제조 생산 라인, 창고 및 산업 플랜트와 같은 산업 환경의 신뢰성 관리자 및 기술자는 제품 출력 및 품질을 최대화하기 위해 장비 상태 및 가동 시간을 개선하는 데 열심입니다. 기계 및 프로세스 오류는 종종 사고 발생 후 대응 활동 또는 비용이 많이 드는 예방 유지 관리를 통해 해결됩니다. 여기서 장비를 과도하게 유지 관리하거나 주기적인 유지 관리 주기 사이에 발생할 수 있는 문제를 놓칠 위험이 있습니다. 예측 조건 기반 유지보수는 사후 대응 또는 예방적 전략보다 더 나은 사전 예방적 전략입니다. 실제로 이 접근 방식은 지속적인 모니터링, 예측 분석 및 적시 조치를 결합합니다. 이를 통해 유지보수 및 신뢰성 팀은 실제 장비 상태에 따라 필요한 경우에만 장비를 서비스할 수 있습니다.
대규모 산업 자산 함대에 대한 실행 가능한 통찰력을 생성하기 위한 조건 기반 모니터링에는 일반적인 문제가 있었습니다. 이러한 과제에는 현장에서 데이터를 수집하는 센서의 복잡한 인프라 구축 및 유지 관리, 산업 자산 집합에 대한 신뢰할 수 있는 높은 수준의 요약 정보 획득, 오류 경고를 효율적으로 관리, 이상 징후의 가능한 근본 원인 식별 및 효과적인 시각화가 포함되지만 이에 국한되지 않습니다. 대규모 산업 자산의 상태.
아마존 모니트론 머신 러닝(ML)의 도움으로 장비 상태 모니터링을 몇 분 만에 시작할 수 있는 종단 간 상태 모니터링 솔루션으로 예측 유지 관리를 구현하고 계획되지 않은 가동 중지 시간을 줄일 수 있습니다. 여기에는 진동 및 온도 데이터를 캡처하는 센서 장치, 데이터를 AWS 클라우드로 안전하게 전송하는 게이트웨이 장치, ML로 이상 데이터를 분석하는 Amazon Monitron 서비스, 기계의 잠재적 고장을 추적하는 동반 모바일 앱이 포함됩니다. 현장 엔지니어와 운영자는 앱을 직접 사용하여 산업 자산에 대한 유지 관리를 진단하고 계획할 수 있습니다.
운영 기술(OT) 팀의 관점에서 Amazon Monitron 데이터를 사용하면 AI 덕분에 대규모 산업 자산을 운영하는 방식을 개선할 수 있는 새로운 방법이 열립니다. OT 팀은 여러 계층(자산, 사이트 및 플랜트)에 걸쳐 통합된 보기를 구축하여 조직의 예측 유지 관리 관행을 강화할 수 있습니다. 실제 측정 및 ML 추론 결과를 확인되지 않은 경보, 센서 또는 도주 연결 상태 또는 자산 상태 전환과 결합하여 집중하고 있는 범위(자산, 사이트, 프로젝트)에 대한 높은 수준의 요약을 작성할 수 있습니다.
최근 출시되면서 Amazon Monitron Kinesis 데이터 내보내기 v2 기능, OT 팀은 다음을 통해 Amazon Monitron에서 수신 측정 데이터 및 추론 결과를 스트리밍할 수 있습니다. 아마존 키네 시스 AWS로 간단한 스토리지 서비스 (Amazon S3) 사물 인터넷(IoT) 데이터 레이크 구축. 를 활용하여 최신 데이터 내보내기 스키마, 센서 연결 상태, 게이트웨이 연결 상태, 측정 분류 결과, 폐쇄 이유 코드 및 자산 상태 전환 이벤트의 세부 정보를 얻을 수 있습니다.
사용 사례 개요
이제 Amazon Monitron이 제공하는 강화된 데이터 스트림을 통해 자동화된 작업 주문 생성, 운영 단일 창 강화 또는 오류 보고 자동화와 같은 몇 가지 주요 사용 사례를 구현할 수 있습니다. 이러한 사용 사례에 대해 자세히 살펴보겠습니다.
Amazon Monitron Kinesis 데이터 내보내기 v2를 사용하여 Infor EAM, SAP 자산 관리 또는 IBM Maximo와 같은 엔터프라이즈 자산 관리(EAM) 시스템에서 작업 주문을 생성할 수 있습니다. 예를 들어 동영상에서 예측 유지 관리 및 Amazon Monitron으로 기계적 문제 방지, Amazon 주문 처리 센터가 Amazon에서 사용하는 EAM과 같은 타사 소프트웨어와 통합된 Amazon Monitron 센서와 대화방 기술자가 사용하는 컨베이어 벨트의 기계적 문제를 방지하는 방법을 확인할 수 있습니다. 이는 Amazon Monitron 통찰력을 기존 워크플로에 자연스럽게 통합하는 방법을 보여줍니다. 이 통합 작업의 실제 구현과 함께 이 시리즈의 다음 기사를 읽으려면 앞으로 몇 달 동안 계속 지켜봐 주시기 바랍니다.
또한 데이터 스트림을 사용하여 Amazon Monitron 통찰력을 SCADA(Supervisory Control and Data Acquisition) 또는 히스토리안과 같은 작업 현장 시스템으로 다시 수집할 수 있습니다. 작업 현장 운영자는 자산 및 프로세스에 대한 모든 통찰력이 단일 창에서 제공될 때 더 효율적입니다. 이 개념에서 Amazon Monitron은 기술자가 모니터링해야 하는 또 다른 도구가 아니라 이미 익숙한 단일 보기에서 통찰력을 제공하는 또 다른 데이터 원본이 됩니다. 올해 말에는 이 작업을 수행하고 Amazon Monitron 피드백을 주요 타사 SCADA 시스템 및 역사가에게 보내는 데 사용할 수 있는 아키텍처도 설명할 것입니다.
마지막으로 Amazon Monitron의 새 데이터 스트림에는 경보를 승인할 때(새 상태로의 전환을 트리거하는) 사용자가 제공하는 자산 상태 전환 및 종료 코드가 포함됩니다. 이 데이터 덕분에 자산을 운영하는 동안 취한 조치 및 실패에 대한 실시간 보고를 제공하는 시각화를 자동으로 구축할 수 있습니다.
그런 다음 팀은 이 게시물에서 설명하는 주요 AWS 서비스를 사용하여 이 자산 상태 데이터를 Amazon Monitron 측정 데이터 및 대규모 산업 자산 전체의 기타 IoT 데이터와 결합하여 산업 차량 관리 관행을 지원하는 더 광범위한 데이터 분석 대시보드를 구축할 수 있습니다. IoT 데이터 레이크를 구축하는 방법, 데이터를 생성하고 소비하는 워크플로, Amazon Monitron 센서 데이터 및 추론 결과를 시각화하는 요약 대시보드에 대해 설명합니다. 우리는 780년 이상 운영되고 있는 산업용 창고에 설치된 약 1개의 센서에서 나오는 Amazon Monitron 데이터 세트를 사용합니다. 자세한 Amazon Monitron 설치 안내서는 다음을 참조하십시오. Amazon Monitron 시작하기.
솔루션 개요
Amazon Monitron은 자산 상태에 대한 ML 추론을 제공합니다. ML 모델 학습 기간 21일 후 각 자산에 대해. 이 솔루션에서 이러한 센서의 측정 데이터 및 ML 추론은 다음을 통해 Amazon S3로 내보내집니다. Amazon Kinesis 데이터 스트림 ~을 사용하여 최신 Amazon Monitron 데이터 내보내기 기능. Amazon Monitron IoT 데이터를 Amazon S3에서 사용할 수 있는 즉시 다음 위치에 데이터베이스와 테이블이 생성됩니다. 아마존 아테나 를 사용하여 AWS Glue 크롤러. Athena를 사용하여 AWS Glue 테이블을 통해 Amazon Monitron 데이터를 쿼리하고 측정 데이터 및 ML 추론을 시각화할 수 있습니다. 아마존 매니지드 그라파나. Amazon Managed Grafana를 사용하면 팀과 함께 가시성 대시보드를 생성, 탐색 및 공유하고 Grafana 인프라 관리에 소요되는 시간을 줄일 수 있습니다. 이 게시물에서는 Amazon Managed Grafana를 Athena에 연결하고 산업 자산 운영을 대규모로 계획하는 데 도움이 되도록 Amazon Monitron 데이터로 데이터 분석 대시보드를 구축하는 방법을 알아봅니다.
다음 스크린샷은 이 게시물의 끝에서 달성할 수 있는 작업의 예입니다. 이 대시보드는 세 개의 섹션으로 나뉩니다.
- 플랜트 뷰 – 공장 전반에 걸친 모든 센서의 분석 정보 예를 들어 센서의 다양한 상태(정상, 경고 또는 경보)의 전체 수, 미확인 및 확인된 경보 수, 게이트웨이 연결 및 평균 유지 관리 시간
- 사이트 보기 – 각 사이트의 자산 상태 통계, 알람이 확인되지 않은 총 일수, 각 사이트의 상위/최하위 자산 등의 사이트 수준 통계
- 자산 보기 – 미확인 경보의 경보 유형(ISO 또는 ML), 경보의 타임라인 등과 같은 자산 수준의 Amazon Monitron 프로젝트에 대한 요약 정보
이러한 패널은 전략적 운영 계획에 도움이 될 수 있는 예이지만 배타적이지는 않습니다. 유사한 워크플로를 사용하여 대상 KPI에 따라 대시보드를 사용자 지정할 수 있습니다.
아키텍처 개요
이 게시물에서 구축할 솔루션은 Amazon Monitron, Kinesis Data Streams, 아마존 키네 시스 데이터 파이어 호스, Amazon S3, AWS Glue, Athena 및 Amazon Managed Grafana.
다음 다이어그램은 솔루션 아키텍처를 보여줍니다. Amazon Monitron 센서는 장비의 이상을 측정하고 감지합니다. 측정 데이터와 ML 추론 출력은 시간당 한 번씩 Kinesis 데이터 스트림으로 내보내지고 3분 버퍼와 함께 Kinesis Data Firehose를 통해 Amazon S1로 전달됩니다. 내보낸 Amazon Monitron 데이터는 JSON 형식입니다. AWS Glue 크롤러는 선택한 빈도(시간당 3회)로 Amazon S3의 Amazon Monitron 데이터를 분석하고, 메타데이터 스키마를 구축하고, Athena에 테이블을 생성합니다. 마지막으로 Amazon Managed Grafana는 Athena를 사용하여 Amazon SXNUMX 데이터를 쿼리하므로 대시보드를 구축하여 측정 데이터와 장치 상태를 모두 시각화할 수 있습니다.
이 솔루션을 빌드하려면 다음과 같은 대략적인 단계를 완료하세요.
- Amazon Monitron에서 Kinesis Data Stream 내보내기를 활성화하고 데이터 스트림을 생성합니다.
- 데이터 스트림에서 S3 버킷으로 데이터를 전달하도록 Kinesis Data Firehose를 구성합니다.
- AWS Glue 크롤러를 구축하여 Athena에서 Amazon S3 데이터 테이블을 생성합니다.
- Amazon Managed Grafana를 사용하여 Amazon Monitron 디바이스의 대시보드를 생성합니다.
사전 조건
이 연습에서는 다음과 같은 전제 조건이 있어야합니다.
또한 배포하는 모든 리소스가 동일한 리전에 있는지 확인하십시오.
Amazon Monitron에서 Kinesis 데이터 스트림 내보내기 활성화 및 데이터 스트림 생성
데이터 스트림 내보내기를 구성하려면 다음 단계를 완료하세요.
- Amazon Monitron 콘솔의 프로젝트 기본 페이지에서 다음을 선택합니다. 실시간 데이터 내보내기 시작.
- $XNUMX Million 미만 Amazon Kinesis 데이터 스트림 선택선택한다. 새 데이터 스트림 생성.
- $XNUMX Million 미만 데이터 스트림 구성, 데이터 스트림 이름을 입력하십시오.
- 럭셔리 데이터 스트림 용량선택한다. 온 디맨드.
- 왼쪽 메뉴에서 데이터 스트림 생성.
4년 2023월 2일 이후 활성화된 모든 라이브 데이터 내보내기는 Kinesis Data Streams v1 스키마에 따라 데이터를 스트리밍합니다. 이 날짜 이전에 활성화된 기존 데이터 내보내기가 있는 경우 스키마는 vXNUMX 형식을 따릅니다.
이제 지정된 Kinesis 데이터 스트림을 사용하여 Amazon Monitron 콘솔에서 실시간 데이터 내보내기 정보를 볼 수 있습니다.
데이터를 S3 버킷으로 전달하도록 Kinesis Data Firehose 구성
Firehose 전송 스트림을 구성하려면 다음 단계를 완료하십시오.
- Kinesis 콘솔에서 다음을 선택합니다. 전달 스트림 탐색 창에서
- 왼쪽 메뉴에서 배달 스트림 만들기.
- 럭셔리 출처, 고르다 Amazon Kinesis 데이터 스트림.
- 럭셔리 목적지, 고르다 아마존 S3.
- $XNUMX Million 미만 소스 설정에 대한 Kinesis 데이터 스트림, Kinesis 데이터 스트림의 ARN을 입력합니다.
- $XNUMX Million 미만 전송 스트림 이름, Kinesis 데이터 스트림의 이름을 입력합니다.
- $XNUMX Million 미만 목적지 설정, S3 버킷을 선택하거나 버킷 URI를 입력합니다. 기존 S3 버킷을 사용하여 Amazon Monitron 데이터를 저장하거나 새 S3 버킷을 생성할 수 있습니다.
- JSON에 대한 인라인 구문 분석을 사용하여 동적 파티셔닝을 활성화합니다.
- 왼쪽 메뉴에서 사용 for 동적 파티셔닝.
- 왼쪽 메뉴에서 사용 for JSON에 대한 인라인 구문 분석.
- $XNUMX Million 미만 동적 분할 키, 다음 파티션 키를 추가합니다.
키 이름 | JQ 식 |
프로젝트 | .projectName| "project=(.)" |
대지 | .eventPayload.siteName| "site=(.)" |
유산 | .eventPayload.assetName| "asset=(.)" |
위치 | .eventPayload.positionName| "position=(.)" |
시간 | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- 왼쪽 메뉴에서 동적 파티셔닝 키 적용 생성된 S3 버킷 접두사가 다음인지 확인합니다.
- 다음에 대한 접두어를 입력하십시오. S3 버킷 오류 출력 접두사. 앞에서 설명한 키를 포함하지 않는 모든 JSON 페이로드는 이 접두사로 전달됩니다. 예를 들어,
gatewayConnected
및gatewayDisconnected
이벤트는 주어진 자산 또는 위치에 연결되지 않습니다. 따라서 그들은 포함하지 않습니다assetName
및positionName
필드. 여기에 이 선택적 접두사를 지정하면 이 위치를 모니터링하고 그에 따라 이러한 이벤트를 처리할 수 있습니다. - 왼쪽 메뉴에서 배달 스트림 만들기.
S3 버킷에서 Amazon Monitron 데이터를 검사할 수 있습니다. Amazon Monitron 데이터는 시간당 한 번 빈도로 라이브 데이터를 내보내므로 데이터를 검사하려면 1시간 동안 기다리십시오.
이 Kinesis Data Firehose 설정은 동적 파티셔닝을 지원하며, 제공된 S3 객체는 다음 키 형식을 사용합니다.
AWS Glue 크롤러를 구축하여 Athena에서 Amazon S3 데이터 테이블 생성
라이브 데이터를 Amazon S3로 내보낸 후 AWS Glue 크롤러를 사용하여 메타데이터 테이블을 생성합니다. 이 게시물에서는 AWS Glue 크롤러를 사용하여 Amazon S3에서 내보낸 Amazon Monitron 데이터에서 데이터베이스 및 테이블 스키마를 자동으로 추론하고 관련 메타데이터를 AWS Glue 데이터 카탈로그에 저장합니다. 그런 다음 Athena는 데이터 카탈로그의 테이블 메타데이터를 사용하여 Amazon S3에서 데이터를 찾고 읽고 처리합니다. 데이터베이스 및 테이블 스키마를 생성하려면 다음 단계를 완료하십시오.
- AWS Glue 콘솔에서 겉옷 탐색 창에서
- 왼쪽 메뉴에서 크롤러 생성.
- 크롤러의 이름을 입력하십시오(예:
XXX_xxxx_monitron
). - 왼쪽 메뉴에서 다음 보기.
- 럭셔리 데이터가 이미 Glue 테이블에 매핑되어 있습니까?선택한다. 아직.
- 럭셔리 데이터 소스선택한다. S3.
- 럭셔리 S3 데이터의 위치선택한다.
이 계정에서, 이전 섹션에서 설정한 S3 버킷 디렉터리의 경로를 입력합니다(
s3://YourBucketName
). - 럭셔리 S3 데이터 저장소의 반복 크롤링, 고르다 모든 하위 폴더 크롤링.
- 마지막으로 다음 보기.
- 선택 새 IAM 역할 생성 역할 이름을 입력합니다.
- 왼쪽 메뉴에서 다음 보기.
- 선택 데이터베이스 추가을 클릭하고 데이터베이스 이름을 입력합니다. 이렇게 하면 크롤러가 완료된 후 메타데이터 테이블이 있는 Athena 데이터베이스가 생성됩니다.
- 럭셔리 크롤러 일정, 선호하는 시간 기반 스케줄러(예: 매시간)를 선택하여 데이터베이스의 Amazon Monitron 데이터를 새로 고치고 선택 다음 보기.
- 크롤러 세부 정보를 검토하고 선택 만들기.
- 에 겉옷 AWS Glue 콘솔의 페이지에서 생성한 크롤러를 선택하고 크롤러 실행.
데이터 크기에 따라 몇 분 정도 기다려야 할 수도 있습니다. 완료되면 크롤러의 상태가 다음과 같이 표시됩니다. 준비. 메타데이터 테이블을 보려면 다음에서 데이터베이스로 이동합니다. 데이터베이스 페이지를 선택하고 테이블 탐색 창에서
선택하여 데이터를 볼 수도 있습니다. 테이블 데이터 콘솔에.
Amazon S10에 있는 Amazon Monitron 데이터의 상위 3개 레코드를 보기 위해 Athena 콘솔로 리디렉션됩니다.
Amazon Managed Grafana를 사용하여 Amazon Monitron 디바이스의 대시보드 생성
이 섹션에서는 Amazon Managed Grafana로 맞춤형 대시보드를 구축하여 Amazon S3에서 Amazon Monitron 데이터를 시각화하여 OT 팀이 전체 Amazon Monitron 센서 플릿에서 알람이 있는 자산에 능률적으로 액세스할 수 있도록 합니다. 이를 통해 OT 팀은 이상 현상의 가능한 근본 원인을 기반으로 다음 단계 조치를 계획할 수 있습니다.
에 Grafana 작업 공간 생성다음 단계를 완료하십시오.
- 사용자 역할이 관리자 또는 편집자인지 확인하십시오.
- Amazon Managed Grafana 콘솔에서 다음을 선택합니다. 작업 공간 만들기.
- 럭셔리 작업 공간 이름, 작업 공간의 이름을 입력합니다.
- 왼쪽 메뉴에서 다음 보기.
- 럭셔리 인증 액세스, 고르다 AWS IAM 자격 증명 센터 (AWS Single Sign-On의 후속 제품). 당신은 같은 것을 사용할 수 있습니다 AWS IAM 자격 증명 센터 사용자 Amazon Monitron 프로젝트를 설정하는 데 사용한
- 왼쪽 메뉴에서 다음 보기.
- 이 첫 번째 작업 공간에 대해 다음을 확인합니다. 서비스 관리 에 대해 선택됩니다. 권한 유형. 이렇게 선택하면 Amazon Managed Grafana가 이 작업 공간에 사용하는 AWS 데이터 원본에 필요한 권한을 자동으로 프로비저닝할 수 있습니다.
- 왼쪽 메뉴에서 당좌 계정.
- 왼쪽 메뉴에서 다음 보기.
- 작업 공간 세부 정보를 확인하고 선택 작업 공간 만들기. 작업 공간 세부 정보 페이지가 나타납니다. 처음에는 상태가 만들기.
- 상태가 될 때까지 기다리십시오. ACTIVE 다음 단계로 진행합니다.
Athena 데이터 소스를 구성하려면 다음 단계를 완료하십시오.
- Amazon Managed Grafana 콘솔에서 작업하려는 작업 공간을 선택합니다.
- 에 데이터 소스 탭에서 아마존 아테나, 선택 작업, 서비스 관리형 정책 활성화.
- 왼쪽 메뉴에서 Grafana에서 구성 FBI 증오 범죄 보고서 아마존 아테나 열.
- 필요한 경우 IAM Identity Center를 사용하여 Grafana 작업 영역 콘솔에 로그인합니다. 사용자는 Athena 데이터 원본에 액세스할 수 있는 사용자 또는 역할에 연결된 Athena 액세스 정책을 가지고 있어야 합니다. 보다 AWS 관리형 정책: AmazonGrafanaAthenaAccess 자세한 정보입니다.
- Grafana 작업 영역 콘솔의 탐색 창에서 아래쪽 AWS 아이콘(XNUMX개 있음)을 선택한 다음 아테나 를 시청하여 이에 대해 더 많은 정보를 얻을 수 있습니다. 데이터 소스 메뉴를 선택합니다.
- Athena 데이터 원본이 쿼리할 기본 리전을 선택하고 원하는 계정을 선택한 다음 데이터 소스 추가.
- 단계를 수행하여 Athena 세부 정보 구성.
Athena의 작업 그룹에 구성된 출력 위치가 아직 없는 경우 쿼리 결과에 사용할 S3 버킷 및 폴더를 지정해야 합니다. 데이터 소스를 설정한 후 다음에서 보거나 편집할 수 있습니다. 구성 창유리.
다음 하위 섹션에서는 운영 통찰력을 얻기 위해 Amazon Managed Grafana에 구축된 Amazon Monitron 대시보드의 여러 패널을 시연합니다. Athena 데이터 원본은 Amazon Monitron 데이터를 분석하여 원하는 분석을 생성하는 데 사용할 표준 SQL 쿼리 편집기를 제공합니다.
첫째, Amazon Monitron 프로젝트에 많은 센서가 있고 서로 다른 상태(정상, 경고, 경보 및 유지 관리 필요)에 있는 경우 OT 팀은 센서가 다양한 상태에 있는 위치의 수를 시각적으로 확인하려고 합니다. 다음 Athena 쿼리를 통해 Grafana에서 파이 차트 위젯과 같은 정보를 얻을 수 있습니다.
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;
다음 스크린샷은 Amazon Monitron 센서 상태의 최신 분포가 포함된 패널을 보여줍니다.
Amazon Monitron 데이터에 대한 SQL 쿼리 형식을 지정하려면 다음을 참조하십시오. 데이터 내보내기 스키마 이해.
다음으로, 운영 기술 팀은 알람 상태에 있는 자산을 기반으로 예측 유지 관리를 계획할 수 있으므로 확인된 알람과 확인되지 않은 알람의 총 수를 신속하게 파악하고자 합니다. Grafana에서 간단한 통계 패널로 경보 상태의 요약 정보를 표시할 수 있습니다.
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';
다음 패널은 확인된 알람과 확인되지 않은 알람을 보여줍니다.
OT 팀은 센서가 알람 상태로 유지되는 시간을 쿼리하여 유지 관리 우선 순위를 결정할 수도 있습니다.
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;
이 분석 결과는 Grafana에서 막대 차트로 시각화할 수 있으며, 알람 상태의 알람은 다음 스크린샷과 같이 쉽게 시각화할 수 있습니다.
자산이 경보 상태이거나 유지 관리가 필요한 총 시간을 기준으로 상위/하위 자산 성능을 분석하려면 다음 쿼리를 사용하십시오.
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;
다음 막대 게이지는 이전 쿼리 출력을 시각화하는 데 사용됩니다. 최고 성능 자산은 0일의 경보 상태를 표시하고 최저 성능 자산은 지난 XNUMX년 동안 누적된 경보 상태를 표시합니다.
OT 팀이 이상 현상의 가능한 근본 원인을 이해하는 데 도움이 되도록 다음 쿼리를 사용하여 아직 경보 상태에 있는 이러한 자산에 대한 경보 유형을 표시할 수 있습니다.
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');
Grafana에서 이 분석을 테이블로 시각화할 수 있습니다. 이 Amazon Monitron 프로젝트에서는 진동 측정을 위해 ML 모델에 의해 두 개의 경보가 트리거되었습니다.
설명을 위해 Amazon Managed Grafana 대시보드가 여기에 표시됩니다. 자신의 비즈니스 요구 사항에 따라 대시보드 디자인을 조정할 수 있습니다.
실패 보고서
사용자가 Amazon Monitron 앱에서 경보를 확인하면 연결된 자산이 새로운 상태로 전환됩니다. 또한 사용자는 이 알람에 대한 몇 가지 세부 정보를 제공할 수 있습니다.
- 실패 원인 – 다음 중 하나일 수 있습니다. 관리, 디자인, 제조, 유지 관리, 작동, 기타, 품질, 마모 또는 미정
- 실패 모드 – NO_ISSUE, BLOCKAGE, CAVITATION, CORROSION, DEPOSIT, IMBALANCE, LUBRICATION, MISALIGNMENT, OTHER, RESONANCE, ROTATING_LOOSENESS, STRUCTURAL_LOOSENESS, TRANSMITTED_FAULT 또는 UNDETERMINED 중 하나일 수 있습니다.
- 취한 조치 – 이것은 ADJUST, CLEAN, LUBRICATE, MODIFY, OVERHAUL, REPLACE, NO_ACTION 또는 OTHER일 수 있습니다.
자산 상태 전환과 관련된 이벤트 페이로드에는 이 모든 정보, 자산의 이전 상태 및 자산의 새 상태가 포함됩니다. 추가 Grafana 패널에서 이 정보를 사용하여 자산 전체에서 수행된 가장 일반적인 실패 및 조치에 대한 Pareto 차트를 작성하는 방법에 대한 자세한 내용이 포함된 이 게시물의 업데이트를 계속 지켜봐 주십시오.
결론
Amazon Monitron의 기업 고객은 Amazon Monitron의 라이브 데이터로 IoT 데이터 레이크를 구축하여 여러 Amazon Monitron 프로젝트 및 자산을 관리하고 여러 Amazon Monitron 프로젝트에 대한 분석 보고서를 생성할 수 있는 솔루션을 찾고 있습니다. 이 게시물에서는 최신 IoT 데이터 레이크를 구축하기 위한 솔루션에 대한 자세한 설명을 제공합니다. Amazon Monitron Kinesis 데이터 내보내기 v2 기능. 이 솔루션은 또한 AWS Glue 및 Athena와 같은 다른 AWS 서비스를 사용하여 데이터를 쿼리하고, 분석 출력을 생성하고, Amazon Managed Grafana를 사용하여 이러한 출력을 자주 새로 고치는 방법을 보여주었습니다.
다음 단계로 작업 주문 관리에 사용할 수 있는 다른 EAM 시스템에 ML 추론 결과를 전송하여 이 솔루션을 확장할 수 있습니다. 이를 통해 운영 팀은 Amazon Monitron을 다른 엔터프라이즈 애플리케이션과 통합하고 운영 효율성을 개선할 수 있습니다. 이제 Kinesis 데이터 스트림 페이로드의 일부인 종료 코드와 자산 상태 전환을 처리하여 장애 모드와 조치에 대해 보다 심층적인 통찰력을 구축할 수도 있습니다.
저자 소개
줄리아 후 Amazon Web Services의 수석 AI/ML 솔루션 아키텍트입니다. 그녀는 IoT 아키텍처 및 응용 데이터 과학에 대한 광범위한 경험을 보유하고 있으며 머신 러닝 및 IoT 기술 현장 커뮤니티의 일원입니다. 그녀는 엣지와 클라우드에서 AWSome IoT 기계 학습(ML) 솔루션을 개발하기 위해 신생 기업에서 기업에 이르기까지 다양한 고객과 협력합니다. 그녀는 최신 IoT 및 빅 데이터 기술을 활용하여 ML 솔루션을 확장하고 대기 시간을 줄이며 업계 채택을 가속화하는 것을 즐깁니다.
비슈르 타바 Amazon Web Services의 솔루션 아키텍트입니다. Bishr는 머신 러닝, 보안 및 관측 가능성 애플리케이션을 통해 고객을 돕는 것을 전문으로 합니다. 직장 밖에서는 테니스, 요리, 가족과 함께 시간을 보내는 것을 즐깁니다.
샬리카 파르갈 Amazon Web Services의 제품 관리자입니다. Shalika는 산업 고객을 위한 AI 제품 및 서비스 구축에 중점을 둡니다. 그녀는 제품, 산업 및 비즈니스 개발의 교차점에서 상당한 경험을 제공합니다. 그녀는 최근에 공유 모니트론의 성공 스토리 리인벤트 2022에서.
게리 갈린스키 AWS에서 Amazon을 지원하는 수석 솔루션 설계자입니다. 그는 Monitron이 데뷔한 이후로 참여해 왔으며 솔루션을 Amazon의 전 세계 주문 처리 네트워크에 통합하고 배포하는 데 도움을 주었습니다. 그는 최근 아마존의 모니트론 성공 사례 re:Invent 2022에서.
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.
- 미래 만들기 w Adryenn Ashley. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :있다
- :이다
- :아니
- $UP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- 소개
- 가속
- ACCESS
- 에 따르면
- 따라서
- 계정
- 누적 된
- 달성
- 취득
- 가로질러
- 동작
- 행위
- 활동
- 각색하다
- 추가
- 관리자
- 관리
- 양자
- 후
- AI
- AI / ML
- 도움
- 경보
- 알림
- All
- 허용
- 수
- 이미
- 또한
- 아마존
- 아마존 키네 시스
- 아마존 매니지드 그라파나
- Amazon Web Services
- 양
- an
- 분석
- 분석
- 분석
- 분석하다
- 복수
- 및
- 이상 감지
- 다른
- 어떤
- 앱
- 어플리케이션
- 적용된
- 접근
- Apr
- 아키텍처
- 있군요
- AS
- 유산
- 자산 관리
- 자산
- 관련
- At
- 자동화
- 자동적으로
- 자동화
- 가능
- 평균
- 피하고
- AWS
- AWS 접착제
- 뒤로
- 바
- 기반으로
- BE
- 가
- 된
- 전에
- BEST
- 더 나은
- 사이에
- 큰
- 빅 데이터
- 책
- 두
- 바닥
- 가져
- 돋보이게
- 더 넓은
- 버퍼
- 빌드
- 건물
- 빌드
- 내장
- 사업
- 사업 개발
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- CAN
- 얻을 수 있습니다
- 포착
- 케이스
- 가지 경우
- 목록
- 원인
- 원인
- 센터
- 센터
- 과제
- 거래차트
- 차트
- 대화방
- 왼쪽 메뉴에서
- 선택
- 선택
- 분류
- 폐쇄
- 클라우드
- 암호
- 수집
- 결합
- 결합
- 결합
- 오는
- 공통의
- 커뮤니티
- 완전한
- 복잡한
- 개념
- 조건
- 확인하기
- 연결하기
- 입/출력 라인
- 콘솔에서
- 소비
- 포함하는
- 이 포함되어 있습니다
- 끊임없는
- 제어
- 수
- 러
- 만들
- 만든
- 생성
- 창조
- 고객
- 사용자 정의
- 사용자 정의
- 주기
- 계기반
- 데이터
- 데이터 분석
- 데이터 레이크
- 데이터 과학
- 데이터 과학자
- 데이터베이스
- 날짜
- 일
- 데뷔
- 결정하다
- 태만
- 배달하다
- 전달
- 배달
- 보여
- 의존
- 배포
- 예금
- 설명
- 기술 된
- 디자인
- 원하는
- 상세한
- 세부설명
- Detection System
- 개발
- 개발
- 장치
- 디바이스
- 다른
- 직접
- 발견
- 분포
- 분할 된
- 하지 않습니다
- 중단 시간
- 동적
- 마다
- 이전
- 용이하게
- Edge
- 편집자
- 효과적으로
- 효율성
- 효율적인
- 효율적으로
- 중
- 가능
- 사용 가능
- 수
- 끝으로 종료
- 엔지니어
- 풍성한
- 우리의 영적인 행로를
- 엔터 버튼
- Enterprise
- 기업
- 환경
- 장비
- 오류
- 이벤트
- 이벤트
- 예
- 예
- 독점
- 현존하는
- 펼치기
- 경험
- 체험
- 설명
- 탐험
- 수출
- 광대 한
- 광범위한 경험
- 고장
- 가족
- 피드백
- 를
- 들
- Fields
- 최종적으로
- Find
- 먼저,
- 함대
- 바닥
- 집중
- 집중
- 따라
- 수행원
- 럭셔리
- 체재
- 진동수
- 빈번한
- 에
- 이득
- 게이트웨이
- 생성
- 생성
- 얻을
- 주어진
- 유리
- 그룹
- 안내
- 발생
- 있다
- he
- 건강
- 건강은 물론, 경제성까지!
- 도움
- 도움
- 도움이
- 여기에서 지금 확인해 보세요.
- 고수준
- 방법
- How To
- HTML
- HTTPS
- IBM
- ICON
- 확인
- 통합 인증
- 불규형
- 구현
- 이행
- 개선
- in
- 심도
- 포함
- 포함
- 들어오는
- 산업
- 산업
- 정보
- 정보
- 인프라
- 처음에는
- 통찰력
- 설치
- 분할불
- 예
- 통합
- 통합 된
- 완성
- 인터넷
- 사물의 인터넷
- 교차
- 으로
- 참여
- IOT
- ISO
- 문제
- IT
- 그
- 어울리다
- JPG
- JSON
- 날카로운
- 키
- 키
- Kinesis 데이터 Firehose
- Kinesis 데이터 스트림
- 알아
- 소금물
- 넓은
- 숨어 있음
- 최근
- 시작
- 배우다
- 배우기
- 레벨
- 레버리지
- 제한
- 제한된
- 라인
- 연결
- 링크드인
- 살고있다
- 라이브 데이터
- 위치한
- 위치
- 찾고
- 기계
- 기계 학습
- 기계
- 본관
- 유지하다
- 유지
- 주요한
- 확인
- 관리
- 관리
- 구축
- 매니저
- 관리자
- 관리
- 제조
- .
- 극대화하다
- XNUMX월..
- 측정
- 기계적인
- 매질
- 메뉴
- 메타 데이터
- 수도
- 회의록
- 누락
- ML
- 모바일
- 모바일 앱
- 모델
- 모델
- 모드
- 수정
- 순간
- 모니터
- 모니터링
- 개월
- 배우기
- 보다 효율적으로
- 가장
- 여러
- name
- 이동
- 카테고리
- 필요한
- 필요
- 요구
- 네트워크
- 신제품
- 다음 것
- 지금
- 번호
- 사물
- 획득
- of
- on
- ONE
- 만
- 열립니다
- 운영
- 운영
- 조작
- 운영
- 행정부
- 운영자
- 기회
- 최적화
- or
- 주문
- 명령
- 조직
- 기타
- 우리의
- 출력
- 외부
- 위에
- 전체
- 분해 검사
- 자신의
- 페이지
- 빵
- 패널
- 패널
- 부품
- 열렬한
- 과거
- 통로
- 수행
- 성능
- 실행할 수 있는
- 주기
- 허가
- 권한
- 계획
- 계획
- 식물
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연주
- 정책
- 위치
- 위치
- 가능한
- 게시하다
- 가능성
- 힘
- 연습
- 예측 분석
- 선호하는
- 전제 조건
- 너무 이른
- 교장
- 우선
- 사전
- 방법
- 프로세스
- 처리
- 생산
- 프로덕트
- 제품 관리자
- 제품 품질
- 생산
- 제품
- 프로젝트
- 프로젝트
- 제공
- 제공
- 제공
- 규정
- 출판
- 목적
- 품질
- 빨리
- 범위
- 이르기까지
- RE
- 읽기
- 실시간
- 이유
- 최근에
- 기록
- 감소
- 지방
- 규칙적으로
- 강화
- 신뢰성
- 신뢰할 수있는
- 남아
- 유적
- 교체
- 통계 보고서
- 보고서
- 공명
- 제품 자료
- 결과
- 위험
- 직위별
- 객실
- 뿌리
- 열
- 달리기
- 달리는
- s
- 같은
- 수액
- 규모
- 과학
- 과학자
- 범위
- 섹션
- 섹션
- 안전하게
- 보안
- 선택된
- 선택
- 전송
- 센서
- 연속
- 서비스
- 서비스
- 세트
- 설정
- 설치
- 몇몇의
- 공유
- 공유
- 가게
- 영상을
- 표시
- 표시
- 쇼
- 상당한
- 비슷한
- 단순, 간단, 편리
- 이후
- 단일
- 대지
- 사이트
- 크기
- So
- 소프트웨어
- 해결책
- 솔루션
- 일부
- 출처
- 지우면 좋을거같음 . SM
- 전문가
- 전문적으로
- 지정
- 지출
- 지출
- 표준
- 별
- 스타트
- 신생 기업
- 시작
- 주 정부
- 미국
- 통계
- 통계
- Status
- 유지
- 단계
- 단계
- 아직도
- 저장
- 저장
- 전략의
- 전략
- 흐름
- 간소화 된
- 스트림
- 성공
- 이러한
- 개요
- SUPPORT
- 지원
- 체계
- 시스템은
- 테이블
- 대상
- 태스크
- 팀
- 팀
- 테크니컬
- Technology
- 보다
- 감사
- 그
- XNUMXD덴탈의
- 국가
- 그들의
- 그곳에.
- 따라서
- Bowman의
- 그들
- 일
- 타사
- 이
- 올해
- 세
- 시간
- 시계열
- 타임 라인
- 따라서 오른쪽 하단에
- 에
- 수단
- 상단
- 최고 10
- 화제
- 금액
- 선로
- 트레이닝
- 이전
- 전이
- 전환
- 여행
- 트리거
- 방아쇠를 당긴
- 유형
- 이해
- 업데이트
- 가동 시간
- 사용
- 익숙한
- 사용자
- 사용자
- 사용
- v1
- 여러
- 를 통해
- Video
- 관측
- vs
- 기다리다
- 연습
- 경고
- 였다
- 방법
- we
- 웹
- 웹 서비스
- 잘
- 했다
- 뭐
- 어느
- 동안
- 누구
- 모든
- 넓은
- 넓은 범위
- 의지
- 과
- 작업
- 일
- 워크 플로우
- 작업 그룹
- 일
- 전세계적인
- year
- 자신의
- 너의
- 유튜브
- 제퍼 넷