Dit is een gastpost die is geschreven in samenwerking met Moulham Zahabi uit Matarat.
Waarschijnlijk heeft iedereen tijdens het vliegen zijn bagage ingecheckt en gespannen gewacht tot zijn koffers bij de carrousel zouden verschijnen. Succesvolle en tijdige levering van uw bagage hangt af van een enorme infrastructuur, het bagageafhandelingssysteem (BHS). Deze infrastructuur is een van de belangrijkste functies van een succesvolle luchthavenoperatie. Het succesvol afhandelen van bagage en vracht voor vertrekkende en aankomende vluchten is van cruciaal belang om klanttevredenheid te garanderen en operationele uitmuntendheid op de luchthaven te leveren. Deze functie is sterk afhankelijk van de continue werking van de BHS en de effectiviteit van onderhoudswerkzaamheden. Als de levensader van de luchthavens is een BHS een lineaire asset die meer dan 34,000 meter lang kan zijn (voor een enkele luchthaven) en jaarlijks meer dan 70 miljoen koffers verwerkt, waardoor het een van de meest complexe geautomatiseerde systemen en een essentieel onderdeel van de luchthavenoperaties is.
Ongeplande downtime van een bagageafhandelingssysteem, of het nu een transportband, carrousel of sorteereenheid is, kan de werking van de luchthaven verstoren. Een dergelijke verstoring zal ongetwijfeld een onaangename passagierservaring creรซren en mogelijk sancties opleggen aan dienstverleners op de luchthaven.
De belangrijkste uitdaging bij het onderhouden van een bagageafhandelingssysteem is hoe een geรฏntegreerd systeem van meer dan 7,000 activa en meer dan een miljoen instelpunten continu moet worden beheerd. Deze systemen verwerken ook miljoenen tassen in verschillende soorten en maten. Het is veilig om aan te nemen dat bagageafhandelingssystemen foutgevoelig zijn. Omdat de elementen in een gesloten lus functioneren, heeft het uitvallen van รฉรฉn element gevolgen voor de hele lijn. Traditionele onderhoudsactiviteiten zijn afhankelijk van een aanzienlijk personeelsbestand, verspreid over belangrijke locaties langs de BHS, die door operators worden uitgezonden in het geval van een operationele storing. Onderhoudsteams vertrouwen ook sterk op aanbevelingen van leveranciers om downtime voor preventief onderhoud in te plannen. Bepalen of preventieve onderhoudsactiviteiten correct zijn geรฏmplementeerd of de prestaties van dit type bedrijfsmiddelen bewaken, kan onbetrouwbaar zijn en vermindert het risico op onverwachte downtime niet.
Het beheer van reserveonderdelen is een extra uitdaging, aangezien de doorlooptijden toenemen als gevolg van wereldwijde verstoringen van de toeleveringsketen, terwijl beslissingen over het aanvullen van voorraden gebaseerd zijn op historische trends. Bovendien houden deze trends geen rekening met de volatiele dynamische omgeving van operationele BHS-activa naarmate ze ouder worden. Om deze uitdagingen het hoofd te bieden, moet er een seismische verschuiving plaatsvinden in onderhoudsstrategieรซn - van een reactieve naar een proactieve mentaliteit. Deze verschuiving vereist dat operators de nieuwste technologie gebruiken om onderhoudsactiviteiten te stroomlijnen, operaties te optimaliseren en bedrijfskosten te minimaliseren.
In dit bericht beschrijven we hoe AWS-partner Airis Solutions gebruikte Amazon Lookout voor apparatuur, AWS Internet of Things (IoT)-diensten, en CloudRail sensortechnologieรซn om een โโstate-of-the-art oplossing te bieden om deze uitdagingen aan te gaan.
Overzicht bagageafhandelingssysteem
Het volgende diagram en de volgende tabel illustreren de metingen die zijn uitgevoerd over een typische carrousel op King Khalid International Airport in Riyadh.
Gegevens worden verzameld op de verschillende locaties die in het diagram worden weergegeven.
Sensor Type | Bedrijfswaarde | datasets | Locatie |
IO Link-snelheidssensoren | Homogene carrouselsnelheid | PDV1 (1 per minuut) | C |
Trillingssensor met geรฏntegreerd Temperatuursensor |
Losse schroef, As niet goed uitgelijnd, Dragende schade, Motorwikkeling schade |
Vermoeidheid (v-RMS) (m/s) Impact (a-piek) (m/s^2) Wrijving (a-RMS) (m/s^2) Temperatuur (C) Crest |
A en B |
Afstand PEC-sensor | Bagagedoorvoer | Afstand (cm) | D |
De volgende afbeeldingen tonen de omgeving en monitoringapparatuur voor de verschillende metingen.
Overzicht oplossingen
Het voorspellende onderhoudssysteem (PdMS) voor bagageafhandelingssystemen is een referentiearchitectuur die luchthavenonderhoudsexploitanten helpt bij het verkrijgen van gegevens als hulpmiddel bij het verbeteren van ongeplande uitvaltijd. Het bevat bouwstenen om de ontwikkeling en inzet van verbonden sensoren en diensten te versnellen. Het PdMS omvat AWS-services voor het veilig beheren van de levenscyclus van edge-computingapparaten en BHS-assets, gegevensopname in de cloud, opslag, machine learning (ML)-inferentiemodellen en bedrijfslogica om proactief apparatuuronderhoud in de cloud mogelijk te maken.
Deze architectuur is gebouwd op basis van lessen die zijn geleerd tijdens het werken met luchthavenoperaties gedurende meerdere jaren. De voorgestelde oplossing is ontwikkeld met de steun van Northbay Solutions, een AWS Premier Partner, en kan binnen 90 dagen worden ingezet op luchthavens van elke omvang en schaal voor duizenden verbonden apparaten.
Het volgende architectuurdiagram toont de onderliggende componenten die zijn gebruikt om de oplossing voor voorspellend onderhoud te bouwen:
We gebruiken de volgende diensten om onze architectuur samen te stellen:
- CloudRail.DMC is een software as a service (SaaS)-oplossing van de Duitse IoT-expert CloudRail GmbH. Deze organisatie beheert vloten van wereldwijd gedistribueerde edge-gateways. Met deze dienst kunnen industriรซle sensoren, slimme meters en OPC UA-servers met een paar klikken worden aangesloten op een AWS-datalake.
- AWS IoT-kern kunt u miljarden IoT-apparaten verbinden en biljoenen berichten naar AWS-services routeren zonder infrastructuur te beheren. Het verzendt veilig berichten van en naar al uw IoT-apparaten en -toepassingen met lage latentie en hoge doorvoer. We gebruiken AWS IoT Core om verbinding te maken met de CloudRail-sensoren en hun metingen door te sturen naar de AWS Cloud.
- AWS IoT-analyse is een volledig beheerde service die het eenvoudig maakt om geavanceerde analyses op enorme hoeveelheden IoT-gegevens uit te voeren en te operationaliseren zonder dat u zich zorgen hoeft te maken over de kosten en complexiteit die doorgaans nodig zijn om een โโIoT-analyseplatform te bouwen. Het is een gemakkelijke manier om analyses uit te voeren op IoT-gegevens om nauwkeurige inzichten te verkrijgen.
- Amazon Lookout voor apparatuur analyseert gegevens van apparatuursensoren om automatisch een ML-model voor uw apparatuur te maken op basis van activaspecifieke gegevens - geen vaardigheden op het gebied van datawetenschap vereist. Lookout for Equipment analyseert binnenkomende sensorgegevens in realtime en identificeert nauwkeurig vroege waarschuwingssignalen die kunnen leiden tot onverwachte downtime.
- Amazon QuickSight stelt iedereen in de organisatie in staat om de data te begrijpen door vragen te stellen in natuurlijke taal, informatie te visualiseren via interactieve dashboards en automatisch te zoeken naar patronen en uitschieters aangedreven door ML.
Zoals geรฏllustreerd in het volgende diagram, zorgt deze architectuur ervoor dat sensorgegevens naar operationele inzichten stromen.
Datapunten worden verzameld met behulp van IO-Link-sensoren: IO-Link is een gestandaardiseerde interface om naadloze communicatie mogelijk te maken vanaf het besturingsniveau van een industriรซle asset (in ons geval het bagageafhandelingssysteem) naar het sensorniveau. Dit protocol wordt gebruikt om sensorgegevens in een CloudRail edge-gateway in te voeren en in AWS IoT Core te laden. De laatste levert vervolgens apparatuurgegevens aan ML-modellen om operationele en apparatuurproblemen te identificeren die kunnen worden gebruikt om de optimale timing voor onderhoud of vervanging van activa te bepalen zonder onnodige kosten te maken.
Software voor buiten
Het retrofitten van bestaande activa en hun besturingssystemen naar de cloud blijft een uitdagende aanpak voor operators van apparatuur. Het toevoegen van secundaire sensoren biedt een snelle en veilige manier om de benodigde gegevens te verkrijgen zonder bestaande systemen te verstoren. Daarom is het eenvoudiger, sneller en niet-invasief in vergelijking met de directe aansluiting van de PLC's van een machine. Bovendien kunnen naderhand gemonteerde sensoren worden geselecteerd om nauwkeurig de gegevenspunten te meten die nodig zijn voor specifieke storingsmodi.
Met CloudRail kan elke industriรซle IO-Link-sensor worden aangesloten op AWS-services zoals AWS IoT Core, AWS IoT SiteWiseof AWS IoT Greengrass binnen enkele seconden via een cloudgebaseerd apparaatbeheerportaal (CloudRail.DMC). Hierdoor kunnen IoT-experts werken vanuit gecentraliseerde locaties en aan boord van fysieke systemen die wereldwijd verspreid zijn. De oplossing lost de uitdagingen van dataconnectiviteit voor voorspellende onderhoudssystemen op via een eenvoudig plug-and-play-mechanisme.
De gateway fungeert als de Industrial Demilitarized Zone (IDMZ) tussen de apparatuur (OT) en de cloudservice (IT). Via een geรฏntegreerde applicatie voor wagenparkbeheer zorgt CloudRail ervoor dat de nieuwste beveiligingspatches automatisch worden uitgerold naar duizenden installaties.
De volgende afbeelding toont een IO-Link-sensor en de CloudRail edge gateway (oranje):
Een anomaliedetectiemodel trainen
Organisaties uit de meeste industriรซle segmenten zien moderne onderhoudsstrategieรซn afstappen van de run-to-failure, reactieve benaderingen en evolueren naar meer voorspellende methoden. Om over te stappen op een op conditie gebaseerde of voorspellende onderhoudsbenadering zijn echter gegevens nodig die zijn verzameld van sensoren die in alle faciliteiten zijn geรฏnstalleerd. Het gebruik van historische gegevens die door deze sensoren zijn vastgelegd in combinatie met analyses, helpt bij het identificeren van voorlopers van apparatuurstoringen, waardoor onderhoudspersoneel dienovereenkomstig kan handelen voordat het defect raakt.
Voorspellende onderhoudssystemen zijn afhankelijk van het vermogen om vast te stellen wanneer er storingen kunnen optreden. OEM's van apparatuur leveren meestal datasheets voor hun apparatuur en raden aan om bepaalde operationele statistieken te bewaken op basis van bijna perfecte omstandigheden. Deze omstandigheden zijn echter zelden realistisch vanwege de natuurlijke slijtage van het bedrijfsmiddel, de omgevingsomstandigheden waarin het actief is, het onderhoudsverleden in het verleden of gewoon de manier waarop u het moet gebruiken om uw bedrijfsresultaten te behalen. Zo werden voor deze proof of concept twee identieke motoren (merk, model, productiedatum) in dezelfde carrousel geรฏnstalleerd. Deze motoren werkten bij verschillende temperatuurbereiken vanwege verschillende weersomstandigheden (een deel van de transportband aan de binnenkant en het andere aan de buitenkant van de luchthaventerminal).
Motor 1 werkte bij een temperatuur van 32โ35ยฐC. Trillingssnelheid RMS kan veranderen als gevolg van motormoeheid (bijvoorbeeld uitlijnfouten of onbalansproblemen). Zoals te zien is in de volgende afbeelding, vertoont deze motor vermoeidheidsniveaus tussen 2 en 6, met enkele pieken bij 9.
Motor 2 werkte in een koelere omgeving, waar de temperatuur tussen de 20 en 25 ยฐC lag. In deze context vertoont motor 2 vermoeidheidsniveaus tussen 4 en 8, met enkele pieken bij 10:
De meeste ML-benaderingen verwachten zeer specifieke domeinkennis en -informatie (vaak moeilijk te verkrijgen) die moet worden ontleend aan de manier waarop u elke asset bedient en onderhoudt (bijvoorbeeld patronen voor het verminderen van storingen). Dit werk moet elke keer worden uitgevoerd als u een nieuw activum wilt bewaken of als de toestand van het activum aanzienlijk verandert (bijvoorbeeld wanneer u een onderdeel vervangt). Dit betekent dat een geweldig model dat in de prototypefase wordt afgeleverd, waarschijnlijk een prestatiehit zal zien wanneer het op andere middelen wordt uitgerold, waardoor de nauwkeurigheid van het systeem drastisch wordt verminderd en uiteindelijk het vertrouwen van de eindgebruikers wordt verloren. Dit kan ook veel valse positieven veroorzaken, en je hebt de vaardigheden nodig die nodig zijn om je geldige signalen in alle ruis te vinden.
Lookout for Equipment analyseert alleen uw tijdreeksgegevens om de normale relaties tussen uw signalen te leren. Wanneer deze relaties beginnen af โโte wijken van de normale bedrijfsomstandigheden (vastgelegd in de trainingsstatus), zal de service de afwijking markeren. We hebben ontdekt dat u zich, door strikt gebruik te maken van historische gegevens voor elke asset, kunt richten op technologieรซn die de bedrijfsomstandigheden kunnen leren die uniek zijn voor een bepaalde asset in de omgeving waarin deze wordt gebruikt. Hierdoor kunt u voorspellingen doen ter ondersteuning van analyse van hoofdoorzaken en voorspellende onderhoudspraktijken. op gedetailleerd niveau, per asset en op macroniveau (door het juiste dashboard samen te stellen om u een overzicht te geven van meerdere assets tegelijk). Dit is de aanpak die we hebben gevolgd en de reden waarom we hebben besloten om Lookout for Equipment te gebruiken.
Trainingsstrategie: de koude start-uitdaging aanpakken
De BHS die we als doelwit hadden, was aanvankelijk niet geรฏnstrumenteerd. We hebben CloudRail-sensoren geรฏnstalleerd om nieuwe metingen uit ons systeem te verzamelen, maar dit betekende dat we slechts een beperkte historische diepte hadden om ons ML-model te trainen. We hebben in dit geval de koude start-uitdaging aangepakt door te erkennen dat we een continu verbeterend systeem aan het bouwen zijn. Nadat de sensoren waren geรฏnstalleerd, verzamelden we een uur aan gegevens en dupliceerden we deze informatie om Lookout for Equipment zo snel mogelijk te gaan gebruiken en onze algehele pijplijn te testen.
Zoals verwacht waren de eerste resultaten vrij onstabiel omdat het ML-model werd blootgesteld aan een zeer korte operatieperiode. Dit betekende dat elk nieuw gedrag dat het eerste uur niet werd waargenomen, zou worden gemarkeerd. Bij het bekijken van de beste sensoren leek de temperatuur op een van de motoren de hoofdverdachte (T2_MUC_ES_MTRL_TMP
in oranje in de volgende afbeelding). Omdat de initiรซle gegevensverzameling in de loop van de dag erg smal was (1 uur), kwam de belangrijkste verandering uit de temperatuurwaarden (die consistent zijn met de omgevingsomstandigheden op dat moment).
Door dit te matchen met de omgevingscondities rond deze specifieke transportband, hebben we bevestigd dat de buitentemperatuur sterk is gestegen, wat op zijn beurt de door deze sensor gemeten temperatuur heeft verhoogd. In dit geval, nadat de nieuwe gegevens (rekening houdend met de stijging van de buitentemperatuur) zijn opgenomen in de trainingsgegevensset, zullen deze deel uitmaken van het normale gedrag zoals vastgelegd door Lookout for Equipment en zal soortgelijk gedrag in de toekomst minder snel enige evenementen.
Na 5 dagen werd het model omgeschoold en daalden de fout-positieve percentages onmiddellijk drastisch:
Hoewel dit koude startprobleem een โโeerste uitdaging was om bruikbare inzichten te verkrijgen, hebben we van deze gelegenheid gebruik gemaakt om een โโomscholingsmechanisme te bouwen dat de eindgebruiker gemakkelijk kan activeren. Een maand na het begin van het experiment hebben we een nieuw model getraind door de sensorgegevens van een maand in drie maanden te dupliceren. Dit zorgde ervoor dat het aantal vals-positieven verder afnam, aangezien het model werd blootgesteld aan een breder scala aan omstandigheden. Een soortgelijke vals-positieve daling vond plaats na deze omscholing: de toestand die door het systeem werd gemodelleerd, kwam dichter bij wat gebruikers in het echte leven ervaren. Na 3 maanden hadden we eindelijk een dataset die we konden gebruiken zonder deze duplicatietruc.
Vanaf nu starten we elke 3 maanden een bijscholing en gebruiken we zo snel mogelijk tot 1 jaar aan gegevens om rekening te houden met de seizoensgebondenheid van de omgevingscondities. Wanneer we dit systeem op andere activa inzetten, kunnen we dit geautomatiseerde proces hergebruiken en de initiรซle training gebruiken om onze sensorgegevenspijplijn te valideren.
Nadat het model was getraind, implementeerden we het model en begonnen we live data naar Lookout for Equipment te sturen. Met Lookout for Equipment kunt u een planner configureren die regelmatig (bijvoorbeeld elk uur) wakker wordt om nieuwe gegevens naar het getrainde model te sturen en de resultaten te verzamelen.
Nu we weten hoe we een model moeten trainen, verbeteren en implementeren, gaan we kijken naar de operationele dashboards die voor de eindgebruikers zijn geรฏmplementeerd.
Datavisualisatie en inzichten
Eindgebruikers hebben een manier nodig om meer waarde uit hun operationele gegevens te halen om hun activagebruik beter te verbeteren. Met QuickSight hebben we het dashboard verbonden met de onbewerkte meetgegevens van ons IoT-systeem, waardoor gebruikers belangrijke apparaten op een bepaalde BHS kunnen vergelijken en contrasteren.
In het volgende dashboard kunnen gebruikers de belangrijkste sensoren controleren die worden gebruikt om de toestand van de BHS te bewaken en periode-over-periode metrische wijzigingen te verkrijgen.
In de voorgaande grafiek kunnen gebruikers elke onverwachte onbalans van de meting voor elke motor visualiseren (linker- en rechtergrafieken voor temperatuur, vermoeidheid, trillingen, wrijving en impact). Onderaan worden de belangrijkste prestatie-indicatoren samengevat, met prognoses en trends over de periode heen.
Eindgebruikers hebben toegang tot informatie voor de volgende doeleinden:
- Bekijk historische gegevens in intervallen van 2 uur tot 24 uur.
- Extraheer onbewerkte gegevens via CSV-indeling voor externe integratie.
- Visualiseer de prestaties van bedrijfsmiddelen over een bepaalde periode.
- Produceer inzichten voor operationele planning en verbeter het gebruik van bedrijfsmiddelen.
- Correlatieanalyse uitvoeren. In de volgende grafiek kan de gebruiker verschillende metingen visualiseren (zoals motormoeheid vs. temperatuur, of bagagedoorvoer vs. carrouselsnelheid) en dit dashboard gebruiken om de volgende beste onderhoudsactie beter te informeren.
Ruis uit de gegevens verwijderen
Na een paar weken merkten we dat Lookout for Equipment enkele gebeurtenissen uitzond waarvan werd aangenomen dat het valse positieven waren.
Bij het analyseren van deze gebeurtenissen ontdekten we onregelmatige dalingen in de snelheid van de carrouselmotor.
We hebben een ontmoeting gehad met het onderhoudsteam en zij hebben ons laten weten dat deze stops ofwel noodstops waren ofwel geplande onderhoudsactiviteiten tijdens stilstand. Met deze informatie bestempelden we de noodstops als anomalieรซn en gaven ze door aan Lookout for Equipment, terwijl de geplande uitvaltijden als normaal gedrag voor deze carrousel werden beschouwd.
Het begrijpen van dergelijke scenario's waarin abnormale gegevens kunnen worden beรฏnvloed door gecontroleerde externe acties, is van cruciaal belang om de nauwkeurigheid van het anomaliedetectiemodel in de loop van de tijd te verbeteren.
Rook testen
Na een paar uur na het opnieuw trainen van het model en het bereiken van relatief geen anomalieรซn, belastte ons team de activa fysiek, wat onmiddellijk door het systeem werd gedetecteerd. Dit is een veelvoorkomend verzoek van gebruikers omdat ze vertrouwd moeten raken met het systeem en hoe het reageert.
We hebben ons dashboard zo gebouwd dat eindgebruikers historische anomalieรซn met een onbeperkte periode kunnen visualiseren. Met behulp van een business intelligence-service konden ze hun gegevens naar believen ordenen, en we hebben ontdekt dat staafdiagrammen over een periode van 24 uur of cirkeldiagrammen de beste manier zijn om een โโgoed beeld te krijgen van de toestand van de BHS. Naast de dashboards die gebruikers kunnen bekijken wanneer ze maar willen, hebben we geautomatiseerde waarschuwingen ingesteld die naar een aangewezen e-mailadres en via sms worden verzonden.
Diepere inzichten halen uit anomaliedetectiemodellen
In de toekomst willen we diepere inzichten halen uit de anomaliedetectiemodellen die zijn getraind met Lookout for Equipment. We zullen QuickSight blijven gebruiken om een โโuitgebreide set widgets te bouwen. We hebben bijvoorbeeld ontdekt dat de datavisualisatie-widgets die worden weergegeven in de GitHub-voorbeelden voor Lookout for Equipment stellen ons in staat om nog meer inzichten te halen uit de ruwe output van onze modellen.
Resultaten
Reactief onderhoud in bagageafhandelingssystemen vertaalt zich als volgt:
- Lagere passagierstevredenheid door lange wachttijden of beschadigde bagage
- Lagere beschikbaarheid van bedrijfsmiddelen vanwege de ongeplande storingen en voorraadtekorten van kritieke reserveonderdelen
- Hogere bedrijfskosten door stijgende voorraadniveaus naast hogere onderhoudskosten
Het ontwikkelen van uw onderhoudsstrategie om betrouwbare, voorspellende analyses op te nemen in de besluitvormingscyclus, heeft tot doel de werking van bedrijfsmiddelen te verbeteren en gedwongen sluitingen te helpen voorkomen.
De monitoringapparatuur is in 1 dag lokaal geรฏnstalleerd en volledig op afstand geconfigureerd door IoT-experts. De in het oplossingsoverzicht beschreven cloudarchitectuur werd vervolgens binnen 90 dagen succesvol geรฏmplementeerd. Een snelle implementatietijd bewijst de voordelen die aan de eindgebruiker worden geboden, wat al snel leidt tot een verschuiving in de onderhoudsstrategie van op mensen gebaseerd reactief (storingen oplossen) naar machinegebaseerd, gegevensgestuurd proactief (voorkomen van uitvaltijden).
Conclusie
De samenwerking tussen Airis, CloudRail, Northbay Solutions en AWS leidde tot een nieuwe prestatie op King Khalid International Airport (zie het persbericht voor meer details). Als onderdeel van hun digitale transformatiestrategie plant Riyadh Airport verdere implementaties voor andere elektromechanische systemen zoals instapbruggen voor passagiers en HVAC-systemen.
Als je opmerkingen hebt over dit bericht, kun je deze in het opmerkingengedeelte plaatsen. Als je vragen hebt over deze oplossing of de implementatie ervan, start dan een nieuwe thread op opnieuw: posten, waar AWS-experts en de bredere gemeenschap u kunnen ondersteunen.
Over de auteurs
Moulham Zahabi is een luchtvaartspecialist met meer dan 11 jaar ervaring in het ontwerpen en beheren van luchtvaartprojecten en het beheer van kritieke luchthavenactiva in de GCC-regio. Hij is ook een van de medeoprichters van Airis-Solutions.ai, dat tot doel heeft de digitale transformatie van de luchtvaartindustrie te leiden door middel van innovatieve AI/ML-oplossingen voor luchthavens en logistieke centra. Tegenwoordig leidt Moulham het directoraat Asset Management van de Saudi Civil Aviation Holding Company (Matarat).
Fazan Khan is een Senior Solutions Architect die samenwerkt met klanten uit de publieke sector en begeleiding biedt bij het ontwerpen, implementeren en beheren van hun AWS-workloads en -architecturen. Fauzan is gepassioneerd om klanten te helpen bij het toepassen van innovatieve cloudtechnologieรซn op het gebied van HPC en AI/ML om zakelijke uitdagingen aan te gaan. Buiten zijn werk brengt Fauzan graag tijd door in de natuur.
Michael Hoarau is een AI/ML Specialist Solutions Architect bij AWS die afhankelijk van het moment afwisselt tussen data scientist en machine learning architect. Hij is gepassioneerd om de AI/ML-kracht naar de werkvloer van zijn industriรซle klanten te brengen en heeft gewerkt aan een breed scala aan ML-use cases, variรซrend van afwijkingsdetectie tot voorspellende productkwaliteit of productie-optimalisatie. Hij publiceerde een boek over tijdreeksanalyse in 2022 en schrijft regelmatig over dit onderwerp op LinkedIn en Medium. Wanneer hij klanten niet helpt bij het ontwikkelen van de volgende beste machine learning-ervaringen, geniet hij van het observeren van de sterren, reizen of piano spelen.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :is
- $UP
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- in staat
- Over
- versnellen
- toegang
- dienovereenkomstig
- Account
- Accounting
- nauwkeurigheid
- accuraat
- nauwkeurig
- Bereiken
- prestatie
- het bereiken van
- verwerven
- over
- Handelen
- Actie
- acties
- activiteiten
- Handelingen
- toevoeging
- Extra
- Daarnaast
- adres
- aanpakken
- adopteren
- Na
- AI
- AI / ML
- AIDS
- wil
- luchthaven
- Luchthavens
- Alerts
- opstelling
- Alles
- Het toestaan
- toestaat
- Amazone
- Amazon Lookout voor apparatuur
- analyse
- analytics
- analyseert
- het analyseren van
- en
- Jaarlijks
- onregelmatigheidsdetectie
- verschijnen
- Aanvraag
- toepassingen
- nadering
- benaderingen
- passend
- architectuur
- ZIJN
- GEBIED
- rond
- aankomen
- AS
- aanwinst
- vermogensbeheer
- Activa
- At
- geautomatiseerde
- webmaster.
- beschikbaarheid
- luchtvaart
- AWS
- tassen
- bars
- gebaseerde
- BE
- omdat
- vaardigheden
- betekent
- BEST
- Betere
- tussen
- miljarden
- Blokken
- boarding
- boek
- Onder
- Gebonden
- Storing
- breaks
- bruggen
- Bringing
- bredere
- bouw
- Gebouw
- bebouwd
- bedrijfsdeskundigen
- business intelligence
- by
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- CAN
- vangen
- carrousel
- geval
- gevallen
- Veroorzaken
- Centra
- gecentraliseerde
- zeker
- keten
- uitdagen
- uitdagingen
- uitdagend
- verandering
- Wijzigingen
- Grafieken
- controle
- CLOSED
- dichterbij
- Cloud
- Cake co-founders.
- verzamelen
- Het verzamelen van
- komst
- opmerkingen
- Gemeen
- Communicatie
- gemeenschap
- afstand
- vergelijken
- vergeleken
- compleet
- complex
- ingewikkeldheid
- bestanddeel
- componenten
- Berekenen
- concept
- voorwaarde
- voorwaarden
- vertrouwen
- BEVESTIGD
- Verbinden
- gekoppeld blijven
- versterken
- Connectiviteit
- beschouwd
- consequent
- bevat
- verband
- voortzetten
- voortgezet
- doorlopend
- doorlopend
- contrast
- onder controle te houden
- gecontroleerd
- controles
- samenwerking
- Kern
- Correlatie
- Kosten
- Kosten
- kon
- Counter
- Type cursus
- deksel
- en je merk te creรซren
- kritisch
- klant
- Klanttevredenheid
- Klanten
- cyclus
- dashboards
- gegevens
- Datameer
- data punten
- data science
- data scientist
- data visualisatie
- Gegevensgestuurde
- Datum
- dag
- dagen
- beslist
- Besluitvorming
- beslissingen
- diepere
- leveren
- geleverd
- levering
- afhankelijk
- Afhankelijk
- afhankelijk
- implementeren
- ingezet
- het inzetten
- inzet
- implementaties
- diepte
- beschrijven
- beschreven
- Design
- aangewezen
- ontwerpen
- gegevens
- gedetecteerd
- Opsporing
- Bepalen
- bepalen
- ontwikkelen
- ontwikkelde
- Ontwikkeling
- apparaat
- systemen
- anders
- moeilijk
- digitaal
- Digitale Transformatie
- directe
- ontdekt
- ontwrichten
- Ontwrichting
- verstoringen
- afstand
- verdeeld
- Nee
- domein
- Dont
- beneden
- uitvaltijd
- drastisch
- Val
- Drops
- gedurende
- dynamisch
- elk
- Vroeg
- gemakkelijker
- gemakkelijk
- rand
- effectiviteit
- beide
- element
- geeft je de mogelijkheid
- noodgeval
- in staat stellen
- maakt
- verzekeren
- waarborgt
- Geheel
- Milieu
- milieu
- uitrusting
- fout
- fouten
- Zelfs
- Event
- EVENTS
- Alle
- iedereen
- voorbeeld
- voorbeelden
- overtreffen
- Uitmuntendheid
- bestaand
- uitgebreid
- verwachten
- verwacht
- kosten
- ervaring
- Ervaringen
- het ervaren van
- expert
- deskundigen
- blootgestelde
- Media
- extern
- extract
- Storing
- vertrouwd raken
- SNELLE
- sneller
- ํผ๋ก
- Fed
- weinig
- Figuur
- Tot slot
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Voornaam*
- markeerde
- VLOOT
- Vluchten
- stroom
- vliegen
- Focus
- volgend
- Voor
- Voorspelling
- formaat
- Naar voren
- gevonden
- vers
- wrijving
- oppompen van
- geheel
- functie
- functies
- verder
- toekomst
- Krijgen
- poort
- GCC
- GCC-regio
- Duits
- krijgen
- gegeven
- Globaal
- Wereldwijd
- GmBH
- goed
- groot
- Gast
- Gast Bericht
- leiding
- handvat
- Behandeling
- gebeuren
- gebeurd
- Hebben
- met
- Titel
- hard
- hulp
- het helpen van
- helpt
- Hoge
- hoger
- historisch
- geschiedenis
- Hit
- bezit
- HOURS
- Hoe
- How To
- Echter
- hpc
- HTTPS
- identiek
- identificeert
- identificeren
- beeld
- afbeeldingen
- onbalans
- per direct
- Impact
- uitvoering
- geรฏmplementeerd
- opgelegde
- verbeteren
- het verbeteren van
- in
- omvat
- Inkomend
- nemen
- Incorporated
- Laat uw omzet
- meer
- meer
- indicatoren
- industrieel
- industrie
- beรฏnvloed
- informeren
- informatie
- op de hoogte
- Infrastructuur
- eerste
- innovatieve
- inzichten
- geรฏnstalleerd
- instantie
- geรฏntegreerde
- integratie
- Intelligentie
- voornemens zijn
- interactieve
- Interface
- storende
- Internationale
- Internet
- internet van dingen
- inventaris
- iot
- iot apparaten
- problemen
- IT
- HAAR
- jpg
- sleutel
- koning
- blijven
- kennis
- meer
- taal
- Wachttijd
- laatste
- lancering
- leiden
- leidend
- LEARN
- geleerd
- leren
- LED
- Lengte
- Lessen
- Lessons Learned
- Laten we
- Niveau
- niveaus
- Life
- levenscyclus van uw product
- als
- Waarschijnlijk
- Beperkt
- Lijn
- LINK
- leven
- actuele gegevens
- plaatselijk
- locaties
- Kijk
- op zoek
- kwijt te raken
- Laag
- machine
- machine learning
- Macro
- Hoofd
- onderhouden
- Het handhaven
- onderhoud
- maken
- MERKEN
- maken
- beheer
- beheerd
- management
- beheert
- beheren
- productie
- veel
- massief
- matching
- Mei..
- middel
- maatregel
- maten
- het meten van
- mechanisme
- Medium
- Bericht
- berichten
- methoden
- Metriek
- miljoen
- miljoenen
- Mindset
- ML
- model
- modellen
- Modern
- modi
- moment
- monitor
- Grensverkeer
- Maand
- maanden
- meer
- meest
- motor
- Motoren
- bewegend
- meervoudig
- Naturel
- NATUUR
- noodzakelijk
- Noodzaak
- behoeften
- New
- volgende
- Geluid
- een
- verkrijgen
- of
- on
- Aan boord
- EEN
- besturen
- bediend
- exploiteert
- werkzaam
- operatie
- operationele
- Operations
- exploitanten
- kansen
- optimale
- optimalisatie
- Optimaliseer
- Oranje
- organisatie
- Overige
- buiten
- totaal
- overzicht
- deel
- partner
- onderdelen
- hartstochtelijk
- verleden
- Patches
- patronen
- prestatie
- periode
- Personeel
- fase
- Fysiek
- fysiek
- stukken
- pijpleiding
- gepland
- planning
- plannen
- platform
- Plato
- Plato gegevensintelligentie
- PlatoData
- spelen
- dan
- punten
- Portaal
- positief
- mogelijk
- Post
- energie
- aangedreven
- praktijken
- Precies
- Voorspellingen
- Predictive Analytics
- premier
- pers
- heersend
- het voorkomen van
- Proactieve
- sonde
- probleem
- problemen
- Product
- Productkwaliteit
- productie
- vordert
- projecten
- bewijs
- proof of concept voor
- naar behoren
- voorgestelde
- protocol
- prototyping
- bewijst
- zorgen voor
- mits
- providers
- biedt
- het verstrekken van
- publiek
- gepubliceerde
- doeleinden
- kwaliteit
- Contact
- snel
- verhogen
- reeks
- variรซrend
- tarief
- Tarieven
- Rauw
- reageert
- vast
- echte leven
- real-time
- realistisch
- reden
- adviseren
- aanbevelingen
- verminderen
- vermindering
- regio
- regelmatig
- Relaties
- relatief
- betrouwbaar
- stoffelijk overschot
- vervangen
- te vragen
- nodig
- vereist
- Resultaten
- hergebruiken
- stijgende
- Risico
- Opgerold
- wortel
- weg
- lopen
- SaaS
- veilig
- dezelfde
- tevredenheid
- Saoedi-
- balans
- scenario's
- rooster
- Wetenschap
- Wetenschapper
- naadloos
- secundair
- seconden
- sectie
- sector
- beveiligen
- vast
- veiligheid
- scheen
- segmenten
- gekozen
- verzending
- senior
- sensor
- -Series
- Servers
- service
- dienstverleners
- Diensten
- reeks
- verscheidene
- vormen
- verschuiving
- Winkel
- schaarste
- tonen
- getoond
- Shows
- shutdowns
- Zicht
- signalen
- aanzienlijk
- gelijk
- single
- omvangrijk
- maten
- vaardigheden
- Klein
- slim
- Rook
- Software
- software als een service
- oplossing
- Oplossingen
- Lost op
- sommige
- geraffineerd
- specialist
- specifiek
- snelheid
- Uitgaven
- Sterren
- begin
- gestart
- Land
- state-of-the-art
- Stopt
- mediaopslag
- strategieรซn
- Strategie
- gestroomlijnd
- voorleggen
- geslaagd
- Met goed gevolg
- dergelijk
- leveren
- toeleveringsketen
- ondersteuning
- Ondersteuning
- system
- Systems
- tafel
- doelgerichte
- team
- teams
- Technologies
- Technologie
- terminal
- proef
- Testen
- dat
- De
- De omgeving
- De toekomst
- hun
- Ze
- zich
- daarom
- warmte-
- Deze
- spullen
- gedachte
- duizenden kosten
- Door
- overal
- doorvoer
- niet de tijd of
- Tijdreeksen
- keer
- timing
- naar
- vandaag
- onderwerp
- in de richting van
- traditioneel
- Trainen
- getraind
- Trainingen
- Transformatie
- Transformatiestrategie
- Reizend
- Trends
- leiden
- triljoenen
- BEURT
- typisch
- typisch
- die ten grondslag liggen
- begrijpen
- Onverwacht
- unieke
- eenheid
- onbeperkt
- us
- .
- Gebruiker
- gebruikers
- doorgaans
- gebruik maken van
- BEVESTIG
- waarde
- Values
- divers
- Snelheid
- via
- Bekijk
- visualisatie
- vitaal
- vluchtig
- volumes
- vs
- wachten
- waarschuwing
- Manier..
- Weer
- weken
- Wat
- of
- welke
- en
- WIE
- breed
- Grote range
- wil
- Met
- binnen
- zonder
- Mijn werk
- werkte
- Workforce
- werkzaam
- waard
- zou
- jaar
- jaar
- You
- Your
- zephyrnet