Aceasta este o postare pentru invitați scrisă împreună cu Moulham Zahabi din Matarat.
Probabil că toată lumea și-a înregistrat bagajele când a zburat și a așteptat cu nerăbdare să apară bagajele la carusel. Livrarea cu succes și la timp a bagajelor dvs. depinde de o infrastructură masivă numită sistem de manipulare a bagajelor (BHS). Această infrastructură este una dintre funcțiile cheie ale operațiunilor de succes ale aeroportului. Gestionarea cu succes a bagajelor și a mărfurilor pentru zborurile de plecare și de sosire este esențială pentru a asigura satisfacția clienților și pentru a oferi excelență operațională a aeroportului. Această funcție depinde în mare măsură de funcționarea continuă a BHS și de eficacitatea operațiunilor de întreținere. Fiind linia de salvare a aeroporturilor, un BHS este un activ liniar care poate depăși 34,000 de metri lungime (pentru un singur aeroport) care manipulează peste 70 de milioane de bagaje anual, făcându-l unul dintre cele mai complexe sisteme automate și o componentă vitală a operațiunilor aeroportuare.
Timpul neplanificat al unui sistem de manipulare a bagajelor, fie că este vorba despre o bandă transportoare, un carusel sau o unitate de sortare, poate perturba operațiunile aeroportului. O astfel de întrerupere este obligată să creeze o experiență neplăcută pasagerilor și, eventual, să impună sancțiuni furnizorilor de servicii aeroportuare.
Provocarea predominantă în ceea ce privește menținerea unui sistem de manipulare a bagajelor este modul de operare a unui sistem integrat de peste 7,000 de active și peste un milion de puncte de referință în mod continuu. Aceste sisteme gestionează, de asemenea, milioane de genți de diferite forme și dimensiuni. Este sigur să presupunem că sistemele de manipulare a bagajelor sunt predispuse la erori. Deoarece elementele funcționează într-o buclă închisă, dacă un element se defectează, acesta afectează întreaga linie. Activitățile tradiționale de întreținere se bazează pe o forță de muncă considerabilă distribuită în locații cheie de-a lungul BHS, expediată de operatori în cazul unei defecțiuni operaționale. Echipele de întreținere se bazează, de asemenea, foarte mult pe recomandările furnizorilor pentru a programa timpii de nefuncționare pentru întreținerea preventivă. Determinarea dacă activitățile de întreținere preventivă sunt implementate în mod corespunzător sau monitorizarea performanței acestui tip de activ poate fi nesigură și nu reduce riscul unui timp neprevăzut.
Gestionarea pieselor de schimb este o provocare suplimentară, deoarece timpii de livrare cresc din cauza întreruperilor lanțului global de aprovizionare, dar deciziile de reaprovizionare a stocurilor se bazează pe tendințele istorice. În plus, aceste tendințe nu încorporează mediul dinamic volatil de operare a activelor BHS pe măsură ce îmbătrânesc. Pentru a aborda aceste provocări, trebuie să aibă loc o schimbare seismică în strategiile de întreținere - trecând de la o mentalitate reactivă la una proactivă. Această schimbare necesită ca operatorii să utilizeze cea mai recentă tehnologie pentru a eficientiza activitățile de întreținere, a optimiza operațiunile și a minimiza cheltuielile de operare.
În această postare, descriem modul în care AWS Partner Airis Solutions a folosit Amazon Lookout pentru echipamente, servicii AWS Internet of Things (IoT) și CloudRail tehnologii de senzori pentru a oferi o soluție de ultimă generație pentru a aborda aceste provocări.
Prezentare generală a sistemului de manipulare a bagajelor
Următoarea diagramă și tabel ilustrează măsurătorile efectuate pe un carusel tipic din Aeroportul Internațional King Khalid din Riad.
Datele sunt colectate în diferite locații ilustrate în diagramă.
Tip senzor | Valoarea afacerii | Datasets | Locație |
Senzori de viteză IO Link | Viteză omogenă a caruselului | PDV1 (1 pe minut) | C |
Senzor de vibrații cu integrat Senzor De Temperatura |
Șurub slăbit, Arbore nealiniat, Daune la rulment, Deteriorarea înfășurării motorului |
Oboseală (v-RMS) (m/s) Impact (a-vârf) (m/s^2) Frecare (a-RMS) (m/s^2) Temperatura (C) coamă |
A și B |
Senzor PEC de distanță | Debitul de bagaje | Distanța (cm) | D |
Următoarele imagini arată mediul și echipamentele de monitorizare pentru diferitele măsurători.
Prezentare generală a soluțiilor
Sistemul de întreținere predictivă (PdMS) pentru sistemele de manipulare a bagajelor este o arhitectură de referință care îi ajută pe operatorii de întreținere a aeroporturilor în călătoria lor pentru a avea date ca un factor care să permită îmbunătățirea timpului de oprire neplanificat. Conține blocuri pentru a accelera dezvoltarea și implementarea senzorilor și serviciilor conectate. PdMS include servicii AWS pentru a gestiona în siguranță ciclul de viață al dispozitivelor de calcul edge și al activelor BHS, asimilarea datelor în cloud, stocarea, modelele de inferență de învățare automată (ML) și logica de afaceri pentru a alimenta întreținerea proactivă a echipamentelor în cloud.
Această arhitectură a fost construită din lecțiile învățate în timpul lucrului cu operațiunile aeroportuare de-a lungul mai multor ani. Soluția propusă a fost dezvoltată cu sprijinul Northbay Solutions, un partener AWS Premier și poate fi implementată în aeroporturi de toate dimensiunile și dimensiunile pe mii de dispozitive conectate în decurs de 90 de zile.
Următoarea diagramă de arhitectură expune componentele de bază utilizate pentru a construi soluția de întreținere predictivă:
Folosim următoarele servicii pentru a ne asambla arhitectura:
- CloudRail.DMC este o soluție software ca serviciu (SaaS) a expertului german IoT CloudRail GmbH. Această organizație gestionează flote de gateway-uri edge distribuite la nivel global. Cu acest serviciu, senzorii industriali, contoarele inteligente și serverele OPC UA pot fi conectate la un lac de date AWS cu doar câteva clicuri.
- AWS IoT Core vă permite să conectați miliarde de dispozitive IoT și să direcționați trilioane de mesaje către serviciile AWS fără a gestiona infrastructura. Transmite în siguranță mesaje către și de la toate dispozitivele și aplicațiile dvs. IoT cu latență scăzută și debit mare. Folosim AWS IoT Core pentru a ne conecta la senzorii CloudRail și a transmite măsurătorile acestora către AWS Cloud.
- AWS IoT Analytics este un serviciu complet gestionat care face ușoară rularea și operaționalizarea analizelor sofisticate pe volume masive de date IoT, fără a fi nevoie să vă faceți griji cu privire la costurile și complexitatea necesare de obicei pentru a construi o platformă de analiză IoT. Este o modalitate ușoară de a rula analize pe datele IoT pentru a obține informații precise.
- Amazon Lookout pentru echipamente analizează datele de la senzorii echipamentelor pentru a crea automat un model ML pentru echipamentul dvs. pe baza datelor specifice activelor - nu sunt necesare abilități de știință a datelor. Lookout for Equipment analizează datele senzorilor primite în timp real și identifică cu precizie semnalele de avertizare timpurie care ar putea duce la un timp neașteptat.
- Amazon QuickSight permite tuturor din organizație să înțeleagă datele punând întrebări în limbaj natural, vizualizând informații prin tablouri de bord interactive și căutând automat modele și valori aberante bazate pe ML.
După cum este ilustrat în diagrama următoare, această arhitectură permite datelor senzorilor să circule către perspective operaționale.
Punctele de date sunt colectate folosind senzori IO-Link: IO-Link este o interfață standardizată pentru a permite comunicarea fără întreruperi de la nivelul de control al unui activ industrial (în cazul nostru, sistemul de manipulare a bagajelor) până la nivelul senzorului. Acest protocol este utilizat pentru a alimenta datele senzorului într-un gateway edge CloudRail și este încărcat în AWS IoT Core. Acesta din urmă furnizează apoi date despre echipamente modelelor ML pentru a identifica problemele operaționale și ale echipamentelor care pot fi utilizate pentru a determina momentul optim pentru întreținerea sau înlocuirea activelor fără a suporta costuri inutile.
De colectare a datelor
Modernizarea activelor existente și a sistemelor lor de control în cloud rămâne o abordare provocatoare pentru operatorii de echipamente. Adăugarea de senzori secundari oferă o modalitate rapidă și sigură de a achiziționa datele necesare, fără a interfera cu sistemele existente. Prin urmare, este mai ușor, mai rapid și non-invaziv în comparație cu conectarea directă a PLC-urilor unei mașini. În plus, senzorii adaptați pot fi selectați pentru a măsura cu precizie punctele de date necesare pentru anumite moduri de defecțiune.
Cu CloudRail, fiecare senzor industrial IO-Link poate fi conectat la servicii AWS precum AWS IoT Core, AWS IoT SiteWise, Sau AWS IoT Greengrass în câteva secunde printr-un portal de management al dispozitivelor bazat pe cloud (CloudRail.DMC). Acest lucru le permite experților IoT să lucreze din locații centralizate și sisteme fizice la bord care sunt distribuite la nivel global. Soluția rezolvă provocările conectivitatii de date pentru sistemele de întreținere predictivă printr-un mecanism ușor de conectat și utilizat.
Poarta de acces acționează ca Zona Industrială Demilitarizată (IDMZ) între echipament (OT) și serviciul cloud (IT). Printr-o aplicație integrată de gestionare a flotei, CloudRail se asigură că cele mai recente corecții de securitate sunt implementate automat în mii de instalări.
Următoarea imagine arată un senzor IO-Link și gateway-ul de margine CloudRail (în portocaliu):
Antrenarea unui model de detectare a anomaliilor
Organizațiile din majoritatea segmentelor industriale văd că strategiile moderne de întreținere se îndepărtează de la abordări reactive de la rulare până la eșec și avansează către metode mai predictive. Cu toate acestea, trecerea la o abordare de întreținere bazată pe condiție sau predictivă necesită date colectate de la senzorii instalați în toate unitățile. Utilizarea datelor istorice capturate de acești senzori împreună cu analizele ajută la identificarea precursorilor defecțiunilor echipamentelor, ceea ce permite personalului de întreținere să acționeze în consecință înainte de defecțiune.
Sistemele de întreținere predictivă se bazează pe capacitatea de a identifica când ar putea apărea defecțiuni. Producătorii OEM de echipamente oferă de obicei fișe de date pentru echipamentele lor și recomandă monitorizarea anumitor valori operaționale pe baza unor condiții aproape perfecte. Cu toate acestea, aceste condiții sunt rareori realiste din cauza uzurii naturale a activului, a condițiilor de mediu în care funcționează, a istoriei sale de întreținere trecute sau doar a modului în care trebuie să îl utilizați pentru a obține rezultatele afacerii dumneavoastră. De exemplu, două motoare identice (marca, modelul, data producției) au fost instalate în același carusel pentru această dovadă de concept. Aceste motoare au funcționat la diferite intervale de temperatură din cauza expunerii la intemperii diferite (o parte a benzii transportoare în interior și cealaltă în exteriorul terminalului aeroportului).
Motorul 1 a funcționat la o temperatură cuprinsă între 32-35°C. Viteza RMS a vibrațiilor se poate modifica din cauza oboselii motorului (de exemplu, erori de aliniere sau probleme de dezechilibru). După cum se arată în figura următoare, acest motor prezintă niveluri de oboseală cuprinse între 2 și 6, cu unele vârfuri la 9.
Motorul 2 a funcționat într-un mediu mai rece, unde temperatura varia între 20-25°C. În acest context, motorul 2 prezintă niveluri de oboseală între 4-8, cu unele vârfuri la 10:
Cele mai multe abordări ML se așteaptă la cunoștințe și informații de domeniu foarte specifice (adesea dificil de obținut) care trebuie extrase din modul în care operați și întrețineți fiecare activ (de exemplu, modele de degradare a defecțiunilor). Această lucrare trebuie efectuată de fiecare dată când doriți să monitorizați un nou activ sau dacă condițiile activelor se schimbă semnificativ (cum ar fi atunci când înlocuiți o piesă). Aceasta înseamnă că un model excelent livrat în faza de prototipare va avea probabil o performanță afectată atunci când este lansat pe alte active, reducând drastic acuratețea sistemului și, în final, pierzând încrederea utilizatorilor finali. Acest lucru poate provoca, de asemenea, multe rezultate false pozitive și veți avea nevoie de abilitățile necesare pentru a vă găsi semnalele valide în tot zgomotul.
Lookout for Equipment analizează doar datele din seria temporală pentru a afla relațiile normale dintre semnale. Apoi, atunci când aceste relații încep să se abată de la condițiile normale de funcționare (capturate în starea de antrenament), serviciul va semnaliza anomalia. Am descoperit că utilizarea strictă a datelor istorice pentru fiecare activ vă permite să vă concentrați asupra tehnologiilor care pot afla condițiile de operare care vor fi unice pentru un anumit activ, chiar în mediul în care operează. Acest lucru vă permite să furnizați predicții care sprijină analiza cauzei principale și practicile de întreținere predictivă. la un nivel granular, per activ și la nivel macro (prin asamblarea tabloului de bord adecvat pentru a vă permite să obțineți o imagine de ansamblu asupra mai multor active simultan). Aceasta este abordarea pe care am adoptat-o și motivul pentru care am decis să folosim Lookout for Equipment.
Strategia de antrenament: Abordarea provocării pornirii la rece
BHS-ul pe care l-am vizat nu a fost instrumentat la început. Am instalat senzori CloudRail pentru a începe să colectăm noi măsurători din sistemul nostru, dar asta însemna că am avut doar o adâncime istorică limitată pentru a ne antrena modelul ML. Am abordat provocarea pornirii la rece în acest caz, recunoscând că construim un sistem în continuă îmbunătățire. După ce au fost instalați senzorii, am colectat o oră de date și am duplicat aceste informații pentru a începe să folosim Lookout for Equipment cât mai curând posibil și a ne testa conducta generală.
După cum era de așteptat, primele rezultate au fost destul de instabile, deoarece modelul ML a fost expus la o perioadă foarte mică de operațiuni. Aceasta însemna că orice comportament nou care nu este văzut în prima oră va fi semnalat. Privind senzorii de top, temperatura unuia dintre motoare părea a fi principalul suspect (T2_MUC_ES_MTRL_TMP
în portocaliu în figura următoare). Deoarece captarea inițială a datelor a fost foarte îngustă (1 oră), pe parcursul zilei, principala modificare a venit din valorile temperaturii (ceea ce este în concordanță cu condițiile de mediu din acel moment).
Atunci când am corelat acest lucru cu condițiile de mediu din jurul acestei benzi transportoare specifice, am confirmat că temperatura exterioară a crescut sever, ceea ce, la rândul său, a crescut temperatura măsurată de acest senzor. În acest caz, după ce noile date (luând în considerare creșterea temperaturii exterioare) sunt încorporate în setul de date de antrenament, acestea vor face parte din comportamentul normal capturat de Lookout for Equipment, iar comportamentul similar în viitor va fi mai puțin probabil să creeze evenimente.
După 5 zile, modelul a fost reantrenat și ratele fals pozitive au scăzut imediat:
Deși această problemă de pornire la rece a fost o provocare inițială pentru a obține informații utile, am folosit această oportunitate pentru a construi un mecanism de recalificare pe care utilizatorul final îl poate declanșa cu ușurință. La o lună de la experimentare, am antrenat un nou model prin duplicarea datelor senzorilor pentru o lună în 3 luni. Acest lucru a continuat să reducă ratele fals pozitive, deoarece modelul a fost expus la un set mai larg de condiții. O scădere similară a ratei fals pozitive a avut loc după această recalificare: condiția modelată de sistem a fost mai aproape de ceea ce se confruntă utilizatorii în viața reală. După 3 luni, am avut în sfârșit un set de date pe care l-am putea folosi fără a folosi acest truc de duplicare.
De acum încolo, vom lansa o recalificare la fiecare 3 luni și, cât mai curând posibil, vom folosi până la 1 an de date pentru a ține cont de sezonalitatea stării de mediu. Atunci când implementăm acest sistem pe alte active, vom putea reutiliza acest proces automat și vom folosi instruirea inițială pentru a valida conducta noastră de date ale senzorilor.
După ce modelul a fost instruit, am implementat modelul și am început să trimitem date live către Lookout for Equipment. Lookout for Equipment vă permite să configurați un programator care se trezește în mod regulat (de exemplu, în fiecare oră) pentru a trimite date noi modelului antrenat și a colecta rezultatele.
Acum că știm cum să antrenăm, să îmbunătățim și să implementăm un model, să ne uităm la tablourile de bord operaționale implementate pentru utilizatorii finali.
Vizualizarea datelor și perspective
Utilizatorii finali au nevoie de o modalitate de a extrage mai multă valoare din datele lor operaționale pentru a-și îmbunătăți mai bine utilizarea activelor. Cu QuickSight, am conectat tabloul de bord la datele brute de măsurare furnizate de sistemul nostru IoT, permițând utilizatorilor să compare și să contrasteze piese cheie ale echipamentelor pe un anumit BHS.
În următorul tablou de bord, utilizatorii pot verifica senzorii cheie utilizați pentru a monitoriza starea BHS și pentru a obține modificări ale valorilor de la o perioadă la alta.
În graficul precedent, utilizatorii pot vizualiza orice dezechilibru neașteptat al măsurătorilor pentru fiecare motor (grafice din stânga și din dreapta pentru temperatură, oboseală, vibrații, frecare și impact). În partea de jos, sunt rezumați indicatorii cheie de performanță, cu estimări și tendințe de-a lungul perioadei.
Utilizatorii finali pot accesa informații în următoarele scopuri:
- Vizualizați datele istorice la intervale de la 2 ore până la 24 de ore.
- Extrageți datele brute prin format CSV pentru integrare externă.
- Vizualizați performanța activelor pe o anumită perioadă de timp.
- Produceți informații pentru planificarea operațională și îmbunătățiți utilizarea activelor.
- Efectuați analiza corelației. În graficul următor, utilizatorul poate vizualiza mai multe măsurători (cum ar fi oboseala motorului în funcție de temperatură sau debitul bagajelor în funcție de viteza caruselului) și poate utiliza acest tablou de bord pentru a informa mai bine următoarea acțiune de întreținere.
Eliminarea zgomotului din date
După câteva săptămâni, am observat că Lookout for Equipment emite unele evenimente considerate a fi fals pozitive.
Analizând aceste evenimente, am descoperit scăderi neregulate ale vitezei motorului carusel.
Ne-am întâlnit cu echipa de întreținere și ei ne-au informat că aceste opriri erau fie opriri de urgență, fie activități de întreținere planificate pentru perioada de nefuncționare. Cu aceste informații, am etichetat opririle de urgență drept anomalii și le-am alimentat către Lookout for Equipment, în timp ce perioadele de nefuncționare planificate au fost considerate un comportament normal pentru acest carusel.
Înțelegerea unor astfel de scenarii în care datele anormale pot fi influențate de acțiuni externe controlate este esențială pentru a îmbunătăți acuratețea modelului de detectare a anomaliilor în timp.
Testarea fumului
După câteva ore de la reantrenarea modelului și nu s-a realizat relativ nicio anomalie, echipa noastră a stresat fizic activele, care au fost imediat detectate de sistem. Aceasta este o solicitare comună din partea utilizatorilor, deoarece aceștia trebuie să se familiarizeze cu sistemul și cu modul în care acesta reacționează.
Ne-am construit tabloul de bord pentru a permite utilizatorilor finali să vizualizeze anomaliile istorice pe o perioadă nelimitată. Folosirea unui serviciu de business intelligence le permite să-și organizeze datele după bunul plac și am descoperit că diagramele cu bare pe o perioadă de 24 de ore sau diagramele circulare sunt cea mai bună modalitate de a obține o imagine bună a stării BHS. Pe lângă tablourile de bord pe care utilizatorii le pot vizualiza oricând au nevoie, am configurat alerte automate trimise la o adresă de e-mail desemnată și prin mesaj text.
Extragerea de informații mai profunde din modelele de detectare a anomaliilor
În viitor, intenționăm să extragem informații mai profunde din modelele de detectare a anomaliilor instruite cu Lookout for Equipment. Vom continua să folosim QuickSight pentru a construi un set extins de widget-uri. De exemplu, am descoperit că widget-urile de vizualizare a datelor expuse în Mostre GitHub pentru Lookout for Equipment permiteți-ne să extragem și mai multe informații din rezultatele brute ale modelelor noastre.
REZULTATE
Întreținerea reactivă a sistemelor de manipulare a bagajelor se traduce prin următoarele:
- Satisfacția mai scăzută a pasagerilor din cauza timpilor lungi de așteptare sau a bagajelor deteriorate
- Disponibilitate mai scăzută a activelor din cauza defecțiunilor neplanificate și a lipsei de stoc de piese de schimb critice
- Cheltuieli de exploatare mai mari din cauza nivelului de stocuri în creștere, în plus față de costurile de întreținere mai mari
Evoluția strategiei de întreținere pentru a încorpora analize fiabile și predictive în ciclul de luare a deciziilor are ca scop îmbunătățirea funcționării activelor și evitarea închiderilor forțate.
Echipamentul de monitorizare a fost instalat local în 1 zi și configurat complet de la distanță de experții IoT. Arhitectura cloud descrisă în prezentarea generală a soluției a fost apoi implementată cu succes în 90 de zile. Un timp rapid de implementare dovedește beneficiile propuse utilizatorului final, ducând rapid la o schimbare a strategiei de întreținere de la reactiv bazat pe oameni (remedierea defecțiunilor) la proactiv bazat pe mașină, bazat pe date (prevenirea timpilor de nefuncționare).
Concluzie
Cooperarea dintre Airis, CloudRail, Northbay Solutions și AWS a condus la noi realizări la Aeroportul Internațional King Khalid (vezi comunicatul de presă pentru mai multe detalii). Ca parte a strategiei lor de transformare digitală, aeroportul din Riyadh plănuiește implementări ulterioare pentru a acoperi alte sisteme electro-mecanice, cum ar fi podurile de îmbarcare pentru pasageri și sistemele HVAC.
Dacă aveți comentarii despre această postare, vă rugăm să le trimiteți în secțiunea de comentarii. Dacă aveți întrebări despre această soluție sau implementarea ei, vă rugăm să începeți un nou thread re:Postare, unde experții AWS și comunitatea mai largă vă pot sprijini.
Despre autori
Moulham Zahabi este un specialist în aviație cu peste 11 ani de experiență în proiectarea și gestionarea proiectelor aviatice și în gestionarea activelor aeroportuare critice din regiunea GCC. El este, de asemenea, unul dintre co-fondatorii Airis-Solutions.ai, care își propune să conducă transformarea digitală a industriei aviatice prin soluții inovatoare AI/ML pentru aeroporturi și centre logistice. Astăzi, Moulham conduce Direcția de gestionare a activelor din Holdingul Aviației Civile Saudite (Matarat).
Fauzan Khan este un arhitect senior de soluții care lucrează cu clienții din sectorul public, oferind îndrumări pentru a proiecta, implementa și gestiona sarcinile de lucru și arhitecturile lor AWS. Fauzan este pasionat de a ajuta clienții să adopte tehnologii cloud inovatoare în domeniul HPC și AI/ML pentru a aborda provocările de afaceri. În afara serviciului, lui Fauzan îi place să petreacă timpul în natură.
Michael Hoarau este arhitect de soluții de specialitate AI/ML la AWS, care alternează între cercetător de date și arhitect de învățare automată, în funcție de moment. Este pasionat de a aduce puterea AI/ML în atelierele clienților săi industriali și a lucrat la o gamă largă de cazuri de utilizare ML, de la detectarea anomaliilor la calitatea predictivă a produsului sau optimizarea producției. El a publicat o carte despre analiza serii de timp în 2022 și scrie în mod regulat despre acest subiect pe LinkedIn și Mediu. Când nu îi ajută pe clienți să dezvolte următoarele experiențe de învățare automată, îi place să observe stelele, să călătorească sau să cânte la pian.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :este
- $UP
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- Capabil
- Despre Noi
- accelera
- acces
- în consecință
- Cont
- Contabilitate
- precizie
- precis
- precis
- Obține
- realizare
- realizarea
- dobândi
- peste
- act
- Acțiune
- acțiuni
- activităţi de
- Acte
- plus
- Suplimentar
- În plus,
- adresa
- adresare
- adopta
- După
- AI
- AI / ML
- SIDA
- isi propune
- aeroport
- Aeroporturi
- Alerte
- aliniere
- TOATE
- Permiterea
- permite
- Amazon
- Amazon Lookout pentru echipamente
- analiză
- Google Analytics
- analize
- analiza
- și
- Anual
- detectarea anomaliilor
- apărea
- aplicație
- aplicatii
- abordare
- abordari
- adecvat
- arhitectură
- SUNT
- ZONĂ
- în jurul
- sosesc
- AS
- activ
- gestionarea activelor
- Bunuri
- At
- Automata
- în mod automat
- disponibilitate
- aviaţie
- AWS
- saci
- bar
- bazat
- BE
- deoarece
- înainte
- Beneficiile
- CEL MAI BUN
- Mai bine
- între
- miliarde
- Blocuri
- îmbarcare
- carte
- De jos
- Legat
- Defalcarea
- pauze
- poduri
- Aducere
- mai larg
- construi
- Clădire
- construit
- afaceri
- business intelligence
- by
- denumit
- CAN
- captura
- carusel
- caz
- cazuri
- Provoca
- Centre
- centralizat
- sigur
- lanţ
- contesta
- provocări
- provocare
- Schimbare
- Modificări
- Grafice
- verifica
- închis
- mai aproape
- Cloud
- co-fondatori
- colecta
- Colectare
- venire
- comentarii
- Comun
- Comunicare
- comunitate
- companie
- comparaţie
- comparație
- complet
- complex
- complexitate
- component
- componente
- Calcula
- concept
- condiție
- Condiții
- încredere
- CONFIRMAT
- Conectați
- legat
- conexiune
- Suport conectare
- luate în considerare
- consistent
- conține
- context
- continua
- a continuat
- continuu
- continuu
- contrast
- Control
- controlată
- controale
- cooperare
- Nucleu
- Corelație
- A costat
- Cheltuieli
- ar putea
- Contracara
- Curs
- acoperi
- crea
- critic
- client
- Satisfactia clientului
- clienţii care
- ciclu
- tablou de bord
- de date
- Lacul de date
- puncte de date
- știința datelor
- om de știință de date
- vizualizarea datelor
- Pe bază de date
- Data
- zi
- Zi
- hotărât
- Luarea deciziilor
- Deciziile
- Mai adânc
- livra
- livrate
- livrare
- Dependent/ă
- În funcție
- depinde de
- implementa
- dislocate
- Implementarea
- desfășurarea
- implementări
- adâncime
- descrie
- descris
- Amenajări
- desemnat
- proiect
- detalii
- detectat
- Detectare
- Determina
- determinarea
- dezvolta
- dezvoltat
- Dezvoltare
- dispozitiv
- Dispozitive
- diferit
- dificil
- digital
- Transformarea digitală
- direcționa
- a descoperit
- distruge
- Ruptură
- perturbări
- distanţă
- distribuite
- Nu
- domeniu
- Dont
- jos
- nefuncționare
- drastic
- Picătură
- Picături
- în timpul
- dinamic
- fiecare
- Devreme
- mai ușor
- cu ușurință
- Margine
- eficacitate
- oricare
- element
- element
- caz de urgență
- permite
- permite
- asigura
- asigură
- Întreg
- Mediu inconjurator
- de mediu
- echipament
- eroare
- Erori
- Chiar
- eveniment
- evenimente
- Fiecare
- toată lumea
- exemplu
- exemple
- depăși
- Excelență
- existent
- extins
- aștepta
- de aşteptat
- cheltuieli
- experienţă
- Experiențe
- confruntă
- expert
- experți
- expus
- Expunere
- extern
- extrage
- Eșec
- familiariza
- FAST
- mai repede
- oboseală
- fed-
- puțini
- Figura
- În cele din urmă
- Găsi
- First
- fanionat
- FLOTA
- Zboruri
- debit
- care zboară
- Concentra
- următor
- Pentru
- Prognoză
- format
- Înainte
- găsit
- proaspăt
- frecare
- din
- complet
- funcţie
- funcții
- mai mult
- viitor
- Câştig
- poartă
- CGC
- regiunea CCG
- Germană
- obține
- dat
- Caritate
- La nivel global
- GmBH
- bine
- mare
- Oaspete
- Vizitator Mesaj
- îndrumare
- manipula
- Manipularea
- întâmpla
- sa întâmplat
- Avea
- având în
- Rubrică
- puternic
- ajutor
- ajutor
- ajută
- Înalt
- superior
- istoric
- istorie
- Lovit
- deținere
- ORE
- Cum
- Cum Pentru a
- Totuși
- hpc
- HTTPS
- identic
- identifică
- identifica
- imagine
- imagini
- dezechilibru
- imediat
- Impactul
- implementarea
- implementat
- a impune
- îmbunătăţi
- îmbunătățirea
- in
- include
- Intrare
- incorpora
- Incorporated
- Crește
- a crescut
- crescând
- Indicatorii
- industrial
- industria
- influențat
- Informa
- informații
- informat
- Infrastructură
- inițială
- inovatoare
- perspective
- instalat
- instanță
- integrate
- integrare
- Inteligență
- intenţionează
- interactiv
- interfaţă
- de interferenţă
- Internațional
- Internet
- internetul Lucrurilor
- inventar
- IoT
- dispozitive iot
- probleme de
- IT
- ESTE
- călătorie
- jpg
- Cheie
- Rege
- Cunoaște
- cunoştinţe
- lac
- limbă
- Latență
- Ultimele
- lansa
- conduce
- conducere
- AFLAȚI
- învățat
- învăţare
- Led
- Lungime
- Lectii
- Lectii invatate
- Permite
- Nivel
- nivelurile de
- Viaţă
- ciclu de viață
- ca
- Probabil
- Limitat
- Linie
- LINK
- trăi
- date live
- la nivel local
- Locații
- Uite
- cautati
- care pierde
- Jos
- maşină
- masina de învățare
- Macro
- Principal
- menține
- Mentine
- întreținere
- face
- FACE
- Efectuarea
- administra
- gestionate
- administrare
- gestionează
- de conducere
- de fabricaţie
- multe
- masiv
- potrivire
- Mai..
- mijloace
- măsura
- măsurători
- măsurare
- mecanism
- mediu
- mesaj
- mesaje
- Metode
- Metrici
- milion
- milioane
- Mod de gândire
- ML
- model
- Modele
- Modern
- moduri de
- moment
- monitor
- Monitorizarea
- Lună
- luni
- mai mult
- cele mai multe
- Motor
- Motoare
- în mişcare
- multiplu
- Natural
- Natură
- necesar
- Nevoie
- nevoilor
- Nou
- următor
- Zgomot
- normală.
- obține
- of
- on
- bord
- ONE
- funcionar
- operat
- opereaza
- de operare
- operaţie
- operațional
- Operațiuni
- Operatorii
- Oportunitate
- optimă
- optimizare
- Optimizați
- Portocaliu
- organizație
- Altele
- exterior
- global
- Prezentare generală
- parte
- partener
- piese
- pasionat
- trecut
- Patch-uri
- modele
- performanță
- perioadă
- Personal
- fază
- fizic
- Fizic
- piese
- conducte
- planificat
- planificare
- Planurile
- platformă
- Plato
- Informații despre date Platon
- PlatoData
- joc
- "vă rog"
- puncte
- Portal
- pozitiv
- posibil
- Post
- putere
- alimentat
- practicile
- tocmai
- Predictii
- Analize predictive
- premier
- presa
- prevalent
- prevenirea
- Proactivă
- sondă
- Problemă
- probleme
- proces
- Produs
- Calitatea produsului
- producere
- progresează
- Proiecte
- dovadă
- dovada de concept
- cum se cuvine
- propus
- protocol
- prototipuri
- dovedește
- furniza
- prevăzut
- furnizori
- furnizează
- furnizarea
- public
- publicat
- scopuri
- calitate
- Întrebări
- repede
- ridica
- gamă
- variind
- rată
- tarife
- Crud
- reacţionează
- real
- viata reala
- în timp real
- realist
- motiv
- recomanda
- Recomandări
- reduce
- reducerea
- regiune
- regulat
- Relaţii
- relativ
- de încredere
- rămășițe
- înlocui
- solicita
- necesar
- Necesită
- REZULTATE
- reutilizarea
- în creștere
- Risc
- Produse laminate
- rădăcină
- Traseul
- Alerga
- SaaS
- sigur
- acelaşi
- satisfacție
- Arabia
- cântare
- scenarii
- programa
- Ştiinţă
- Om de stiinta
- fără sudură
- secundar
- secunde
- Secțiune
- sector
- sigur
- în siguranță,
- securitate
- părea
- segmente
- selectate
- trimitere
- senior
- senzori
- serie
- Servere
- serviciu
- prestatori de servicii
- Servicii
- set
- câteva
- forme
- schimbare
- Magazin
- deficit
- Arăta
- indicat
- Emisiuni
- opriri
- Vedere
- semnalele
- semnificativ
- asemănător
- singur
- considerabil
- dimensiuni
- aptitudini
- mic
- inteligent
- Fumuriu
- Software
- sistem de operare ca serviciu
- soluţie
- soluţii
- rezolvă
- unele
- sofisticat
- specialist
- specific
- viteză
- Cheltuire
- Stele
- Începe
- început
- Stat
- de ultimă oră
- opriri
- depozitare
- strategii
- Strategie
- simplifica
- prezenta
- de succes
- Reușit
- astfel de
- livra
- lanțului de aprovizionare
- a sustine
- De sprijin
- sistem
- sisteme
- tabel
- vizate
- echipă
- echipe
- Tehnologii
- Tehnologia
- Terminal
- test
- Testarea
- acea
- Zona
- Viitorul
- lor
- Lor
- se
- prin urmare
- termic
- Acestea
- lucruri
- gândit
- mii
- Prin
- de-a lungul
- debit
- timp
- Seria de timp
- ori
- sincronizare
- la
- astăzi
- subiect
- față de
- tradiţional
- Tren
- dresat
- Pregătire
- Transformare
- Strategia de transformare
- Traveling
- Tendinţe
- declanşa
- trilioane
- ÎNTORCĂ
- tipic
- tipic
- care stau la baza
- înţelege
- Neașteptat
- unic
- unitate
- nelimitat
- us
- utilizare
- Utilizator
- utilizatorii
- obișnuit
- folosi
- VALIDA
- valoare
- Valori
- diverse
- Viteză
- de
- Vizualizare
- vizualizare
- vital
- volatil
- volume
- vs
- aștepta
- de avertizare
- Cale..
- Vreme
- săptămâni
- Ce
- dacă
- care
- în timp ce
- OMS
- larg
- Gamă largă
- voi
- cu
- în
- fără
- Apartamente
- a lucrat
- Forta de munca
- de lucru
- valoare
- ar
- an
- ani
- Tu
- Ta
- zephyrnet