מצב נכסים.
סקירת מקרי שימוש
זרם הנתונים המועשר שאמזון מוניטרון חושפת כעת מאפשר לך ליישם מספר מקרי שימוש מרכזיים כגון יצירה אוטומטית של הזמנת עבודה, העשרת חלונית זכוכית אחת תפעולית או אוטומציה של דיווח כשלים. בואו נצלול לתוך מקרי השימוש הללו.
אתה יכול להשתמש בייצוא הנתונים של Amazon Monitron Kinesis v2 כדי ליצור הזמנות עבודה במערכות Enterprise Asset Management (EAM) כגון Infor EAM, SAP Asset Management או IBM Maximo. למשל, בסרטון הימנעות מבעיות מכניות עם תחזוקה חזויה ואמזון מוניטרון, אתה יכול לגלות כיצד מרכזי הגשמה של אמזון שלנו נמנעים מבעיות מכניות על מסועים עם חיישני Amazon Monitron המשולבים בתוכנות של צד שלישי כגון EAM המשמשת באמזון וכן עם טכנאי חדרי הצ'אט שבהם משתמשים. זה מראה כיצד אתה יכול לשלב באופן טבעי תובנות של Amazon Monitron בזרימות העבודה הקיימות שלך. הישאר מעודכן בחודשים הקרובים כדי לקרוא את הפרק הבא של סדרה זו עם יישום בפועל של עבודות האינטגרציה.
אתה יכול גם להשתמש בזרם הנתונים כדי להטמיע תובנות של אמזון מוניטרון בחזרה לתוך מערכת רצפת החנות, כגון בקרת פיקוח ורכישת נתונים (SCADA) או היסטוריון. מפעילי קומת החנות יעילים יותר כאשר כל התובנות לגבי הנכסים והתהליכים שלהם מסופקות בחלון זכוכית אחד. בתפיסה זו, אמזון מוניטרון לא הופכת לעוד כלי שטכנאי צריכים לנטר, אלא למקור נתונים נוסף עם תובנות הניתנות בתצוגה הבודדת אליה הם כבר רגילים. בהמשך השנה נתאר גם ארכיטקטורה שבה תוכל להשתמש כדי לבצע משימה זו ולשלוח משוב של Amazon Monitron למערכות SCADA והיסטוריונים של צד שלישי מרכזיים.
אחרון חביב, זרם הנתונים החדש מאמזון מוניטרון כולל את מעברי מצב הנכסים וקודי סגירה שסופקו על ידי המשתמשים בעת אישור אזעקות (שמפעילים את המעבר למצב חדש). הודות לנתונים אלו, תוכלו לבנות באופן אוטומטי הדמיות המספקות דיווח בזמן אמת על התקלות והפעולות שננקטו במהלך הפעלת הנכסים שלהם.
לאחר מכן הצוות שלך יכול לבנות לוח מחוונים רחב יותר לניתוח נתונים כדי לתמוך בפרקטיקה של ניהול הצי התעשייתי שלך על ידי שילוב נתוני מצב נכסים אלה עם נתוני מדידה של Amazon Monitron ונתוני IoT אחרים על פני ציי נכסים תעשייתיים גדולים על ידי שימוש בשירותי AWS מרכזיים, אותם אנו מתארים בפוסט זה. אנו מסבירים כיצד לבנות אגם נתונים של IoT, את זרימת העבודה להפקה ולצריכה של הנתונים, כמו גם לוח מחוונים סיכום כדי להמחיש את נתוני חיישני אמזון מוניטרון ותוצאות מסקנות. אנו משתמשים במערך נתונים של Amazon Monitron המגיע מכ-780 חיישנים המותקנים במחסן תעשייתי, הפועל כבר יותר משנה. למדריך ההתקנה המפורט של Amazon Monitron, עיין ב תחילת העבודה עם Amazon Monitron.
סקירת פתרונות
Amazon Monitron מספקת מסקנות ML לגבי מצב בריאות הנכס לאחר 21 ימים מתקופת ההכשרה של מודל ML עבור כל נכס. בפתרון זה, נתוני המדידה והסקת ML מחיישנים אלו מיוצאים לאמזון S3 באמצעות זרמי נתונים של אמזון קינסי באמצעות תכונת ייצוא הנתונים האחרונה של Amazon Monitron. ברגע שנתוני Amazon Monitron IoT זמינים באמזון S3, מסד נתונים וטבלה נוצרים ב אמזונה אתנה באמצעות סורק דבק AWS. אתה יכול לבצע שאילתות בנתוני אמזון מוניטרון באמצעות טבלאות דבק AWS עם Athena, ולהמחיש את נתוני המדידה וההסקת ML באמצעות אמזון ניהלה את גרפאנה. עם Amazon Managed Grafana, אתה יכול ליצור, לחקור ולשתף לוחות מחוונים של צפייה עם הצוות שלך, ולהשקיע פחות זמן בניהול תשתית Grafana שלך. בפוסט הזה, אתה מחבר את Amazon Managed Grafana לאתנה, ולומד כיצד לבנות לוח מחוונים לניתוח נתונים עם נתוני Amazon Monitron כדי לעזור לך לתכנן פעולות נכסים תעשייתיים בקנה מידה.
צילום המסך הבא הוא דוגמה למה שאתה יכול להשיג בסוף הפוסט הזה. לוח מחוונים זה מחולק לשלושה חלקים:
- נוף צמח - מידע אנליטי מכל החיישנים על פני מפעלים; לדוגמה, הספירות הכוללות של מצבים שונים של חיישנים (בריא, אזהרה או אזעקה), מספר אזעקות לא מאושרות ומאושרות, קישוריות שער וזמן ממוצע לתחזוקה
- תצוגת אתר - נתונים סטטיסטיים ברמת האתר, כגון סטטיסטיקות סטטוס נכסים בכל אתר, מספר הימים הכולל שבו לא מאושרת אזעקה, נכסים בעלי ביצועים עליונים/תחתונים בכל אתר ועוד
- תצוגת נכס – מידע סיכום עבור פרויקט Amazon Monitron ברמת הנכס, כגון סוג האזעקה לאזעקה לא מאושרת (ISO או ML), ציר הזמן לאזעקה ועוד
פאנלים אלו הם דוגמאות שיכולות לסייע לתכנון תפעולי אסטרטגי, אך הם אינם בלעדיים. אתה יכול להשתמש בזרימת עבודה דומה כדי להתאים אישית את לוח המחוונים בהתאם ל-KPI היעד שלך.
סקירה כללית של אדריכלות
הפתרון שתבנה בפוסט זה משלב את Amazon Monitron, Kinesis Data Streams, צינור אש נתונים של אמזון קינסי, Amazon S3, AWS Glue, Athena ו-Amazon Managed Grafana.
התרשים הבא ממחיש את ארכיטקטורת הפתרון. חיישני אמזון מוניטרון מודדים ומזהים חריגות מציוד. הן נתוני המדידה והן יציאות מסקנות ML מיוצאות בתדירות של פעם בשעה לזרם נתונים של Kinesis, והם מועברים לאמזון S3 דרך Kinesis Data Firehose עם מאגר של דקה. הנתונים המיוצאים של Amazon Monitron הם בפורמט JSON. סורק AWS Glue מנתח את נתוני Amazon Monitron באמזון S1 בתדירות נבחרת של פעם בשעה, בונה סכימת מטא נתונים ויוצר טבלאות באתנה. לבסוף, Amazon Managed Grafana משתמשת ב- Athena כדי לבצע שאילתות בנתוני Amazon S3, מה שמאפשר לבנות לוחות מחוונים כדי להמחיש הן את נתוני המדידה והן את מצב בריאות המכשיר.
כדי לבנות פתרון זה, אתה משלים את השלבים הבאים ברמה גבוהה:
- אפשר יצוא זרם נתונים של Kinesis מאמזון מוניטרון וצור זרם נתונים.
- הגדר את Kinesis Data Firehose כדי להעביר נתונים מזרם הנתונים לדלי S3.
- בנו את הסורק AWS Glue כדי ליצור טבלה של נתוני Amazon S3 באתנה.
- צור לוח מחוונים של מכשירי Amazon Monitron עם Amazon Managed Grafana.
תנאים מוקדמים
לפריצת דרך זו, יהיו עליכם התנאים המוקדמים הבאים:
בנוסף, ודא שכל המשאבים שאתה פורס נמצאים באותו אזור.
אפשר יצוא זרם נתונים של Kinesis מאמזון מוניטרון וצור זרם נתונים
כדי להגדיר את ייצוא זרם הנתונים שלך, בצע את השלבים הבאים:
- במסוף אמזון מוניטרון, מהעמוד הראשי של הפרויקט שלך, בחר התחל ייצוא נתונים חי.
- תַחַת בחר זרם נתונים של Amazon Kinesis, בחר צור זרם נתונים חדש.
- תַחַת תצורת זרם נתונים, הזן את שם זרם הנתונים שלך.
- בעד קיבולת זרם נתונים, בחר לפי דרישה.
- בחרו צור זרם נתונים.
שים לב שכל ייצוא נתונים חי שהופעל לאחר 4 באפריל 2023 יזרום נתונים בהתאם לסכימת Kinesis Data Streams v2. אם יש לך ייצוא נתונים קיים שהופעל לפני תאריך זה, הסכימה תפעל לפי פורמט v1.
כעת תוכל לראות מידע על ייצוא נתונים חי בקונסולת Amazon Monitron עם זרם הנתונים שצוין ב-Kinesis.
הגדר את Kinesis Data Firehose כדי להעביר נתונים לדלי S3
כדי להגדיר את זרם המסירה של Firehose שלך, בצע את השלבים הבאים:
- במסוף Kinesis, בחר זרמי משלוחים בחלונית הניווט.
- בחרו צור זרם מסירה.
- בעד מָקוֹר, בחר זרמי נתונים של אמזון קינסי.
- בעד יַעַד, בחר אמזון S3.
- תַחַת הגדרות מקור, עבור זרם נתונים של Kinesis, הזן את ה-ARN של זרם הנתונים של Kinesis שלך.
- תַחַת שם זרם המשלוח, הזן את השם של זרם הנתונים שלך ב-Kinesis.
- תַחַת הגדרות יעד, בחר דלי S3 או הזן URI של דלי. אתה יכול להשתמש בדלי S3 קיים כדי לאחסן נתונים של Amazon Monitron, או שאתה יכול ליצור דלי S3 חדש.
- אפשר חלוקה דינמית באמצעות ניתוח מוטבע עבור JSON:
- בחרו מופעל ל חלוקה דינמית.
- בחרו מופעל ל ניתוח מוטבע עבור JSON.
- תַחַת מפתחות חלוקה דינמיים, הוסף את מפתחות המחיצה הבאים:
שם מפתח | ביטוי JQ |
פּרוֹיֶקט | .projectName| "project=(.)" |
אתר | .eventPayload.siteName| "site=(.)" |
נכס | .eventPayload.assetName| "asset=(.)" |
עמדה | .eventPayload.positionName| "position=(.)" |
זמן | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- בחרו החל מפתחות חלוקה דינמית ואשר את הקידומת של דלי S3 שנוצרה היא:
- הזן קידומת עבור קידומת פלט של שגיאת דלי S3. כל מטען JSON שאינו מכיל את המפתחות שתוארו קודם לכן יימסר בקידומת זו. למשל, ה
gatewayConnected
וgatewayDisconnected
אירועים אינם קשורים לנכס או עמדה נתונה. לכן, הם לא יכילו אתassetName
וpositionName
שדות. ציון הקידומת האופציונלית הזו כאן מאפשר לך לעקוב אחר מיקום זה ולעבד אירועים אלה בהתאם. - בחרו צור זרם מסירה.
אתה יכול לבדוק את נתוני אמזון מוניטרון בדלי S3. שים לב שנתוני Amazon Monitron ייצאו נתונים חיים בתדירות של פעם בשעה, אז המתן שעה אחת כדי לבדוק את הנתונים.
הגדרה זו של Kinesis Data Firehose מאפשרת חלוקה דינמית של מחיצות, ואובייקטי S3 המסופקים ישתמשו בפורמט המפתח הבא:
בנו את הסורק AWS Glue כדי ליצור טבלה של נתוני Amazon S3 באתנה
לאחר ייצוא הנתונים החיים לאמזון S3, אנו משתמשים בסורק AWS Glue כדי ליצור את טבלאות המטא נתונים. בפוסט זה, אנו משתמשים בסורקי AWS Glue כדי להסיק אוטומטית סכימת מסד נתונים וטבלה מנתוני Amazon Monitron המיוצאים ב-Amazon S3, ולאחסן את המטא נתונים המשויכים בקטלוג הנתונים של AWS Glue Data. לאחר מכן אתנה משתמשת במטא נתונים של הטבלה מקטלוג הנתונים כדי למצוא, לקרוא ולעבד את הנתונים באמזון S3. השלם את השלבים הבאים כדי ליצור את סכימת מסד הנתונים והטבלה שלך:
- במסוף הדבק של AWS בחר סורקים בחלונית הניווט.
- בחרו צור סורק.
- הזן שם עבור הסורק (לדוגמה,
XXX_xxxx_monitron
). - בחרו הַבָּא.
- בעד האם הנתונים שלך כבר ממופים לטבלאות דבק, בחר טרם.
- בעד מקור מידע, בחר S3.
- בעד מיקום נתוני S3, בחר בחשבון זה, והזן את הנתיב של ספריית ה-S3 bucket שלך שהגדרת בסעיף הקודם (
s3://YourBucketName
). - בעד סריקה חוזרת של מאגרי נתונים S3, בחר סרוק את כל תיקיות המשנה.
- לבסוף, בחר הַבָּא.
- בחר צור תפקיד IAM חדש והזן שם לתפקיד.
- בחרו הַבָּא.
- בחר הוסף מסד נתונים, והזן שם עבור מסד הנתונים. זה יוצר את מסד הנתונים של Athena שבו טבלאות המטא נתונים שלך ממוקמות לאחר השלמת הסורק.
- בעד לוח זמנים של סורק, בחר מתזמן מבוסס זמן מועדף (לדוגמה, לפי שעה) כדי לרענן את נתוני Amazon Monitron במסד הנתונים, ובחר הַבָּא.
- עיין בפרטי הסורק ובחר צור.
- על סורקים בעמוד של מסוף הדבק של AWS, בחר את הסורק שיצרת ובחר הפעל סורק.
ייתכן שתצטרך להמתין מספר דקות, בהתאם לגודל הנתונים. כאשר הוא הושלם, סטטוס הסורק יראה כ מוכן. כדי לראות את טבלאות המטא נתונים, נווט אל מסד הנתונים שלך ב- מאגרי מידע דף ובחר לוחות בחלונית הניווט.
אתה יכול גם להציג נתונים על ידי בחירה נתוני טבלה על הקונסולה.
אתה מופנה למסוף Athena כדי להציג את 10 הרשומות המובילות של נתוני Amazon Monitron באמזון S3.
צור לוח מחוונים של מכשירי Amazon Monitron עם Amazon Managed Grafana
בחלק זה, אנו בונים לוח מחוונים מותאם אישית עם Amazon Managed Grafana כדי להמחיש את נתוני Amazon Monitron באמזון S3, כך שצוות OT יוכל לקבל גישה יעילה לנכסים באזעקה בכל צי חיישני Amazon Monitron שלהם. זה יאפשר לצוות ה-OT לתכנן את הפעולות בשלב הבא בהתבסס על הגורם השורשי האפשרי של החריגות.
ל ליצור סביבת עבודה של Grafana, השלם את השלבים הבאים:
- ודא שתפקיד המשתמש שלך הוא מנהל או עורך.
- בקונסולת Amazon Managed Grafana, בחר צור סביבת עבודה.
- בעד שם סביבת העבודה, הזן שם עבור סביבת העבודה.
- בחרו הַבָּא.
- בעד גישת אימות, בחר AWS IAM Identity Center (היורש של AWS Single Sign-On). אתה יכול להשתמש באותו משתמש AWS IAM Identity Center שהשתמשת כדי להגדיר את פרויקט Amazon Monitron שלך.
- בחרו הַבָּא.
- עבור סביבת העבודה הראשונה הזו, אשר זאת שירות מנוהל נבחר עבור סוג הרשאה. בחירה זו מאפשרת ל-Amazon Managed Grafana לספק באופן אוטומטי את ההרשאות הדרושות לך עבור מקורות הנתונים של AWS שבהם אתה משתמש עבור סביבת עבודה זו.
- בחרו חשבון עובר ושב.
- בחרו הַבָּא.
- אשר את פרטי סביבת העבודה ובחר צור סביבת עבודה. דף הפרטים של סביבת העבודה מופיע. בתחילה, הסטטוס הוא יצירה.
- המתן עד שהסטטוס יהיה פעיל כדי להמשיך לשלב הבא.
כדי להגדיר את מקור הנתונים של Athena, בצע את השלבים הבאים:
- בקונסולת Amazon Managed Grafana, בחר את סביבת העבודה עליה תרצה לעבוד.
- על מקורות מידע בחר, בחר אמזונה אתנה, ולבחור פעולות, אפשר מדיניות מנוהלת שירות.
- בחרו הגדר בגרפאנה ב אמזונה אתנה שׁוּרָה.
- היכנס למסוף סביבת העבודה של Grafana באמצעות IAM Identity Center במידת הצורך. מדיניות הגישה של Athena צריכה להיות מחוברת למשתמש או לתפקיד כדי לקבל גישה למקור הנתונים של Athena. לִרְאוֹת מדיניות מנוהלת AWS: AmazonGrafanaAthenaAccess למידע נוסף.
- במסוף סביבת העבודה של Grafana, בחלונית הניווט, בחר את סמל ה-AWS התחתון (יש שניים) ולאחר מכן בחר אתנה על מקורות מידע תפריט.
- בחר את אזור ברירת המחדל שברצונך שמקור הנתונים של Athena ישאל ממנו, בחר את החשבונות הרצויים ולאחר מכן בחר הוסף מקור נתונים.
- עקוב אחר השלבים ל להגדיר את פרטי Athena.
אם לקבוצת העבודה שלך באתנה אין כבר מיקום פלט מוגדר, עליך לציין דלי ותיקיה S3 לשימוש עבור תוצאות שאילתה. לאחר הגדרת מקור הנתונים, תוכל להציג או לערוך אותו ב- תְצוּרָה שִׁמשָׁה.
בתתי הסעיפים הבאים, אנו מדגים מספר פאנלים בלוח המחוונים של Amazon Monitron שנבנה ב-Amazon Managed Grafana כדי לקבל תובנות תפעוליות. מקור הנתונים Athena מספק עורך שאילתות SQL סטנדרטי שבו נשתמש כדי לנתח את נתוני Amazon Monitron כדי ליצור ניתוחים רצויים.
ראשית, אם יש חיישנים רבים בפרויקט אמזון מוניטרון והם במצבים שונים (בריאים, אזהרה, אזעקה וזקוקים לתחזוקה), צוות ה-OT רוצה לראות חזותית את ספירת העמדות שהחיישנים נמצאים במצבים שונים. אתה יכול לקבל מידע כגון ווידג'ט של תרשים עוגה בגראפנה באמצעות השאילתה הבאה של 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;
צילום המסך הבא מציג פאנל עם ההפצה העדכנית ביותר של מצב חיישן מוניטרון של אמזון.
כדי לעצב את שאילתת ה-SQL שלך עבור נתוני Amazon Monitron, עיין ב הבנת סכימת ייצוא הנתונים.
בשלב הבא, ייתכן שצוות טכנולוגיית התפעול שלך ירצה לתכנן תחזוקה חזויה על סמך נכסים שנמצאים במצב אזעקה, ולכן הם רוצים לדעת במהירות את המספר הכולל של אזעקות שאושרו לעומת התראות לא מאושרות. אתה יכול להציג את המידע המסכם של מצב האזעקה כלוחות נתונים סטטיסטיים פשוטים ב-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';
הלוח הבא מציג אזעקות מאושרות ולא מאושרות.
צוות ה-OT יכול גם לשאול את משך הזמן שהחיישנים נשארים במצב אזעקה, כדי שיוכלו להחליט על עדיפות התחזוקה שלהם:
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;
ניתן להמחיש את הפלט של ניתוח זה באמצעות תרשים עמודות ב-Grafana, וניתן לראות בקלות את האזעקה במצב אזעקה כפי שמוצג בצילום המסך הבא.
כדי לנתח את ביצועי הנכס העליון/תחתון בהתבסס על משך הזמן הכולל שבו הנכסים נמצאים במצב אזעקה או זקוקים לתחזוקה, השתמש בשאילתה הבאה:
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;
מד העמודים הבא משמש כדי להמחיש את פלט השאילתה הקודמת, כאשר הנכסים בעלי הביצועים הגבוהים ביותר מציגים 0 ימים של מצבי אזעקה, והנכסים התחתונים מציגים מצבים מדאיגים שנצברו במהלך השנה האחרונה.
כדי לעזור לצוות ה-OT להבין את הסיבה האפשרית לאנומליה, ניתן להציג את סוגי האזעקות עבור נכסים אלה שעדיין נמצאים במצב אזעקה באמצעות השאילתה הבאה:
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');
אתה יכול לדמיין את הניתוח הזה כטבלה בגרפאנה. בפרויקט אמזון מוניטרון זה, הופעלו שתי אזעקות על ידי דגמי ML למדידת רעידות.
לוח המחוונים של Amazon Managed Grafana מוצג כאן למטרות המחשה. אתה יכול להתאים את עיצוב לוח המחוונים בהתאם לצרכי העסק שלך.
דוחות כשל
כאשר משתמש מאשר אזעקה באפליקציית Amazon Monitron, הנכסים המשויכים עוברים למצב חדש. למשתמש יש גם הזדמנות לספק כמה פרטים על אזעקה זו:
- סיבה לכישלון - זה יכול להיות אחד מהבאים: אדמיניסטרציה, עיצוב, ייצור, תחזוקה, תפעול, אחר, איכות, בלאי או לא מוגדר
- מצב כישלון – זה יכול להיות אחד מהאפשרויות הבאות: NO_ISSUE, BLOCKAGE, CAVITATION, CORROSION, DEPOSIT, IMBALANCE, LUBRICATION, MISALIGNMENT, OTHER, RESONANCE, ROTATING_LOOSENESS, STRUCTURAL_LOOSENESS, TRANSMITTED_FAULT, או UNETERMINED
- ננקטה פעולה - זה יכול להיות ADJUST, CLEAN, LUBRICATE, MODIFY, שיפוץ, REPLACE, NO_ACTION או OTHER
עומס האירועים המשויך למעבר מצב הנכס מכיל את כל המידע הזה, המצב הקודם של הנכס והמצב החדש של הנכס. הישאר מעודכן לעדכון של פוסט זה עם פרטים נוספים כיצד תוכל להשתמש במידע זה בפאנל נוסף של Grafana כדי לבנות תרשימי פארטו של הכשלים והפעולות הנפוצות ביותר שננקטו בנכסים שלך.
סיכום
לקוחות ארגוניים של Amazon Monitron מחפשים פתרון לבניית אגם מידע IoT עם הנתונים החיים של Amazon Monitron, כך שהם יכולים לנהל מספר פרויקטים ונכסים של Amazon Monitron, ולהפיק דוחות אנליטיים על פני מספר פרויקטים של Amazon Monitron. פוסט זה מספק הדרכה מפורטת של פתרון לבניית אגם הנתונים של IoT עם העדכניים ביותר תכונת ייצוא נתונים של Amazon Monitron Kinesis v2. פתרון זה גם הראה כיצד להשתמש בשירותי AWS אחרים, כגון AWS Glue ואתנה כדי לבצע שאילתות על הנתונים, ליצור פלטי אנליטיקה ולהמחיש פלטים כאלה עם Amazon Managed Grafana עם רענון תכוף.
כשלב הבא, אתה יכול להרחיב פתרון זה על ידי שליחת תוצאות מסקנות ML למערכות EAM אחרות שבהן אתה עשוי להשתמש לניהול הזמנות עבודה. זה יאפשר לצוות התפעול שלך לשלב את Amazon Monitron עם יישומים ארגוניים אחרים, ולשפר את יעילות התפעול שלהם. אתה יכול גם להתחיל לבנות תובנות מעמיקות יותר לגבי מצבי הכשל והפעולות שננקטו על ידי עיבוד מעברי מצב הנכסים וקודי הסגירה שהם כעת חלק ממטען זרם הנתונים של Kinesis.
על המחברים
ג'וליה הו הוא Sr. AI/ML Solutions Architect ב- Amazon Web Services. יש לה ניסיון רב בארכיטקטורת IoT ו-Applied Data Science, והיא חלק מקהילת השדה הטכני של Machine Learning וה-IoT. היא עובדת עם לקוחות, החל מסטארט-אפים ועד ארגונים, לפיתוח פתרונות למידת מכונה של AWSome IoT (ML), ב-Edge ובענן. היא נהנית למנף את טכנולוגיית ה-IoT והביג דאטה העדכנית ביותר כדי להגדיל את פתרון ה-ML שלה, להפחית את השהיה ולהאיץ את האימוץ בתעשייה.
בישר טבאא הוא ארכיטקט פתרונות ב- Amazon Web Services. בישר מתמחה בסיוע ללקוחות עם יישומי למידת מכונה, אבטחה וצפייה. מחוץ לעבודה, הוא נהנה לשחק טניס, לבשל ולבלות עם המשפחה.
שליקה פרגל הוא מנהל מוצר ב- Amazon Web Services. Shalika מתמקדת בבניית מוצרים ושירותי AI עבור לקוחות תעשייתיים. היא מביאה ניסיון משמעותי בצומת של מוצר, תעשייה ופיתוח עסקי. היא שיתפה לאחרונה סיפור ההצלחה של מוניטרון ב-Reinvent 2022.
גארי גלינסקי הוא אדריכל פתרונות ראשי התומך באמזון ב-AWS. הוא היה מעורב עם Monitron מאז הופעת הבכורה שלו ועזר לשלב ולפרוס את הפתרון ברשת המילוי העולמית של אמזון. לאחרונה הוא שיתף את זה של אמזון סיפור הצלחה של מוניטרון ב-re:Invent 2022.
מיכאל הוראו הוא ארכיטקט פתרונות מומחה בינה מלאכותית/ML ב-AWS המחליף בין מדען נתונים וארכיטקט למידת מכונה, בהתאם לרגע. הוא נלהב להביא את כוח ה-AI/ML לרצפות החנויות של לקוחותיו התעשייתיים ועבד על מגוון רחב של מקרי שימוש ב-ML, החל מזיהוי חריגות לאיכות מוצר חזויה או אופטימיזציה של ייצור. הוא פרסם ספר על ניתוח סדרות זמן בשנת 2022 וכותב באופן קבוע על נושא זה על לינקדין ו בינוני. כשהוא לא עוזר ללקוחות לפתח את חוויות למידת המכונה הטובות הבאות, הוא נהנה להתבונן בכוכבים, לטייל או לנגן בפסנתר.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :יש ל
- :הוא
- :לֹא
- $ למעלה
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- אודות
- להאיץ
- גישה
- פי
- לפיכך
- חשבונות
- מצטבר
- להשיג
- רכישה
- לרוחב
- פעולה
- פעולות
- פעילות
- להסתגל
- נוסף
- מנהל
- מנהל
- אימוץ
- לאחר
- AI
- AI / ML
- סיוע
- אזעקה
- התראות
- תעשיות
- מאפשר
- מאפשר
- כְּבָר
- גם
- אמזון בעברית
- אמזון קינסי
- אמזון ניהלה את גרפאנה
- אמזון שירותי אינטרנט
- כמות
- an
- אנליזה
- אנליטית
- ניתוח
- לנתח
- ניתוחים
- ו
- גילוי חריגות
- אחר
- כל
- האפליקציה
- יישומים
- יישומית
- גישה
- אַפּרִיל
- ארכיטקטורה
- ARE
- AS
- נכס
- ניהול נכסים
- נכסים
- המשויך
- At
- אוטומטי
- באופן אוטומטי
- אוטומציה
- זמין
- מְמוּצָע
- הימנעות
- AWS
- דבק AWS
- בחזרה
- בָּר
- מבוסס
- BE
- להיות
- היה
- לפני
- הטוב ביותר
- מוטב
- בֵּין
- גָדוֹל
- נתונים גדולים
- ספר
- שניהם
- תַחתִית
- מביאים
- מביא
- רחב
- חיץ
- לִבנוֹת
- בִּניָן
- בונה
- נבנה
- עסקים
- פיתוח עסקי
- אבל
- by
- CAN
- יכול לקבל
- ללכוד
- מקרה
- מקרים
- קטלוג
- לגרום
- גורמים
- מרכז
- מרכזים
- האתגרים
- תרשים
- תרשימים
- חדרי צ'אט
- בחרו
- בחירה
- נבחר
- מיון
- סגירה
- ענן
- קוד
- איסוף
- לשלב
- משלב
- שילוב
- מגיע
- Common
- קהילה
- להשלים
- מורכב
- מושג
- מצב
- לאשר
- לְחַבֵּר
- קישוריות
- קונסול
- לצרוך
- להכיל
- מכיל
- רציף
- לִשְׁלוֹט
- יכול
- הסורק
- לִיצוֹר
- נוצר
- יוצר
- יצירה
- לקוחות
- אישית
- אישית
- מחזורי
- לוח מחוונים
- נתונים
- ניתוח נתונים
- אגם דאטה
- מדע נתונים
- מדען נתונים
- מסד נתונים
- תַאֲרִיך
- ימים
- הופעה ראשונה
- להחליט
- בְּרִירַת מֶחדָל
- למסור
- נתן
- מסירה
- להפגין
- תלוי
- לפרוס
- לְהַפְקִיד
- לתאר
- מְתוּאָר
- עיצוב
- רצוי
- מְפוֹרָט
- פרטים
- איתור
- לפתח
- צעצועי התפתחות
- מכשיר
- התקנים
- אחר
- ישירות
- לגלות
- הפצה
- מחולק
- לא
- זמן השבתה
- דינמי
- כל אחד
- מוקדם יותר
- בקלות
- אדג '
- עורך
- יעילות
- יְעִילוּת
- יעיל
- יעילות
- או
- לאפשר
- מופעל
- מאפשר
- מקצה לקצה
- מהנדסים
- מועשר
- מעשיר
- זן
- מִפְעָל
- חברות
- סביבות
- ציוד
- שגיאה
- אירוע
- אירועים
- דוגמה
- דוגמאות
- בלעדי
- קיימים
- לְהַרְחִיב
- ניסיון
- חוויות
- להסביר
- לחקור
- יצוא
- נרחב
- ניסיון רב
- כשלון
- משפחה
- מָשׁוֹב
- מעטים
- שדה
- שדות
- בסופו של דבר
- ראשון
- צי
- קוֹמָה
- מרוכז
- מתמקד
- לעקוב
- הבא
- בעד
- פוּרמָט
- תדר
- תכוף
- החל מ-
- לְהַשִׂיג
- שער כניסה
- ליצור
- נוצר
- לקבל
- נתן
- זכוכית
- קְבוּצָה
- מדריך
- לקרות
- יש
- he
- בְּרִיאוּת
- בריא
- לעזור
- עזר
- עזרה
- כאן
- ברמה גבוהה
- איך
- איך
- HTML
- HTTPS
- יבמ
- ICON
- לזהות
- זהות
- חוסר איזון
- ליישם
- הפעלה
- לשפר
- in
- מעמיק
- לכלול
- כולל
- נכנס
- התעשייה
- תעשייה
- מידע
- מידע
- תשתית
- בהתחלה
- תובנות
- מותקן
- בתשלומים
- למשל
- לשלב
- משולב
- השתלבות
- אינטרנט
- אינטרנט של דברים
- הִצטַלְבוּת
- אל תוך
- מעורב
- IOT
- ISO
- בעיות
- IT
- שֶׁלָה
- להצטרף
- jpg
- ג'סון
- נִלהָב
- מפתח
- מפתחות
- Kinesis Data Firehose
- זרמי נתונים של Kinesis
- לדעת
- אגם
- גָדוֹל
- חֶבִיוֹן
- האחרון
- הושק
- לִלמוֹד
- למידה
- רמה
- מינוף
- להגביל
- מוגבל
- קווים
- צמוד
- לינקדין
- לחיות
- נתונים חיים
- ממוקם
- מיקום
- הסתכלות
- מכונה
- למידת מכונה
- מכונות
- ראשי
- לתחזק
- תחזוקה
- גדול
- לעשות
- לנהל
- הצליח
- ניהול
- מנהל
- מנהלים
- ניהול
- ייצור
- רב
- לְהַגדִיל
- מאי..
- למדוד
- מֵכָנִי
- בינוני
- תפריט
- מידע נוסף
- יכול
- דקות
- חסר
- ML
- סלולרי
- אפליקציה לנייד
- מודל
- מודלים
- מצבי
- לשנות
- רֶגַע
- צג
- ניטור
- חודשים
- יותר
- יותר יעיל
- רוב
- מספר
- שם
- נווט
- ניווט
- הכרחי
- צורך
- צרכי
- רשת
- חדש
- הבא
- עַכשָׁיו
- מספר
- אובייקטים
- להשיג
- of
- on
- ONE
- רק
- נפתח
- להפעיל
- פועל
- מבצע
- מבצעי
- תפעול
- מפעילי
- הזדמנות
- אופטימיזציה
- or
- להזמין
- הזמנות
- ארגון
- אחר
- שלנו
- תפוקה
- בחוץ
- יותר
- מקיף
- לְשַׁפֵּץ
- שֶׁלוֹ
- עמוד
- זגוגית
- לוח
- פנלים
- חלק
- לוהט
- עבר
- נתיב
- לְבַצֵעַ
- ביצועים
- ביצוע
- תקופתי
- רשות
- הרשאות
- תכנית
- תכנון
- צמחים
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- מדיניות
- עמדה
- עמדות
- אפשרי
- הודעה
- פוטנציאל
- כּוֹחַ
- תרגול
- אנליטי חזוי
- מועדף
- תנאים מוקדמים
- קודם
- מנהל
- עדיפות
- פרואקטיבי
- תהליך
- תהליכים
- תהליך
- לייצר
- המוצר
- מנהל מוצר
- איכות המוצר
- הפקה
- מוצרים
- פּרוֹיֶקט
- פרויקטים
- לספק
- ובלבד
- מספק
- אַספָּקָה
- לאור
- למטרות
- איכות
- מהירות
- רכס
- טִוּוּחַ
- RE
- חומר עיוני
- זמן אמת
- טעם
- לאחרונה
- רשום
- להפחית
- באזור
- באופן קבוע
- לתגבר
- אמינות
- אָמִין
- להשאר
- שְׂרִידִים
- להחליף
- דווח
- דוחות לדוגמא
- תהודה
- משאבים
- תוצאות
- הסיכון
- תפקיד
- חדרים
- שורש
- שׁוּרָה
- הפעלה
- ריצה
- s
- אותו
- מוהל
- סולם
- מדע
- מַדְעָן
- היקף
- סעיף
- סעיפים
- מאובטח
- אבטחה
- נבחר
- מבחר
- שליחה
- חיישנים
- סדרה
- שרות
- שירותים
- סט
- הצבה
- התקנה
- כמה
- שיתוף
- משותף
- חנות
- צריך
- לְהַצִיג
- הראה
- הופעות
- משמעותי
- דומה
- פָּשׁוּט
- since
- יחיד
- אתר
- אתרים
- מידה
- So
- תוכנה
- פִּתָרוֹן
- פתרונות
- כמה
- מָקוֹר
- מקורות
- מומחה
- מתמחה
- מפורט
- לבלות
- הוצאה
- תֶקֶן
- כוכבים
- התחלה
- חברות סטארט-אפ
- החל
- מדינה
- הברית
- סטטיסטיקה
- סטטיסטיקות
- מצב
- להשאר
- שלב
- צעדים
- עוד
- אחסון
- חנות
- אסטרטגי
- אִסטרָטֶגִיָה
- זרם
- זִרמִי
- זרמים
- הצלחה
- כזה
- סיכום
- תמיכה
- מסייע
- מערכת
- מערכות
- שולחן
- ממוקד
- המשימות
- נבחרת
- צוותי
- טכני
- טכנולוגיה
- מֵאֲשֶׁר
- תודה
- זֶה
- השמיים
- המדינה
- שֶׁלָהֶם
- שם.
- לכן
- אלה
- הֵם
- דברים
- צד שלישי
- זֶה
- השנה
- שְׁלוֹשָׁה
- זמן
- סדרת זמן
- ציר זמן
- חותם
- ל
- כלי
- חלק עליון
- 10 למעלה
- נושא
- סה"כ
- לעקוב
- הדרכה
- להעביר
- מַעֲבָר
- מעברים
- נסיעה
- להפעיל
- מופעל
- סוגים
- להבין
- עדכון
- זמן פעולה תקין
- להשתמש
- מְשׁוּמָשׁ
- משתמש
- משתמשים
- באמצעות
- v1
- שונים
- באמצעות
- וִידֵאוֹ
- לצפיה
- vs
- לחכות
- בהדרכה
- אזהרה
- היה
- דרכים
- we
- אינטרנט
- שירותי אינטרנט
- טוֹב
- היו
- מה
- אשר
- בזמן
- מי
- כל
- רָחָב
- טווח רחב
- יצטרך
- עם
- תיק עבודות
- עבד
- זרימות עבודה
- קבוצת עבודה
- עובד
- עולמי
- שנה
- אתה
- YouTube
- זפירנט