Matarat의 Moulham Zahabi와 공동으로 작성한 게스트 게시물입니다.
비행기를 탈 때 모두가 짐을 맡기고, 짐이 회전 목마에 나타날 때까지 애타게 기다렸을 것입니다. 가방의 성공적이고 시기 적절한 배송은 BHS(수하물 처리 시스템)라는 대규모 인프라에 달려 있습니다. 이 인프라는 성공적인 공항 운영의 핵심 기능 중 하나입니다. 출발 및 도착 항공편의 수하물과 화물을 성공적으로 처리하는 것은 고객 만족을 보장하고 공항 운영 우수성을 제공하는 데 매우 중요합니다. 이 기능은 BHS의 지속적인 작동과 유지 보수 작업의 효율성에 크게 의존합니다. 공항의 생명줄인 BHS는 길이가 34,000미터(단일 공항의 경우)를 초과할 수 있는 선형 자산으로 연간 70천만 개 이상의 가방을 처리하며 가장 복잡한 자동화 시스템 중 하나이자 공항 운영의 필수 구성 요소입니다.
컨베이어 벨트, 캐러셀 또는 분류기 등 수하물 처리 시스템의 예기치 않은 중단 시간은 공항 운영을 방해할 수 있습니다. 이러한 중단은 불쾌한 승객 경험을 야기하고 공항 서비스 제공업체에 벌금을 부과할 수 있습니다.
수하물 처리 시스템을 유지 관리하는 일반적인 문제는 7,000개 이상의 자산과 백만 개 이상의 설정점으로 구성된 통합 시스템을 지속적으로 운영하는 방법입니다. 이 시스템은 또한 모양과 크기가 다른 수백만 개의 백을 처리합니다. 수하물 처리 시스템은 오류가 발생하기 쉽다고 가정하는 것이 안전합니다. 요소는 닫힌 루프에서 작동하기 때문에 하나의 요소가 고장 나면 전체 라인에 영향을 미칩니다. 기존의 유지 관리 활동은 작동 오류가 발생할 경우 운영자가 파견하는 BHS를 따라 주요 위치에 분산된 상당한 규모의 인력에 의존합니다. 유지보수 팀은 또한 공급업체 권장 사항에 크게 의존하여 예방 유지보수를 위한 가동 중지 시간을 예약합니다. 예방적 유지보수 활동이 제대로 구현되었는지 확인하거나 이러한 유형의 자산 성능을 모니터링하는 것은 신뢰할 수 없으며 예기치 않은 가동 중단 위험을 줄이지 않습니다.
예비 부품 관리는 글로벌 공급망 중단으로 인해 리드 타임이 증가하고 있지만 재고 보충 결정은 과거 추세를 기반으로 하기 때문에 추가적인 과제입니다. 또한 이러한 경향은 BHS 자산이 노후화됨에 따라 운영되는 변동적이고 역동적인 환경을 통합하지 않습니다. 이러한 문제를 해결하려면 유지 관리 전략에서 반응적 사고 방식에서 사전 예방적 사고 방식으로 전환해야 합니다. 이러한 변화로 인해 운영자는 최신 기술을 활용하여 유지 관리 활동을 간소화하고 운영을 최적화하며 운영 비용을 최소화해야 합니다.
이 게시물에서는 AWS 파트너 Airis 솔루션이 어떻게 사용되었는지 설명합니다. 장비에 대한 Amazon Lookout, AWS 사물 인터넷(IoT) 서비스 및 클라우드레일 이러한 문제를 해결하기 위한 최첨단 솔루션을 제공하는 센서 기술.
수하물 처리 시스템 개요
다음 다이어그램과 표는 리야드의 킹 칼리드 국제공항에 있는 일반적인 회전 목마에서 측정한 측정치를 보여줍니다.
데이터는 다이어그램에 표시된 여러 위치에서 수집됩니다.
센서 유형 | 사업 가치 | 데이터 세트 | 주소 |
IO 링크 속도 센서 | 균일한 캐러셀 속도 | PDV1(분당 1개) | C |
통합된 진동 센서 온도센서 |
느슨한 나사, 샤프트 정렬 불량, 베어링 손상, 모터 권선 손상 |
피로(v-RMS)(m/s) 충격(a-피크)(m/s^2) 마찰(a-RMS)(m/s^2) 온도 (C) 문장 |
A와 B |
거리 PEC 센서 | 수하물 처리량 | 거리(cm) | D |
다음 이미지는 다양한 측정을 위한 환경 및 모니터링 장비를 보여줍니다.
솔루션 개요
수하물 처리 시스템용 예측 유지보수 시스템(PdMS)은 공항 유지보수 운영자가 계획되지 않은 다운타임을 개선할 수 있는 원동력으로 데이터를 확보할 수 있도록 지원하는 참조 아키텍처입니다. 여기에는 연결된 센서 및 서비스의 개발 및 배포를 가속화하는 빌딩 블록이 포함되어 있습니다. PdMS에는 에지 컴퓨팅 장치 및 BHS 자산의 수명 주기, 클라우드 데이터 수집, 스토리지, 기계 학습(ML) 추론 모델 및 클라우드에서 사전 예방적 장비 유지 관리를 지원하는 비즈니스 로직을 안전하게 관리하는 AWS 서비스가 포함되어 있습니다.
이 아키텍처는 수년에 걸쳐 공항 운영과 함께 일하면서 얻은 교훈을 바탕으로 구축되었습니다. 제안된 솔루션은 AWS 프리미어 파트너인 Northbay Solutions의 지원으로 개발되었으며 모든 규모의 공항에 90일 이내에 수천 개의 연결된 장치에 배포할 수 있습니다.
다음 아키텍처 다이어그램은 예측 유지 관리 솔루션을 구축하는 데 사용되는 기본 구성 요소를 보여줍니다.
다음 서비스를 사용하여 아키텍처를 조립합니다.
- CloudRail.DMC는 독일 IoT 전문가인 CloudRail GmbH에서 제공하는 SaaS(Software as a Service) 솔루션입니다. 이 조직은 전 세계적으로 분산된 에지 게이트웨이 플릿을 관리합니다. 이 서비스를 사용하면 몇 번의 클릭만으로 산업용 센서, 스마트 미터 및 OPC UA 서버를 AWS 데이터 레이크에 연결할 수 있습니다.
- AWS IoT 코어 인프라를 관리하지 않고도 수십억 개의 IoT 디바이스를 연결하고 수조 개의 메시지를 AWS 서비스로 라우팅할 수 있습니다. 낮은 대기 시간과 높은 처리량으로 모든 IoT 장치 및 애플리케이션과 메시지를 안전하게 전송합니다. AWS IoT Core를 사용하여 CloudRail 센서에 연결하고 측정값을 AWS 클라우드로 전달합니다.
- AWS IoT 분석 IoT 분석 플랫폼을 구축하는 데 일반적으로 필요한 비용과 복잡성에 대해 걱정할 필요 없이 방대한 양의 IoT 데이터에 대한 정교한 분석을 쉽게 실행하고 운용할 수 있게 해주는 완전 관리형 서비스입니다. 정확한 통찰력을 얻기 위해 IoT 데이터에 대한 분석을 실행하는 쉬운 방법입니다.
- 장비에 대한 Amazon Lookout 장비 센서의 데이터를 분석하여 자산별 데이터를 기반으로 장비에 대한 ML 모델을 자동으로 생성합니다. 데이터 과학 기술이 필요하지 않습니다. Lookout for Equipment는 들어오는 센서 데이터를 실시간으로 분석하고 예기치 않은 가동 중단으로 이어질 수 있는 조기 경고 신호를 정확하게 식별합니다.
- 아마존 퀵 사이트 조직의 모든 사람이 자연어로 질문하고, 대화형 대시보드를 통해 정보를 시각화하고, ML로 구동되는 패턴과 이상값을 자동으로 찾아 데이터를 이해할 수 있습니다.
다음 다이어그램에 설명된 대로 이 아키텍처를 사용하면 센서 데이터가 운영 통찰력으로 흐를 수 있습니다.
데이터 포인트는 IO-Link 센서를 사용하여 수집됩니다. IO-Link는 산업 자산(이 경우 수하물 처리 시스템)의 제어 수준에서 센서 수준으로 원활한 통신을 가능하게 하는 표준화된 인터페이스입니다. 이 프로토콜은 센서 데이터를 CloudRail 에지 게이트웨이에 공급하고 AWS IoT Core에 로드하는 데 사용됩니다. 그런 다음 후자는 ML 모델에 장비 데이터를 제공하여 불필요한 비용 발생 없이 자산 유지 관리 또는 교체를 위한 최적의 시기를 결정하는 데 사용할 수 있는 운영 및 장비 문제를 식별합니다.
데이터 수집
기존 자산과 제어 시스템을 클라우드로 개조하는 것은 장비 운영자에게 여전히 어려운 접근 방식입니다. 보조 센서를 추가하면 기존 시스템을 방해하지 않으면서 필요한 데이터를 빠르고 안전하게 수집할 수 있습니다. 따라서 기계의 PLC를 직접 연결하는 것보다 쉽고 빠르며 비침입적입니다. 또한 개조된 센서를 선택하여 특정 고장 모드에 필요한 데이터 포인트를 정확하게 측정할 수 있습니다.
CloudRail을 사용하면 모든 산업용 IO-Link 센서를 AWS IoT Core와 같은 AWS 서비스에 연결할 수 있습니다. AWS IoT 사이트와이즈및 AWS IoT 그린그래스 클라우드 기반 장치 관리 포털(CloudRail.DMC)을 통해 몇 초 안에. 이를 통해 IoT 전문가는 중앙 위치와 전 세계적으로 분산된 온보드 물리적 시스템에서 작업할 수 있습니다. 이 솔루션은 손쉬운 플러그 앤 플레이 메커니즘을 통해 예측 유지 관리 시스템의 데이터 연결 문제를 해결합니다.
게이트웨이는 장비(OT)와 클라우드 서비스(IT) 사이에서 IDMZ(산업 비무장 지대) 역할을 합니다. 통합 차량 관리 애플리케이션을 통해 CloudRail은 최신 보안 패치가 수천 개의 설치에 자동으로 적용되도록 합니다.
다음 이미지는 IO-Link 센서와 CloudRail 에지 게이트웨이(주황색)를 보여줍니다.
이상 감지 모델 교육
대부분의 산업 부문의 조직은 현대적인 유지 관리 전략이 장애에 대한 실행, 반응적 접근 방식에서 벗어나 보다 예측 가능한 방법으로 발전하는 것을 봅니다. 그러나 상태 기반 또는 예측 유지 관리 방식으로 전환하려면 시설 전체에 설치된 센서에서 데이터를 수집해야 합니다. 분석과 함께 이러한 센서에서 캡처한 과거 데이터를 사용하면 장비 고장의 전조를 식별하는 데 도움이 되며, 이를 통해 유지보수 담당자는 고장 전에 그에 따라 조치를 취할 수 있습니다.
예측 유지보수 시스템은 고장이 발생할 수 있는 시기를 식별하는 기능에 의존합니다. 장비 OEM은 일반적으로 장비에 대한 데이터시트를 제공하고 거의 완벽에 가까운 조건을 기반으로 특정 운영 지표를 모니터링할 것을 권장합니다. 그러나 이러한 조건은 자산의 자연적인 마모, 운영 환경 조건, 과거 유지 관리 이력 또는 비즈니스 성과를 달성하기 위해 운영해야 하는 방식으로 인해 거의 현실적이지 않습니다. 예를 들어, 이 개념 증명을 위해 두 개의 동일한 모터(제조업체, 모델, 생산 날짜)가 동일한 캐러셀에 설치되었습니다. 이러한 모터는 다양한 날씨 노출로 인해 다양한 온도 범위에서 작동했습니다(컨베이어 벨트의 한 부분은 내부에 있고 다른 부분은 공항 터미널 외부에 있음).
모터 1은 32–35°C 범위의 온도에서 작동했습니다. 진동 속도 RMS는 모터 피로로 인해 변경될 수 있습니다(예: 정렬 오류 또는 불균형 문제). 다음 그림에서 볼 수 있듯이 이 모터는 2~6 범위의 피로 수준을 나타내며 일부 피크는 9에서 나타납니다.
모터 2는 온도 범위가 20~25°C인 서늘한 환경에서 작동했습니다. 이 맥락에서 모터 2는 4-8 사이의 피로 수준을 나타내며 일부 최고점은 10입니다.
대부분의 ML 접근 방식은 각 자산을 운영하고 유지 관리하는 방식(예: 장애 성능 저하 패턴)에서 추출해야 하는 매우 구체적인 도메인 지식 및 정보(종종 얻기 어렵음)를 기대합니다. 이 작업은 새 자산을 모니터링할 때마다 또는 자산 상태가 크게 변경되는 경우(예: 부품을 교체하는 경우) 수행해야 합니다. 이는 프로토타이핑 단계에서 제공되는 우수한 모델이 다른 자산에 롤아웃될 때 성능이 저하되어 시스템의 정확도가 크게 떨어지고 결국 최종 사용자의 신뢰를 잃게 된다는 것을 의미합니다. 이것은 또한 많은 잘못된 긍정을 유발할 수 있으며 모든 노이즈에서 유효한 신호를 찾는 데 필요한 기술이 필요합니다.
Lookout for Equipment는 시계열 데이터만 분석하여 신호 간의 정상적인 관계를 학습합니다. 그런 다음 이러한 관계가 정상적인 작동 조건(훈련 상태에서 캡처됨)에서 벗어나기 시작하면 서비스에서 이상 징후를 표시합니다. 우리는 각 자산에 대한 과거 데이터를 엄격하게 사용함으로써 자산이 작동하는 바로 그 환경에서 주어진 자산에 고유한 작동 조건을 학습할 수 있는 기술에 집중할 수 있다는 것을 발견했습니다. 이를 통해 근본 원인 분석 및 예측 유지 관리 사례를 지원하는 예측을 제공할 수 있습니다. 세분화된 자산별 수준 및 매크로 수준에서(한 번에 여러 자산에 대한 개요를 얻을 수 있도록 적절한 대시보드를 조합하여). 이것이 우리가 취한 접근 방식이자 Lookout for Equipment를 사용하기로 결정한 이유입니다.
교육 전략: 콜드 스타트 챌린지 해결
우리가 목표로 삼은 BHS는 처음에는 계측되지 않았습니다. CloudRail 센서를 설치하여 시스템에서 새로운 측정값을 수집하기 시작했지만 이는 ML 모델을 교육할 수 있는 기록 깊이가 제한적이라는 것을 의미했습니다. 우리는 지속적으로 개선되는 시스템을 구축하고 있음을 인식하여 이 경우 콜드 스타트 문제를 해결했습니다. 센서를 설치한 후 한 시간 분량의 데이터를 수집하고 이 정보를 복제하여 최대한 빨리 Lookout for Equipment 사용을 시작하고 전체 파이프라인을 테스트했습니다.
예상대로 첫 번째 결과는 ML 모델이 매우 짧은 작업 기간에 노출되었기 때문에 상당히 불안정했습니다. 이는 처음 한 시간 동안 표시되지 않은 새로운 행동이 표시된다는 것을 의미했습니다. 최상위 센서를 보면 모터 중 하나의 온도가 주요 용의자로 보였습니다(T2_MUC_ES_MTRL_TMP
다음 그림에서 주황색으로 표시됨). 초기 데이터 캡처가 매우 좁았기 때문에(1시간) 하루 동안 주요 변화는 온도 값(당시 환경 조건과 일치)에서 발생했습니다.
이것을 이 특정 컨베이어 벨트 주변의 환경 조건과 일치시켰을 때 외부 온도가 심하게 증가했고, 그 결과 이 센서에서 측정된 온도가 증가했음을 확인했습니다. 이 경우 새 데이터(외부 온도 증가를 고려)가 교육 데이터 세트에 통합된 후 Lookout for Equipment에서 캡처한 정상적인 동작의 일부가 되며 향후 유사한 동작으로 온도가 상승할 가능성이 줄어듭니다. 이벤트.
5일 후, 모델을 다시 훈련시켰고 거짓 긍정 비율이 즉시 크게 떨어졌습니다.
이 콜드 스타트 문제는 실행 가능한 통찰력을 얻기 위한 초기 과제였지만 이 기회를 사용하여 최종 사용자가 쉽게 트리거할 수 있는 재교육 메커니즘을 구축했습니다. 실험 한 달 후 우리는 한 달 분량의 센서 데이터를 3개월로 복제하여 새로운 모델을 훈련했습니다. 이것은 모델이 더 광범위한 조건에 노출됨에 따라 위양성 비율을 계속해서 감소시켰습니다. 이 재교육 후에 유사한 오탐률 감소가 발생했습니다. 시스템에서 모델링한 조건은 사용자가 실생활에서 경험하는 것과 더 가깝습니다. 3개월 후 마침내 이 복제 트릭을 사용하지 않고 사용할 수 있는 데이터 세트를 갖게 되었습니다.
지금부터 우리는 3개월마다 재교육을 시작하고 가능한 한 빨리 환경 조건 계절성을 설명하기 위해 최대 1년의 데이터를 사용할 것입니다. 이 시스템을 다른 자산에 배포할 때 이 자동화된 프로세스를 재사용하고 초기 교육을 사용하여 센서 데이터 파이프라인을 검증할 수 있습니다.
모델이 훈련된 후 우리는 모델을 배포하고 Lookout for Equipment에 실시간 데이터를 보내기 시작했습니다. Lookout for Equipment를 사용하면 훈련된 모델에 새로운 데이터를 보내고 결과를 수집하기 위해 정기적으로(예: 매시간) 깨어나는 스케줄러를 구성할 수 있습니다.
이제 모델을 교육, 개선 및 배포하는 방법을 알았으므로 최종 사용자를 위해 구현된 운영 대시보드를 살펴보겠습니다.
데이터 시각화 및 인사이트
최종 사용자는 자산 활용도를 개선하기 위해 운영 데이터에서 더 많은 가치를 추출할 수 있는 방법이 필요합니다. QuickSight를 사용하여 대시보드를 IoT 시스템에서 제공하는 원시 측정 데이터에 연결하여 사용자가 주어진 BHS에서 장비의 주요 부분을 비교하고 대조할 수 있도록 했습니다.
다음 대시보드에서 사용자는 BHS의 상태를 모니터링하는 데 사용되는 주요 센서를 확인하고 기간별 지표 변화를 얻을 수 있습니다.
이전 플롯에서 사용자는 각 모터에 대한 예상치 못한 측정 불균형을 시각화할 수 있습니다(온도, 피로, 진동, 마찰 및 충격에 대한 왼쪽 및 오른쪽 플롯). 하단에는 예측 및 기간별 추세가 표시된 핵심 성과 지표가 요약되어 있습니다.
최종 사용자는 다음 목적으로 정보에 액세스할 수 있습니다.
- 2시간에서 최대 24시간 간격으로 기록 데이터를 봅니다.
- 외부 통합을 위해 CSV 형식으로 원시 데이터를 추출합니다.
- 일정 기간 동안 자산 성능을 시각화합니다.
- 운영 계획에 대한 인사이트를 생성하고 자산 활용도를 개선합니다.
- 상관 분석을 수행합니다. 다음 도표에서 사용자는 여러 측정값(예: 모터 피로 대 온도 또는 수하물 처리량 대 회전 목마 속도)을 시각화하고 이 대시보드를 사용하여 차선책 유지 관리 조치를 더 잘 알릴 수 있습니다.
데이터에서 노이즈 제거
몇 주 후 우리는 Lookout for Equipment가 가양성으로 생각되는 일부 이벤트를 내보내고 있음을 확인했습니다.
이러한 이벤트를 분석할 때 캐러셀 모터의 속도가 불규칙적으로 떨어지는 것을 발견했습니다.
우리는 유지보수 팀을 만났고 그들은 이러한 정지가 비상 정지이거나 계획된 다운타임 유지보수 활동이라고 말했습니다. 이 정보를 사용하여 우리는 비상 정지를 비정상으로 분류하고 Lookout for Equipment에 제공했으며 계획된 가동 중지 시간은 이 캐러셀의 정상적인 동작으로 간주했습니다.
비정상적인 데이터가 제어된 외부 작업의 영향을 받을 수 있는 시나리오를 이해하는 것은 시간이 지남에 따라 이상 탐지 모델 정확도를 개선하는 데 중요합니다.
연기 테스트
모델을 재교육하고 상대적으로 이상 현상이 없는지 몇 시간 후 우리 팀은 자산에 물리적 스트레스를 가했고 시스템에서 즉시 감지했습니다. 이는 사용자가 시스템과 반응 방식에 익숙해져야 하기 때문에 일반적인 요청입니다.
우리는 최종 사용자가 기간 제한 없이 과거 이상 현상을 시각화할 수 있도록 대시보드를 구축했습니다. 비즈니스 인텔리전스 서비스를 사용하여 마음대로 데이터를 구성할 수 있으며, 24시간 동안의 막대 차트 또는 파이 차트가 BHS의 상태를 잘 볼 수 있는 가장 좋은 방법이라는 것을 알게 되었습니다. 사용자가 필요할 때마다 볼 수 있는 대시보드 외에도 지정된 이메일 주소와 문자 메시지로 전송되는 자동 알림을 설정합니다.
이상 감지 모델에서 심층 인사이트 추출
앞으로 우리는 Lookout for Equipment로 훈련된 이상 탐지 모델에서 더 깊은 인사이트를 추출할 계획입니다. 우리는 계속해서 QuickSight를 사용하여 확장된 위젯 세트를 구축할 것입니다. 예를 들어, 데이터 시각화 위젯이 Lookout for Equipment용 GitHub 샘플 모델의 원시 출력에서 훨씬 더 많은 통찰력을 추출할 수 있습니다.
결과
수하물 처리 시스템의 사후 유지 관리는 다음과 같이 해석됩니다.
- 긴 대기 시간 또는 수하물 손상으로 인한 승객 만족도 저하
- 계획되지 않은 고장 및 중요한 예비 부품의 재고 부족으로 인한 자산 가용성 감소
- 높은 유지 보수 비용 외에 재고 수준 증가로 인한 운영 비용 증가
신뢰할 수 있는 예측 분석을 의사 결정 주기에 통합하도록 유지 관리 전략을 발전시키는 것은 자산 운영을 개선하고 강제 종료를 방지하는 데 도움이 되는 것을 목표로 합니다.
모니터링 장비는 하루 만에 로컬에 설치되었으며 IoT 전문가가 완전히 원격으로 구성했습니다. 솔루션 개요에 설명된 클라우드 아키텍처는 1일 이내에 성공적으로 배포되었습니다. 빠른 구현 시간은 최종 사용자에게 제안된 이점을 입증하여 유지 관리 전략을 인간 기반의 사후 대응(고장 수정)에서 기계 기반의 데이터 중심 사전 예방(중단 시간 방지)으로 신속하게 전환합니다.
결론
Airis, CloudRail, Northbay Solutions 및 AWS 간의 협력으로 King Khalid 국제공항에서 새로운 성과를 거두었습니다(참조: 보도 자료 상세 사항은). 디지털 혁신 전략의 일환으로 리야드 공항은 탑승교 및 HVAC 시스템과 같은 다른 전기 기계 시스템을 포괄하기 위해 추가 배치를 계획하고 있습니다.
이 게시물에 대한 의견이 있으면 의견 섹션에 제출하십시오. 이 솔루션 또는 그 구현에 대해 질문이 있는 경우 다음에서 새 스레드를 시작하십시오. re:포스트, AWS 전문가와 더 광범위한 커뮤니티가 귀하를 지원할 수 있습니다.
저자 소개
물함 자하비 항공 프로젝트 설계 및 관리와 GCC 지역의 중요한 공항 자산 관리 분야에서 11년 이상의 경험을 가진 항공 전문가입니다. 그는 또한 공항 및 물류 센터를 위한 혁신적인 AI/ML 솔루션을 통해 항공 산업의 디지털 전환을 주도하는 것을 목표로 하는 Airis-Solutions.ai의 공동 창립자 중 한 명입니다. 오늘날 Moulham은 Saudi Civil Aviation Holding Company(Matarat)의 자산 관리 이사를 이끌고 있습니다.
파우잔 칸 공공 부문 고객과 협력하여 AWS 워크로드 및 아키텍처를 설계, 배포 및 관리하기 위한 지침을 제공하는 선임 솔루션 아키텍트입니다. Fauzan은 고객이 HPC 및 AI/ML 분야에서 혁신적인 클라우드 기술을 채택하여 비즈니스 과제를 해결하도록 돕는 데 열정적입니다. 업무 외 시간에 Fauzan은 자연에서 시간을 보내는 것을 즐깁니다.
미하엘 후 아우 순간에 따라 데이터 과학자와 기계 학습 설계자를 번갈아 가며 수행하는 AWS의 AI/ML 전문 솔루션 설계자입니다. 그는 산업 고객의 작업 현장에 AI/ML 기능을 제공하는 데 열정적이며 이상 감지에서 예측 제품 품질 또는 제조 최적화에 이르기까지 광범위한 ML 사용 사례에서 작업했습니다. 그는 출판 시계열 분석에 관한 책 2022년에 이 주제에 대해 정기적으로 글을 씁니다. 링크드인 및 중급. 고객이 차선책 기계 학습 경험을 개발하도록 돕지 않을 때는 별을 관찰하거나 여행하거나 피아노를 연주하는 것을 즐깁니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :이다
- $UP
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- 할 수 있는
- 소개
- 가속
- ACCESS
- 따라서
- 계정
- 회계
- 정확한
- 정확히
- 달성
- 성취
- 달성
- 얻다
- 가로질러
- 행동
- 동작
- 행위
- 방과 후 액티비티
- 행위
- 또한
- 추가
- 또한
- 주소
- 주소 지정
- 채택
- 후
- AI
- AI / ML
- 에이즈
- 목표
- 공항
- 공항
- 알림
- 조정
- All
- 허용
- 수
- 아마존
- 장비에 대한 Amazon Lookout
- 분석
- 분석
- 복수
- 분석하는
- 및
- 매년
- 이상 감지
- 표시
- 어플리케이션
- 어플리케이션
- 접근
- 구혼
- 적당한
- 아키텍처
- 있군요
- 지역
- 약
- 도착하는
- AS
- 유산
- 자산 관리
- 자산
- At
- 자동화
- 자동적으로
- 유효성
- 비행
- AWS
- 가방
- 바
- 기반으로
- BE
- 때문에
- 전에
- 혜택
- BEST
- 더 나은
- 사이에
- 수십억
- 블록
- 탑승
- 책
- 바닥
- 경계
- 분석
- 휴식
- 다리
- 가져
- 더 넓은
- 빌드
- 건물
- 내장
- 사업
- 비즈니스 인텔리전스
- by
- 라는
- CAN
- 포착
- 회전 목마
- 케이스
- 가지 경우
- 원인
- 센터
- 중앙
- 어떤
- 체인
- 도전
- 과제
- 도전
- 이전 단계로 돌아가기
- 변경
- 차트
- 검사
- 닫은
- 자세히
- 클라우드
- 공동 설립자
- 수집
- 수집
- 오는
- 댓글
- 공통의
- 의사 소통
- 커뮤니티
- 회사
- 비교
- 비교
- 완전히
- 복잡한
- 복잡성
- 구성 요소
- 구성 요소들
- 계산
- 개념
- 조건
- 조건
- 자신
- 확인 됨
- 연결하기
- 연결
- 연결
- 입/출력 라인
- 고려
- 일관된
- 이 포함되어 있습니다
- 문맥
- 계속
- 계속
- 끊임없는
- 지속적으로
- 대조
- 제어
- 통제
- 컨트롤
- 협력
- 핵심
- 상관 관계
- 비용
- 비용
- 수
- 계수기
- 코스
- 엄호
- 만들
- 임계
- 고객
- 고객 만족
- 고객
- 주기
- 계기반
- 데이터
- 데이터 레이크
- 데이터 점수
- 데이터 과학
- 데이터 과학자
- 데이터 시각화
- 데이터 중심
- 날짜
- 일
- 일
- 결정된
- 의사 결정
- 결정
- 깊이
- 배달하다
- 전달
- 배달
- 의존하는
- 의존
- 따라
- 배포
- 배포
- 배치
- 전개
- 배포
- 깊이
- 설명
- 기술 된
- 디자인
- 지정
- 설계
- 세부설명
- 탐지 된
- Detection System
- 결정
- 결정
- 개발
- 개발
- 개발
- 장치
- 디바이스
- 다른
- 어려운
- 디지털
- 디지털 전환
- 곧장
- 발견
- 혼란
- 붕괴
- 혼란
- 거리
- 분산
- 하지 않습니다
- 도메인
- 말라
- 아래 (down)
- 중단 시간
- 대폭적으로
- 드롭
- 드랍스
- ...동안
- 동적
- 마다
- 초기의
- 쉽게
- 용이하게
- Edge
- 유효성
- 중
- 요소
- 요소
- 이메일
- 비상 사태
- 가능
- 수
- 확인
- 보장
- 전체의
- 환경
- 환경
- 장비
- 오류
- 오류
- 조차
- 이벤트
- 이벤트
- 모든
- 사람
- 예
- 예
- 넘다
- 탁월함 <br>(Excellence)
- 현존하는
- 확대하는
- 기대
- 기대하는
- 경비
- 경험
- 체험
- 체험
- 전문가
- 전문가
- 드러난
- 노출 시간
- 외부
- 추출물
- 고장
- 친하게 하다
- FAST
- 빠른
- 피로
- 연방 준비 은행
- 를
- 그림
- 최종적으로
- Find
- 먼저,
- 신고 된
- 함대
- 항공편
- 흐름
- 나는
- 초점
- 수행원
- 럭셔리
- 예보
- 체재
- 앞으로
- 발견
- 신선한
- 마찰
- 에
- 충분히
- 기능
- 기능
- 추가
- 미래
- 이득
- 게이트웨이
- GCC
- GCC 지역
- 독일 사람
- 얻을
- 주어진
- 글로벌
- 세계적으로
- GMBH
- 좋은
- 큰
- 손님
- 고객 포스트
- 지도
- 핸들
- 처리
- 발생
- 일이
- 있다
- 데
- 표제
- 무겁게
- 도움
- 도움이
- 도움이
- 높은
- 더 높은
- 역사적인
- history
- 히트
- 보유
- 진료 시간
- 방법
- How To
- 그러나
- HPC
- HTTPS
- 같은
- 식별하다
- 확인
- 영상
- 형상
- 불규형
- 바로
- 영향
- 이행
- 구현
- 두다
- 개선
- 개선
- in
- 포함
- 들어오는
- 통합
- Incorporated
- 증가
- 증가
- 증가
- 표시
- 산업
- 업계
- 영향을받은
- 통보
- 정보
- 정보
- 인프라
- 처음에는
- 혁신적인
- 통찰력
- 설치
- 예
- 통합 된
- 완성
- 인텔리전스
- 의도
- 대화형
- 인터페이스
- 간섭
- 국제 노동자 동맹
- 인터넷
- 사물의 인터넷
- 목록
- IOT
- IoT 장치
- 문제
- IT
- 그
- 여행
- JPG
- 키
- 왕
- 알아
- 지식
- 소금물
- 언어
- 숨어 있음
- 최근
- 시작
- 리드
- 지도
- 배우다
- 배운
- 배우기
- 지도
- 길이
- 레슨
- 배운
- 수
- 레벨
- 레벨
- 생활
- wifecycwe
- 처럼
- 아마도
- 제한된
- 라인
- LINK
- 링크드인
- 살고있다
- 라이브 데이터
- 장소 상에서
- 위치
- 보기
- 찾고
- 지는
- 낮은
- 기계
- 기계 학습
- 매크로
- 본관
- 유지하다
- 유지 보수
- 유지
- 확인
- 제작
- 유튜브 영상을 만드는 것은
- 관리
- 관리
- 구축
- 관리하다
- 관리
- 제조
- .
- 거대한
- 어울리는
- XNUMX월..
- 방법
- 측정
- 측정 시간 상관관계
- 측정
- 기구
- 매질
- 메시지
- 메시지
- 방법
- 통계
- 백만
- 수백만
- 사고 (思考)
- ML
- 모델
- 모델
- 현대
- 모드
- 순간
- 모니터
- 모니터링
- 달
- 개월
- 배우기
- 가장
- 모터
- 모터
- 움직이는
- 여러
- 자연의
- 자연
- 필요한
- 필요
- 요구
- 신제품
- 다음 것
- 노이즈
- 표준
- 획득
- of
- on
- 온보드
- ONE
- 운영
- 운영
- 운영
- 운영
- 조작
- 운영
- 행정부
- 운영자
- 기회
- 최적의
- 최적화
- 최적화
- 주황색
- 조직
- 기타
- 외부
- 전체
- 개요
- 부품
- 파트너
- 부품
- 열렬한
- 과거
- 패치
- 패턴
- 성능
- 기간
- 인사
- 상
- 물리적
- 육체적으로
- 개
- 관로
- 계획
- 계획
- 계획
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연주
- 부디
- 전철기
- 포털
- 긍정적인
- 가능한
- 게시하다
- 힘
- powered
- 사례
- 정밀하게
- 예측
- 예측 분석
- 수상
- 키를 눌러
- 유행
- 방지
- 사전
- 탐침
- 문제
- 문제
- 방법
- 프로덕트
- 제품 품질
- 생산
- 진행 중
- 프로젝트
- 증명
- 개념 증명
- 정확히
- 제안 된
- 프로토콜
- 프로토 타입
- 증명하다
- 제공
- 제공
- 제공
- 제공
- 제공
- 공개
- 출판
- 목적
- 품질
- 문의
- 빨리
- 모집
- 범위
- 이르기까지
- 율
- 거주비용
- 살갗이 벗어 진
- 반응
- 현실
- 실생활
- 실시간
- 현실적인
- 이유
- 권하다
- 추천
- 감소
- 감소
- 지방
- 규칙적으로
- 관계
- 상대적으로
- 신뢰할 수있는
- 유적
- 교체
- 의뢰
- 필수
- 필요
- 결과
- 재사용
- 상승
- 위험
- 압연
- 뿌리
- 길
- 달리기
- SaaS는
- 가장 안전한 따뜻함
- 같은
- 만족도
- 사우디
- 저울
- 시나리오
- 예정
- 과학
- 과학자
- 원활한
- 보조
- 초
- 섹션
- 부문
- 안전해야합니다.
- 안전하게
- 보안
- ~ 같았다
- 세그먼트
- 선택된
- 전송
- 연장자
- 센서
- 연속
- 서버
- 서비스
- 서비스 제공자
- 서비스
- 세트
- 몇몇의
- 모양
- 변화
- 가게
- 부족
- 표시
- 표시
- 쇼
- 종료
- 시각
- 신호
- 크게
- 비슷한
- 단일
- 꽤 큰
- 크기
- 기술
- 작은
- 스마트 한
- 연기
- 소프트웨어
- 서비스로서의 소프트웨어
- 해결책
- 솔루션
- 해결
- 일부
- 정교한
- 전문가
- 구체적인
- 속도
- 지출
- 별
- 스타트
- 시작
- 주 정부
- 최첨단
- 중지
- 저장
- 전략들
- 전략
- 유선
- 제출
- 성공한
- 성공적으로
- 이러한
- 공급
- 공급망
- SUPPORT
- 지원
- 체계
- 시스템은
- 테이블
- 대상
- 팀
- 팀
- 기술
- Technology
- 단말기
- test
- 지원
- 그
- XNUMXD덴탈의
- 지역
- 미래
- 그들의
- 그들
- 그들 자신
- 따라서
- 열의
- Bowman의
- 일
- 생각
- 수천
- 을 통하여
- 도처에
- 처리량
- 시간
- 시계열
- 시대
- 타이밍
- 에
- 오늘
- 화제
- 에 대한
- 전통적인
- Train
- 훈련 된
- 트레이닝
- 변환
- 변환 전략
- 여행
- 트렌드
- 트리거
- 수조
- 회전
- 전형적인
- 일반적으로
- 밑에 있는
- 이해
- 예기치 않은
- 유일한
- 단위
- 무제한
- us
- 사용
- 사용자
- 사용자
- 보통
- 활용
- 유효 기간
- 가치
- 마케팅은:
- 여러
- 속도
- 를 통해
- 관측
- 심상
- 필수
- 휘발성의
- 볼륨
- vs
- 기다리다
- 경고
- 방법..
- 날씨
- 주
- 뭐
- 여부
- 어느
- 동안
- 누구
- 넓은
- 넓은 범위
- 의지
- 과
- 이내
- 없이
- 작업
- 일
- 인력
- 일하는
- 가치
- 겠지
- year
- 년
- 자신의
- 너의
- 제퍼 넷