Pålitelighetsledere og teknikere i industrielle miljøer som produksjonslinjer, varehus og industrianlegg er opptatt av å forbedre utstyrets helse og oppetid for å maksimere produktproduksjon og kvalitet. Maskin- og prosessfeil løses ofte av reaktiv aktivitet etter at hendelser har skjedd eller ved kostbart forebyggende vedlikehold, der du risikerer å overvedlikeholde utstyret eller mangler problemer som kan skje mellom de periodiske vedlikeholdssyklusene. Prediktivt tilstandsbasert vedlikehold er en proaktiv strategi som er bedre enn reaktive eller forebyggende. Faktisk kombinerer denne tilnærmingen kontinuerlig overvåking, prediktiv analyse og rettferdig handling. Dette gjør det mulig for vedlikeholds- og pålitelighetsteam å utføre service på utstyr kun når det er nødvendig, basert på den faktiske utstyrets tilstand.
Det har vært vanlige utfordringer med tilstandsbasert overvåking for å generere handlingskraftig innsikt for store industrielle aktiva flåter. Disse utfordringene inkluderer, men er ikke begrenset til: bygge og vedlikeholde en kompleks infrastruktur av sensorer som samler inn data fra feltet, få en pålitelig oppsummering på høyt nivå av industrielle aktiva flåter, effektivt administrere feilvarsler, identifisere mulige årsaker til uregelmessigheter og effektivt visualisere tilstanden til industrielle eiendeler i stor skala.
Amazon Monitron er en ende-til-ende tilstandsovervåkingsløsning som lar deg begynne å overvåke utstyrets helse ved hjelp av maskinlæring (ML) på minutter, slik at du kan implementere prediktivt vedlikehold og redusere uplanlagt nedetid. Den inkluderer sensorenheter for å fange vibrasjons- og temperaturdata, en gatewayenhet for sikker overføring av data til AWS Cloud, Amazon Monitron-tjenesten som analyserer dataene for uregelmessigheter med ML, og en tilhørende mobilapp for å spore potensielle feil i maskinene dine. Feltingeniørene og operatørene dine kan bruke appen direkte til å diagnostisere og planlegge vedlikehold for industrielle eiendeler.
Fra et operativt teknologi-team (OT)-teamets synspunkt åpner bruk av Amazon Monitron-data også opp for nye måter å forbedre hvordan de driver store industrielle aktiva-flåter takket være AI. OT-team kan forsterke prediktiv vedlikeholdspraksis fra organisasjonen deres ved å bygge et konsolidert syn på tvers av flere hierarkier (aktiva, nettsteder og anlegg). De kan kombinere faktiske målings- og ML-slutningsresultater med ukjente alarmer, sensorer eller tilkoblingsstatus for utflukter, eller statusoverganger for eiendeler for å bygge en oppsummering på høyt nivå for omfanget (aktivum, nettsted, prosjekt) de er fokusert på.
Med den nylig lanserte Amazon Monitron Kinesis dataeksport v2-funksjon, OT-teamet ditt kan streame innkommende måledata og slutningsresultater fra Amazon Monitron via Amazon Kinesis til AWS Enkel lagringstjeneste (Amazon S3) for å bygge en Internet of Things (IoT) datainnsjø. Ved å utnytte siste dataeksportskjema, kan du få sensorers tilkoblingsstatus, gateways tilkoblingsstatus, målingsklassifiseringsresultater, lukkingsårsakskode og detaljer om aktivatilstandsoverganger.
Oversikt over brukssaker
Den berikede datastrømmen Amazon Monitron avslører nå gjør deg i stand til å implementere flere viktige brukstilfeller, for eksempel automatisk oppretting av arbeidsordre, berikelse av et enkelt operativt glass eller automatisering av feilrapportering. La oss dykke ned i disse brukstilfellene.
Du kan bruke Amazon Monitron Kinesis dataeksport v2 til å opprette arbeidsordrer i Enterprise Asset Management (EAM)-systemer som Infor EAM, SAP Asset Management eller IBM Maximo. For eksempel i videoen unngå mekaniske problemer med prediktivt vedlikehold og Amazon Monitron, kan du oppdage hvordan våre Amazon Fulfillment Centers unngår mekaniske problemer på transportbånd med Amazon Monitron-sensorer integrert med tredjepartsprogramvare som EAM brukt hos Amazon, så vel som med chatterom-teknikerne som brukes. Dette viser hvordan du naturlig kan integrere Amazon Monitron-innsikt i eksisterende arbeidsflyter. Følg med i de kommende månedene for å lese den neste delen av denne serien med en faktisk implementering av denne integrasjonen.
Du kan også bruke datastrømmen til å ta inn Amazon Monitron-innsikt tilbake i et butikkgulvsystem, for eksempel en Supervisory Control and Data Acquisition (SCADA) eller en historiker. Butikkgulvoperatører er mer effektive når all innsikt om deres eiendeler og prosesser er gitt i én enkelt glassrute. I dette konseptet blir ikke Amazon Monitron enda et verktøy som teknikere må overvåke, men en annen datakilde med innsikt gitt i den enkeltvisningen de allerede er vant til. Senere i år vil vi også beskrive en arkitektur du kan bruke til å utføre denne oppgaven og sende Amazon Monitron-tilbakemeldinger til store tredjeparts SCADA-systemer og historikere.
Sist, men ikke minst, inkluderer den nye datastrømmen fra Amazon Monitron aktivatilstandsovergangene og lukkekodene oppgitt av brukere når de bekrefter alarmer (som utløser overgangen til en ny tilstand). Takket være disse dataene kan du automatisk bygge visualiseringer som gir sanntidsrapportering av feilene og handlingene som ble utført under driften av sine eiendeler.
Teamet ditt kan deretter bygge et bredere dashbord for dataanalyse for å støtte din industrielle flåtestyringspraksis ved å kombinere disse eiendelstilstandsdataene med Amazon Monitron-målingsdata og andre IoT-data på tvers av store industrielle eiendelsflåter ved å bruke viktige AWS-tjenester, som vi beskriver i dette innlegget. Vi forklarer hvordan du bygger en IoT-datainnsjø, arbeidsflyten for å produsere og konsumere dataene, samt et sammendragsdashbord for å visualisere Amazon Monitron-sensordata og slutningsresultater. Vi bruker et Amazon Monitron-datasett som kommer fra ca. 780 sensorer installert i et industrilager, som har vært i drift i mer enn 1 år. For den detaljerte installasjonsveiledningen for Amazon Monitron, se Komme i gang med Amazon Monitron.
Løsningsoversikt
Amazon Monitron gir ML-slutning om eiendelshelsestatus etter 21 dager av opplæringsperioden for ML-modellen for hver eiendel. I denne løsningen eksporteres måledata og ML-slutning fra disse sensorene til Amazon S3 via Amazon Kinesis datastrømmer ved å bruke nyeste Amazon Monitron-dataeksportfunksjonen. Så snart Amazon Monitron IoT-data er tilgjengelig i Amazon S3, opprettes en database og en tabell i Amazonas Athena ved å bruke en AWS Limbånd. Du kan spørre Amazon Monitron-data via AWS Glue-tabeller med Athena, og visualisere måledata og ML-slutning med Amazon administrerte Grafana. Med Amazon Managed Grafana kan du opprette, utforske og dele observerbarhetsdashboard med teamet ditt, og bruke mindre tid på å administrere Grafana-infrastrukturen din. I dette innlegget kobler du Amazon Managed Grafana til Athena, og lærer hvordan du bygger et dataanalyse-dashbord med Amazon Monitron-data for å hjelpe deg med å planlegge industrielle aktivaoperasjoner i stor skala.
Følgende skjermbilde er et eksempel på hva du kan oppnå på slutten av dette innlegget. Dette dashbordet er delt inn i tre seksjoner:
- Plantevisning – Analytisk informasjon fra alle sensorer på tvers av anlegg; for eksempel de totale tellingene for ulike sensortilstander (friske, advarsel eller alarm), antall ikke-bekreftede og bekreftede alarmer, gateway-tilkobling og gjennomsnittlig tid for vedlikehold
- Site View – Statistikk på nettstedsnivå, for eksempel statistikk over aktivastatus på hvert nettsted, totalt antall dager som en alarm forblir ubekreftet, topp-/bunnresultater på hvert nettsted, og mer
- Asset View – Sammendragsinformasjon for Amazon Monitron-prosjektet på aktivanivå, for eksempel alarmtypen for en ikke-bekreftet alarm (ISO eller ML), tidslinjen for en alarm og mer
Disse panelene er eksempler som kan hjelpe strategisk operasjonell planlegging, men de er ikke eksklusive. Du kan bruke en lignende arbeidsflyt for å tilpasse dashbordet i henhold til din målrettede KPI.
Arkitekturoversikt
Løsningen du vil bygge i dette innlegget kombinerer Amazon Monitron, Kinesis Data Streams, Amazon Kinesis Data Firehose, Amazon S3, AWS Glue, Athena og Amazon Managed Grafana.
Følgende diagram illustrerer løsningsarkitekturen. Amazon Monitron-sensorer måler og oppdager uregelmessigheter fra utstyr. Både måledata og ML-inferensutganger eksporteres med en frekvens på én gang i timen til en Kinesis-datastrøm, og de leveres til Amazon S3 via Kinesis Data Firehose med en 1-minutters buffer. De eksporterte Amazon Monitron-dataene er i JSON-format. En AWS Glue-crawler analyserer Amazon Monitron-dataene i Amazon S3 med en valgt frekvens på én gang i timen, bygger et metadataskjema og lager tabeller i Athena. Til slutt bruker Amazon Managed Grafana Athena til å spørre etter Amazon S3-dataene, slik at dashboards kan bygges for å visualisere både måledata og enhetens helsestatus.
For å bygge denne løsningen fullfører du følgende trinn på høyt nivå:
- Aktiver en Kinesis Data Stream-eksport fra Amazon Monitron og lag en datastrøm.
- Konfigurer Kinesis Data Firehose for å levere data fra datastrømmen til en S3-bøtte.
- Bygg AWS Glue-søkeroboten for å lage en tabell med Amazon S3-data i Athena.
- Lag et dashbord med Amazon Monitron-enheter med Amazon Managed Grafana.
Forutsetninger
For dette gjennomgangen bør du ha følgende forutsetninger:
Sørg i tillegg for at alle ressursene du distribuerer er i samme region.
Aktiver en Kinesis-datastrømeksport fra Amazon Monitron og lag en datastrøm
For å konfigurere datastrømeksporten, fullfør følgende trinn:
- På Amazon Monitron-konsollen, fra prosjektets hovedside, velg Start direkte dataeksport.
- Under Velg Amazon Kinesis-datastrøm, velg Opprett en ny datastrøm.
- Under Datastrømkonfigurasjon, skriv inn datastrømmens navn.
- Til Datastrømkapasitet, velg På etterspørsel.
- Velg Lag datastrøm.
Vær oppmerksom på at enhver direktedataeksport som er aktivert etter 4. april 2023, vil strømme data etter Kinesis Data Streams v2-skjemaet. Hvis du har en eksisterende dataeksport som ble aktivert før denne datoen, vil skjemaet følge v1-formatet.
Du kan nå se direkte dataeksportinformasjon på Amazon Monitron-konsollen med din spesifiserte Kinesis-datastrøm.
Konfigurer Kinesis Data Firehose for å levere data til en S3-bøtte
For å konfigurere Firehose-leveringsstrømmen, fullfør følgende trinn:
- Velg på Kinesis-konsollen Leveringsstrømmer i navigasjonsruten.
- Velg Opprett leveringsstrøm.
- Til kilde, plukke ut Amazon Kinesis datastrømmer.
- Til Destinasjon, plukke ut Amazon S3.
- Under KildeinnstillingerFor Kinesis datastrøm, skriv inn ARN for Kinesis-datastrømmen.
- Under Navn på leveringsstrøm, skriv inn navnet på Kinesis-datastrømmen.
- Under Destinasjonsinnstillinger, velg en S3-bøtte eller skriv inn en bøtte-URI. Du kan enten bruke en eksisterende S3-bøtte til å lagre Amazon Monitron-data, eller du kan lage en ny S3-bøtte.
- Aktiver dynamisk partisjonering ved å bruke inline-parsing for JSON:
- Velg aktivert forum Dynamisk partisjonering.
- Velg aktivert forum Inline-parsing for JSON.
- Under Dynamiske partisjoneringsnøkler, legg til følgende partisjonsnøkler:
Key Name | JQ uttrykk |
prosjekt | .projectName| "project=(.)" |
nettstedet | .eventPayload.siteName| "site=(.)" |
eiendel | .eventPayload.assetName| "asset=(.)" |
posisjon | .eventPayload.positionName| "position=(.)" |
tid | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- Velg Bruk dynamiske partisjoneringsnøkler og bekreft at det genererte S3-bøtteprefikset er:
- Skriv inn et prefiks for S3 bøttefeil utgangsprefiks. Enhver JSON-nyttelast som ikke inneholder nøklene beskrevet tidligere vil bli levert i dette prefikset. For eksempel
gatewayConnected
oggatewayDisconnected
hendelser er ikke knyttet til en gitt eiendel eller posisjon. Derfor vil de ikke inneholdeassetName
ogpositionName
Enger. Ved å spesifisere dette valgfrie prefikset her kan du overvåke denne plasseringen og behandle disse hendelsene deretter. - Velg Opprett leveringsstrøm.
Du kan inspisere Amazon Monitron-dataene i S3-bøtten. Merk at Amazon Monitron-dataene vil eksportere live-data med en frekvens på én gang i timen, så vent i 1 time med å inspisere dataene.
Dette Kinesis Data Firehose-oppsettet muliggjør dynamisk partisjonering, og S3-objektene som leveres vil bruke følgende nøkkelformat:
Bygg AWS Glue-søkeroboten for å lage en tabell med Amazon S3-data i Athena
Etter at live-dataene er eksportert til Amazon S3, bruker vi en AWS Glue-crawler for å generere metadatatabellene. I dette innlegget bruker vi AWS Glue-crawlere til automatisk å utlede database- og tabellskjemaer fra Amazon Monitron-data eksportert i Amazon S3, og lagre de tilknyttede metadataene i AWS Glue Data Catalog. Athena bruker deretter tabellens metadata fra datakatalogen til å finne, lese og behandle dataene i Amazon S3. Fullfør følgende trinn for å lage database- og tabellskjemaet:
- Velg på AWS Lim-konsollen crawlers i navigasjonsruten.
- Velg Opprett crawler.
- Skriv inn et navn for søkeroboten (f.eks.
XXX_xxxx_monitron
). - Velg neste.
- Til Er dataene dine allerede kartlagt til limtabeller, velg Ikke ennå.
- Til Datakilde, velg S3.
- Til Plassering av S3-data, velg I denne kontoen, og skriv inn banen til S3-bøttekatalogen du satte opp i forrige seksjon (
s3://YourBucketName
). - Til Gjenta gjennomganger av S3-datalagre, plukke ut Gjennomgå alle undermapper.
- Til slutt velger du neste.
- Plukke ut Opprett ny IAM-rolle og skriv inn et navn for rollen.
- Velg neste.
- Plukke ut Legg til database, og skriv inn et navn for databasen. Dette oppretter Athena-databasen der metadatatabellene dine er plassert etter at robotsøkeprogrammet er fullført.
- Til Crawler-plan, velg en foretrukket tidsbasert planlegger (for eksempel hver time) for å oppdatere Amazon Monitron-dataene i databasen, og velg neste.
- Se gjennom søkerobotdetaljene og velg Opprett.
- På crawlers siden på AWS Glue-konsollen, velg søkeroboten du opprettet og velg Kjør bånd.
Du må kanskje vente noen minutter, avhengig av størrelsen på dataene. Når den er fullført, vises søkerobotens status som Klar. For å se metadatatabellene, naviger til databasen din på databaser siden og velg tabeller i navigasjonsruten.
Du kan også se data ved å velge Tabelldata på konsollen.
Du blir omdirigert til Athena-konsollen for å se de 10 beste registreringene av Amazon Monitron-dataene i Amazon S3.
Lag et dashbord med Amazon Monitron-enheter med Amazon Managed Grafana
I denne delen bygger vi et tilpasset dashbord med Amazon Managed Grafana for å visualisere Amazon Monitron-data i Amazon S3, slik at OT-teamet kan få strømlinjeformet tilgang til aktiva i alarm på tvers av hele Amazon Monitron-sensorflåten. Dette vil gjøre det mulig for OT-teamet å planlegge neste trinns handlinger basert på den mulige grunnårsaken til uregelmessighetene.
Til lage et Grafana-arbeidsområde, fullfør følgende trinn:
- Sørg for at brukerrollen din er admin eller redaktør.
- På Amazon Managed Grafana-konsollen velger du Lag arbeidsområde.
- Til Navn på arbeidsområde, skriv inn et navn for arbeidsområdet.
- Velg neste.
- Til Autentiseringstilgang, plukke ut AWS IAM Identity Center (etterfølger til AWS Single Sign-On). Du kan bruke det samme AWS IAM Identity Center-bruker som du brukte til å sette opp Amazon Monitron-prosjektet.
- Velg neste.
- For dette første arbeidsområdet, bekreft det Tjenesten administrert er valgt for Tillatelsestype. Dette valget gjør at Amazon Managed Grafana automatisk kan levere tillatelsene du trenger for AWS-datakildene du bruker for dette arbeidsområdet.
- Velg Nåværende konto.
- Velg neste.
- Bekreft arbeidsområdedetaljene, og velg Lag arbeidsområde. Siden med arbeidsområdedetaljer vises. I utgangspunktet er status SKAPER.
- Vent til status er AKTIV å gå videre til neste trinn.
For å konfigurere Athena-datakilden, fullfør følgende trinn:
- På Amazon Managed Grafana-konsollen velger du arbeidsområdet du vil jobbe på.
- På Datakilder kategorien, velg Amazonas Athena, og velg Handlinger, Aktiver tjenesteadministrert policy.
- Velg Konfigurer i Grafana i Amazonas Athena rad.
- Logg på Grafana arbeidsområdekonsollen ved hjelp av IAM Identity Center om nødvendig. Brukeren bør ha Athena-tilgangspolicyen knyttet til brukeren eller rollen for å ha tilgang til Athena-datakilden. Se AWS administrert policy: AmazonGrafanaAthenaAccess for mer info.
- På Grafana arbeidsområdekonsollen, i navigasjonsruten, velg det nedre AWS-ikonet (det er to) og velg deretter Athena på Datakilder menyen.
- Velg standardregionen du vil at Athena-datakilden skal spørre fra, velg kontoene du vil ha, og velg deretter Legg til datakilde.
- Følg trinnene til konfigurer Athena-detaljer.
Hvis arbeidsgruppen din i Athena ikke allerede har konfigurert en utdataplassering, må du spesifisere en S3-bøtte og -mappe som skal brukes for søkeresultater. Etter å ha satt opp datakilden, kan du se eller redigere den i Konfigurasjon ruten.
I de følgende underavsnittene demonstrerer vi flere paneler i Amazon Monitron-dashbordet bygget i Amazon Managed Grafana for å få driftsinnsikt. Athena-datakilden gir en standard SQL-spørringseditor som vi vil bruke til å analysere Amazon Monitron-dataene for å generere ønsket analyse.
For det første, hvis det er mange sensorer i Amazon Monitron-prosjektet og de er i forskjellige tilstander (sunne, advarsel, alarmer og trenger vedlikehold), ønsker OT-teamet å visuelt se antall posisjoner som sensorer er i forskjellige tilstander. Du kan få slik informasjon som en kakediagram-widget i Grafana via følgende Athena-spørring:
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;
Følgende skjermbilde viser et panel med den nyeste distribusjonen av Amazon Monitron-sensorstatus.
For å formatere SQL-spørringen din for Amazon Monitron-data, se Forstå dataeksportskjemaet.
Deretter vil driftsteknologiteamet ditt kanskje planlegge prediktivt vedlikehold basert på aktiva som er i alarmstatus, og derfor vil de raskt vite det totale antallet bekreftede alarmer vs. ikke-bekreftede alarmer. Du kan vise sammendragsinformasjonen om alarmtilstand som enkle statistikkpaneler i 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';
Følgende panel viser bekreftede og ikke-bekreftede alarmer.
OT-teamet kan også spørre hvor lenge sensorene forblir i alarmstatus, slik at de kan bestemme vedlikeholdsprioriteten:
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;
Resultatet av denne analysen kan visualiseres av et søylediagram i Grafana, og alarmen i alarmtilstand kan enkelt visualiseres som vist i følgende skjermbilde.
Bruk følgende spørring for å analysere ytelsen på topp/bunnen basert på den totale tiden eiendelene er i alarm eller trenger vedlikehold:
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;
Følgende søylemåler brukes til å visualisere forrige spørringsutdata, med de beste aktivaene som viser 0 dager med alarmtilstander, og de nederste aktivaene viser akkumulerte alarmtilstander i løpet av det siste året.
For å hjelpe OT-teamet til å forstå den mulige grunnårsaken til en anomali, kan alarmtypene vises for disse aktivaene som fortsatt er i alarmtilstand med følgende spørring:
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');
Du kan visualisere denne analysen som en tabell i Grafana. I dette Amazon Monitron-prosjektet ble to alarmer utløst av ML-modeller for vibrasjonsmåling.
Amazon Managed Grafana-dashbordet vises her for illustrasjonsformål. Du kan tilpasse dashborddesignet etter dine egne forretningsbehov.
Feilrapporter
Når en bruker bekrefter en alarm i Amazon Monitron-appen, går de tilknyttede eiendelene over til en ny tilstand. Brukeren har også mulighet til å gi noen detaljer om denne alarmen:
- Feil årsak – Dette kan være ett av følgende: ADMINISTRASJON, DESIGN, FABRIKASJON, VEDLIKEHOLD, DRIFT, ANNET, KVALITET, SLITasje eller UBESTEMMET
- Feil modus – Dette kan være ett av følgende: NO_ISSUE, BLOCKAGE, CAVITATION, CORROSION, DEPOSIT, IMBALANCE, LUBRICATION, MISALIGNMENT, OTHER, RESONANCE, ROTATING_LOOSENESS, STRUCTURAL_LOOSENESS, TRANSMITTED_FAULT eller UBESTEMMET
- Tiltak – Dette kan være ADJUST, CLEAN, LUBRICATE, ENDRE, OVERHAUL, REPLACE, NO_ACTION eller OTHER
Hendelsesnyttelasten knyttet til aktivatilstandsovergangen inneholder all denne informasjonen, den forrige tilstanden til aktivaet og den nye tilstanden til aktivaet. Følg med for en oppdatering av dette innlegget med flere detaljer om hvordan du kan bruke denne informasjonen i et ekstra Grafana-panel for å bygge Pareto-diagrammer over de vanligste feilene og handlingene som utføres på tvers av eiendelene dine.
konklusjonen
Enterprise-kunder til Amazon Monitron leter etter en løsning for å bygge en IoT-datainnsjø med Amazon Monitrons live-data, slik at de kan administrere flere Amazon Monitron-prosjekter og eiendeler, og generere analyserapporter på tvers av flere Amazon Monitron-prosjekter. Dette innlegget gir en detaljert gjennomgang av en løsning for å bygge denne IoT-datasjøen med det siste Amazon Monitron Kinesis dataeksport v2-funksjon. Denne løsningen viste også hvordan man bruker andre AWS-tjenester, som AWS Glue og Athena for å spørre etter dataene, generere analyseutganger og visualisere slike utdata med Amazon Managed Grafana med hyppig oppdatering.
Som et neste trinn kan du utvide denne løsningen ved å sende ML-slutningsresultater til andre EAM-systemer som du kan bruke til administrasjon av arbeidsordre. Dette vil tillate driftsteamet ditt å integrere Amazon Monitron med andre bedriftsapplikasjoner og forbedre driftseffektiviteten deres. Du kan også begynne å bygge mer dyptgående innsikt i feilmodusene dine og handlingene du utfører ved å behandle aktivatilstandsovergangene og lukkekodene som nå er en del av Kinesis datastrømnyttelast.
Om forfatterne
Julia Hu er Sr. AI/ML Solutions Architect hos Amazon Web Services. Hun har lang erfaring innen IoT-arkitektur og Applied Data Science, og er en del av både Machine Learning og IoT Technical Field Community. Hun jobber med kunder, alt fra oppstartsbedrifter til bedrifter, for å utvikle AWSome IoT-maskinlæringsløsninger (ML), på Edge og i skyen. Hun liker å utnytte den nyeste IoT- og big data-teknologien for å skalere opp ML-løsningen hennes, redusere ventetiden og akselerere industriadopsjon.
Bishr Tabbaa er løsningsarkitekt hos Amazon Web Services. Bishr spesialiserer seg på å hjelpe kunder med applikasjoner for maskinlæring, sikkerhet og observerbarhet. Utenom jobben liker han å spille tennis, lage mat og tilbringe tid med familien.
Shalika Pargal er produktsjef hos Amazon Web Services. Shalika fokuserer på å bygge AI-produkter og -tjenester for industrielle kunder. Hun har betydelig erfaring i skjæringspunktet mellom produkt-, industri- og forretningsutvikling. Hun delte nylig Monitrons suksesshistorie på Reinvent 2022.
Garry Galinsky er en hovedløsningsarkitekt som støtter Amazon på AWS. Han har vært involvert i Monitron siden debuten og har hjulpet med å integrere og distribuere løsningen i Amazons verdensomspennende oppfyllingsnettverk. Han delte nylig Amazons Monitron suksesshistorie på re: Invent 2022.
Michael Hoarau er en AI/ML Specialist Solutions Architect hos AWS som veksler mellom dataforsker og maskinlæringsarkitekt, avhengig av øyeblikket. Han er lidenskapelig opptatt av å bringe AI/ML-kraften til butikkgulvene til industrielle kunder og har jobbet med et bredt spekter av ML-brukstilfeller, alt fra avviksdeteksjon til prediktiv produktkvalitet eller produksjonsoptimalisering. Han publiserte en bok om tidsserieanalyse i 2022 og skriver regelmessig om dette emnet på Linkedin og Medium. Når han ikke hjelper kundene med å utvikle de nest beste maskinlæringsopplevelsene, liker han å observere stjernene, reise eller spille piano.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
- Minting the Future med Adryenn Ashley. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- : har
- :er
- :ikke
- $OPP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- Om oss
- akselerere
- adgang
- Ifølge
- tilsvar
- kontoer
- akkumulert
- Oppnå
- oppkjøp
- tvers
- Handling
- handlinger
- aktivitet
- tilpasse
- Ytterligere
- admin
- administrasjon
- Adopsjon
- Etter
- AI
- AI / ML
- Aid
- alarm
- Varsler
- Alle
- tillate
- tillater
- allerede
- også
- Amazon
- Amazon Kinesis
- Amazon administrerte Grafana
- Amazon Web Services
- beløp
- an
- analyse
- Analytisk
- analytics
- analysere
- analyser
- og
- anomali påvisning
- En annen
- noen
- app
- søknader
- anvendt
- tilnærming
- April
- arkitektur
- ER
- AS
- eiendel
- Kapitalforvaltning
- Eiendeler
- assosiert
- At
- Automatisert
- automatisk
- Automatisere
- tilgjengelig
- gjennomsnittlig
- unngå
- AWS
- AWS Lim
- tilbake
- Bar
- basert
- BE
- bli
- vært
- før du
- BEST
- Bedre
- mellom
- Stor
- Store data
- bok
- både
- Bunn
- Bringe
- Bringer
- bredere
- buffer
- bygge
- Bygning
- bygger
- bygget
- virksomhet
- forretningsutvikling
- men
- by
- CAN
- Kan få
- fangst
- saken
- saker
- katalog
- Årsak
- årsaker
- sentrum
- Sentre
- utfordringer
- Figur
- Topplisten
- chatterom
- Velg
- velge
- valgt ut
- klassifisering
- nedleggelse
- Cloud
- kode
- Samle
- kombinere
- skurtreskerne
- kombinere
- kommer
- Felles
- samfunnet
- fullføre
- komplekse
- konsept
- tilstand
- Bekrefte
- Koble
- Tilkobling
- Konsoll
- forbruke
- inneholde
- inneholder
- kontinuerlig
- kontroll
- kunne
- crawler
- skape
- opprettet
- skaper
- skaperverket
- Kunder
- tilpasse
- tilpasset
- sykluser
- dashbord
- dato
- Data Analytics
- Data Lake
- datavitenskap
- dataforsker
- Database
- Dato
- Dager
- debut
- bestemme
- Misligholde
- leverer
- levert
- levering
- demonstrere
- avhengig
- utplassere
- innskudd
- beskrive
- beskrevet
- utforming
- ønsket
- detaljert
- detaljer
- Gjenkjenning
- utvikle
- Utvikling
- enhet
- Enheter
- forskjellig
- direkte
- oppdage
- distribusjon
- Divided
- ikke
- nedetid
- dynamisk
- hver enkelt
- Tidligere
- lett
- Edge
- redaktør
- effektivt
- effektivitet
- effektiv
- effektivt
- enten
- muliggjøre
- aktivert
- muliggjør
- ende til ende
- Ingeniører
- anriket
- berikende
- Enter
- Enterprise
- bedrifter
- miljøer
- utstyr
- feil
- Event
- hendelser
- eksempel
- eksempler
- Eksklusiv
- eksisterende
- Expand
- erfaring
- Erfaringer
- Forklar
- utforske
- eksportere
- omfattende
- Omfattende erfaring
- Failure
- familie
- tilbakemelding
- Noen få
- felt
- Felt
- Endelig
- Finn
- Først
- FLÅTE
- Gulv
- fokuserte
- fokuserer
- følge
- etter
- Til
- format
- Frekvens
- hyppig
- fra
- Gevinst
- gateway
- generere
- generert
- få
- gitt
- glass
- Gruppe
- veilede
- skje
- Ha
- he
- Helse
- sunt
- hjelpe
- hjulpet
- hjelpe
- her.
- høyt nivå
- Hvordan
- Hvordan
- HTML
- HTTPS
- IBM
- ICON
- identifisere
- Identitet
- ubalanse
- iverksette
- gjennomføring
- forbedre
- in
- dyptgående
- inkludere
- inkluderer
- Innkommende
- industriell
- industri
- info
- informasjon
- Infrastruktur
- i utgangspunktet
- innsikt
- installerte
- avdrag
- f.eks
- integrere
- integrert
- integrering
- Internet
- Internett av ting
- kryss
- inn
- involvert
- IOT
- ISO
- saker
- IT
- DET ER
- bli medlem
- jpg
- JSON
- Keen
- nøkkel
- nøkler
- Kinesis Data brannslange
- Kinesis datastrømmer
- Vet
- innsjø
- stor
- Ventetid
- siste
- lansert
- LÆRE
- læring
- Nivå
- utnytte
- BEGRENSE
- Begrenset
- linjer
- knyttet
- leve
- live data
- ligger
- plassering
- ser
- maskin
- maskinlæring
- maskiner
- Hoved
- vedlikeholde
- vedlikehold
- større
- gjøre
- administrer
- fikk til
- ledelse
- leder
- Ledere
- administrerende
- produksjon
- mange
- Maksimer
- Kan..
- måle
- mekanisk
- medium
- Meny
- metadata
- kunne
- minutter
- mangler
- ML
- Mobil
- Mobilapp
- modell
- modeller
- moduser
- modifisere
- øyeblikk
- Overvåke
- overvåking
- måneder
- mer
- mer effektivt
- mest
- flere
- navn
- Naviger
- Navigasjon
- nødvendig
- Trenger
- behov
- nettverk
- Ny
- neste
- nå
- Antall
- gjenstander
- få
- of
- on
- ONE
- bare
- åpner
- betjene
- drift
- drift
- operasjonell
- Drift
- operatører
- Opportunity
- optimalisering
- or
- rekkefølge
- ordrer
- organisasjon
- Annen
- vår
- produksjon
- utenfor
- enn
- samlet
- overhaling
- egen
- side
- brød
- panel
- paneler
- del
- lidenskapelig
- Past
- banen
- Utfør
- ytelse
- utfører
- periodisk
- tillatelse
- tillatelser
- fly
- planlegging
- Hvordan få de til å trives
- plato
- Platon Data Intelligence
- PlatonData
- spiller
- politikk
- posisjon
- stillinger
- mulig
- Post
- potensiell
- makt
- praksis
- Prediktiv Analytics
- trekkes
- forutsetninger
- forrige
- Principal
- prioritet
- Proaktiv
- prosess
- Prosesser
- prosessering
- produsere
- Produkt
- Produktsjef
- Produktkvalitet
- Produksjon
- Produkter
- prosjekt
- prosjekter
- gi
- forutsatt
- gir
- forsyning
- publisert
- formål
- kvalitet
- raskt
- område
- spenner
- RE
- Lese
- sanntids
- grunnen til
- nylig
- poster
- redusere
- region
- regelmessig
- forsterke
- pålitelighet
- pålitelig
- forbli
- forblir
- erstatte
- Rapportering
- Rapporter
- resonans
- Ressurser
- Resultater
- Risiko
- Rolle
- Rom
- root
- RAD
- Kjør
- rennende
- s
- samme
- sap
- Skala
- Vitenskap
- Forsker
- omfang
- Seksjon
- seksjoner
- sikkert
- sikkerhet
- valgt
- utvalg
- sending
- sensorer
- Serien
- tjeneste
- Tjenester
- sett
- innstilling
- oppsett
- flere
- Del
- delt
- Shop
- bør
- Vis
- vist
- Viser
- signifikant
- lignende
- Enkelt
- siden
- enkelt
- nettstedet
- Nettsteder
- Størrelse
- So
- Software
- løsning
- Solutions
- noen
- kilde
- Kilder
- spesialist
- spesialisert
- spesifisert
- bruke
- utgifter
- Standard
- Stjerner
- Begynn
- start-ups
- startet
- Tilstand
- Stater
- statistikk
- stats
- status
- opphold
- Trinn
- Steps
- Still
- lagring
- oppbevare
- Strategisk
- Strategi
- stream
- strømlinjeformet
- bekker
- suksess
- slik
- SAMMENDRAG
- støtte
- Støtte
- system
- Systemer
- bord
- målrettet
- Oppgave
- lag
- lag
- Teknisk
- Teknologi
- enn
- Takk
- Det
- De
- Staten
- deres
- Der.
- derfor
- Disse
- de
- ting
- tredjeparts
- denne
- dette året
- tre
- tid
- Tidsserier
- tidslinje
- tidsstempel
- til
- verktøy
- topp
- Top 10
- Tema
- Totalt
- spor
- Kurs
- overføre
- overgang
- overganger
- Traveling
- utløse
- utløst
- typer
- forstå
- Oppdater
- oppetid
- bruke
- brukt
- Bruker
- Brukere
- ved hjelp av
- v1
- ulike
- av
- video
- Se
- vs
- vente
- walkthrough
- advarsel
- var
- måter
- we
- web
- webtjenester
- VI VIL
- var
- Hva
- hvilken
- mens
- HVEM
- hele
- bred
- Bred rekkevidde
- vil
- med
- Arbeid
- arbeidet
- arbeidsflyt
- arbeidsgruppe
- virker
- verdensomspennende
- år
- Du
- Din
- youtube
- zephyrnet