Менеджеры по надежности и технические специалисты в промышленных средах, таких как производственные линии, склады и промышленные предприятия, стремятся улучшить состояние оборудования и время безотказной работы, чтобы максимизировать производительность и качество продукции. Сбои оборудования и процессов часто решаются путем реагирования на инциденты или путем дорогостоящего профилактического обслуживания, когда вы рискуете чрезмерно обслуживать оборудование или упускать проблемы, которые могут возникнуть между циклами периодического обслуживания. Прогностическое техническое обслуживание на основе состояния — это упреждающая стратегия, которая лучше реактивной или превентивной. Действительно, этот подход сочетает в себе непрерывный мониторинг, прогнозную аналитику и своевременные действия. Это позволяет командам по техническому обслуживанию и надежности обслуживать оборудование только при необходимости, исходя из фактического состояния оборудования.
Были общие проблемы с мониторингом на основе состояния для получения действенной информации для больших парков промышленных активов. Эти задачи включают, но не ограничиваются: создание и обслуживание сложной инфраструктуры датчиков, собирающих данные с мест, получение достоверной сводной информации высокого уровня о парках промышленных активов, эффективное управление предупреждениями о сбоях, выявление возможных основных причин аномалий и эффективная визуализация. состояние промышленных активов в масштабе.
Амазон Монитрон — это комплексное решение для мониторинга состояния, которое позволяет вам начать мониторинг состояния оборудования с помощью машинного обучения (ML) за считанные минуты, чтобы вы могли внедрить профилактическое обслуживание и сократить время незапланированных простоев. Он включает в себя сенсорные устройства для сбора данных о вибрации и температуре, устройство-шлюз для безопасной передачи данных в облако AWS, сервис Amazon Monitron, который анализирует данные на наличие аномалий с помощью машинного обучения, и сопутствующее мобильное приложение для отслеживания потенциальных сбоев в вашем оборудовании. Ваши выездные инженеры и операторы могут напрямую использовать приложение для диагностики и планирования технического обслуживания промышленных активов.
С точки зрения специалистов по операционным технологиям (OT) использование данных Amazon Monitron также открывает новые способы улучшения управления большими парками промышленных активов благодаря ИИ. Команды OT могут усилить практику профилактического обслуживания в своей организации, создав консолидированное представление по нескольким иерархиям (активы, сайты и заводы). Они могут комбинировать фактические результаты измерений и выводов машинного обучения с неподтвержденными сигналами тревоги, состоянием подключения датчиков или побегов или изменениями состояния активов, чтобы создать сводку высокого уровня для области (актив, площадка, проект), на которой они сосредоточены.
С недавно запущенным Функция экспорта данных Amazon Monitron Kinesis v2, ваша команда OT может выполнять потоковую передачу входящих данных измерений и результатов выводов из Amazon Monitron через Амазонка Кинезис в AWS Простая служба хранения (Amazon S3) для создания озера данных Интернета вещей (IoT). Используя последняя схема экспорта данных, вы можете получить состояние подключения датчиков, состояние подключения шлюзов, результаты классификации измерений, код причины закрытия и сведения о событиях перехода состояния актива.
Обзор вариантов использования
Обогащенный поток данных, который теперь предоставляет Amazon Monitron, позволяет вам реализовать несколько ключевых вариантов использования, таких как автоматическое создание рабочих заданий, обогащение операционной единой панели или автоматизация отчетов об ошибках. Давайте углубимся в эти варианты использования.
Экспорт данных Amazon Monitron Kinesis v2 можно использовать для создания рабочих заданий в системах управления активами предприятия (EAM), таких как Infor EAM, SAP Asset Management или IBM Maximo. Например, в видео предотвращение механических проблем с профилактическим обслуживанием и Amazon Monitron, вы можете узнать, как наши центры обработки заказов Amazon избегают механических проблем на конвейерных лентах с помощью датчиков Amazon Monitron, интегрированных со сторонним программным обеспечением, таким как EAM, используемым в Amazon, а также с использованием технических специалистов в чатах. Это показывает, как можно естественным образом интегрировать аналитические данные Amazon Monitron в существующие рабочие процессы. Оставайтесь с нами в ближайшие месяцы, чтобы прочитать следующую часть этой серии с фактической реализацией этой интеграции.
Вы также можете использовать поток данных для загрузки аналитических данных Amazon Monitron в производственную систему, такую как система диспетчерского управления и сбора данных (SCADA) или Historian. Операторы цеха более эффективны, когда вся информация об их активах и процессах предоставляется в одном окне. В соответствии с этой концепцией Amazon Monitron становится не еще одним инструментом, за которым должны следить технические специалисты, а становится еще одним источником данных с аналитическими данными, предоставляемыми в едином представлении, к которому они уже привыкли. Позднее в этом году мы также опишем архитектуру, которую можно использовать для выполнения этой задачи, и отправим отзывы об Amazon Monitron в основные сторонние системы SCADA и архиваторы.
И последнее, но не менее важное: новый поток данных из Amazon Monitron включает переходы между состояниями активов и коды закрытия, предоставляемые пользователями при подтверждении сигналов тревоги (которые инициируют переход в новое состояние). Благодаря этим данным вы можете автоматически создавать визуализации, предоставляющие в режиме реального времени отчеты о сбоях и действиях, предпринятых при эксплуатации своих активов.
Затем ваша команда может создать расширенную панель анализа данных для поддержки вашей практики управления промышленным парком, объединив эти данные о состоянии активов с данными измерений Amazon Monitron и другими данными IoT для больших парков промышленных активов с помощью ключевых сервисов AWS, которые мы описываем в этой публикации. Мы объясним, как создать озеро данных IoT, рабочий процесс для создания и использования данных, а также сводную панель мониторинга для визуализации данных датчиков Amazon Monitron и результатов логических выводов. Мы используем набор данных Amazon Monitron, полученный примерно с 780 датчиков, установленных на промышленном складе, который работает уже более 1 года. Подробное руководство по установке Amazon Monitron см. Начало работы с Amazon Monitron.
Обзор решения
Amazon Monitron позволяет делать выводы о состоянии активов с помощью машинного обучения. после 21 дня периода обучения модели ML для каждого актива. В этом решении данные измерений и выводы машинного обучения с этих датчиков экспортируются в Amazon S3 через Потоки данных Amazon Kinesis с помощью новейшая функция экспорта данных Amazon Monitron. Как только данные Amazon Monitron IoT становятся доступными в Amazon S3, база данных и таблица создаются в Амазонка Афина используя AWS Glue Crawler. Вы можете запрашивать данные Amazon Monitron с помощью таблиц AWS Glue с помощью Athena и визуализировать данные измерений и выводы машинного обучения с помощью Графана под управлением Amazon. С помощью Amazon Managed Grafana вы можете создавать, исследовать и делиться панелями мониторинга с вашей командой, а также тратить меньше времени на управление своей инфраструктурой Grafana. В этом посте вы подключите Amazon Managed Grafana к Athena и узнаете, как создать панель аналитики данных с данными Amazon Monitron, которая поможет вам планировать масштабные операции с промышленными активами.
Следующий снимок экрана является примером того, чего вы можете достичь в конце этого поста. Эта информационная панель разделена на три раздела:
- Просмотр растений – Аналитическая информация со всех датчиков по заводам; например, общее количество различных состояний датчиков (работа, предупреждение или тревога), количество неподтвержденных и подтвержденных тревог, подключение шлюза и среднее время обслуживания.
- Просмотр сайта – Статистические данные на уровне объекта, такие как статистика состояния активов на каждом объекте, общее количество дней, в течение которых тревога остается неподтвержденной, активы с максимальной/низшей эффективностью на каждом объекте и т. д.
- Вид актива – Сводная информация для проекта Amazon Monitron на уровне объекта, например тип сигнала тревоги для неподтвержденного сигнала тревоги (ISO или ML), временная шкала сигнала тревоги и т. д.
Эти панели являются примерами, которые могут помочь в стратегическом оперативном планировании, но они не являются исключительными. Вы можете использовать аналогичный рабочий процесс для настройки панели мониторинга в соответствии с вашим целевым KPI.
Обзор архитектуры
Решение, которое вы создадите в этом посте, сочетает в себе Amazon Monitron, Kinesis Data Streams, Пожарный шланг данных Amazon Kinesis, Amazon S3, AWS Glue, Athena и Amazon Managed Grafana.
Следующая диаграмма иллюстрирует архитектуру решения. Датчики Amazon Monitron измеряют и обнаруживают аномалии оборудования. И данные измерений, и выходные данные машинного обучения экспортируются один раз в час в поток данных Kinesis и доставляются в Amazon S3 через Kinesis Data Firehose с 1-минутным буфером. Экспортированные данные Amazon Monitron находятся в формате JSON. Сканер AWS Glue анализирует данные Amazon Monitron в Amazon S3 с выбранной частотой один раз в час, строит схему метаданных и создает таблицы в Athena. Наконец, Amazon Managed Grafana использует Athena для запроса данных Amazon S3, позволяя создавать информационные панели для визуализации как данных измерений, так и состояния работоспособности устройства.
Чтобы построить это решение, выполните следующие высокоуровневые шаги:
- Включите экспорт Kinesis Data Stream из Amazon Monitron и создайте поток данных.
- Настройте Kinesis Data Firehose для доставки данных из потока данных в корзину S3.
- Создайте сканер AWS Glue, чтобы создать таблицу данных Amazon S3 в Athena.
- Создайте панель мониторинга устройств Amazon Monitron с помощью Amazon Managed Grafana.
Предпосылки
Для этого прохождения у вас должны быть следующие предпосылки:
Кроме того, убедитесь, что все ресурсы, которые вы развертываете, находятся в одном и том же регионе.
Включите экспорт потока данных Kinesis из Amazon Monitron и создайте поток данных.
Чтобы настроить экспорт потока данных, выполните следующие шаги:
- В консоли Amazon Monitron на главной странице вашего проекта выберите Начать экспорт оперативных данных.
- Под Выберите поток данных Amazon Kinesis, выберите Создать новый поток данных.
- Под Конфигурация потока данных, введите имя вашего потока данных.
- Что касается Емкость потока данных, выберите По требованию.
- Выберите Создать поток данных.
Обратите внимание, что любой экспорт оперативных данных, включенный после 4 апреля 2023 г., будет передавать данные в соответствии со схемой Kinesis Data Streams v2. Если у вас есть существующий экспорт данных, который был включен до этой даты, схема будет соответствовать формату v1.
Теперь вы можете просматривать информацию об экспорте данных в режиме реального времени на консоли Amazon Monitron с указанным потоком данных Kinesis.
Настройте Kinesis Data Firehose для доставки данных в корзину S3.
Чтобы настроить поток доставки Firehose, выполните следующие действия:
- На консоли Kinesis выберите Потоки доставки в навигационной панели.
- Выберите Создать поток доставки.
- Что касается Источник, наведите на Потоки данных Amazon Kinesis.
- Что касается Направление, наведите на Amazon S3.
- Под Настройки источника, Для Поток данных Kinesis, введите ARN вашего потока данных Kinesis.
- Под Название потока доставки, введите имя потока данных Kinesis.
- Под Настройки назначения, выберите сегмент S3 или введите URI сегмента. Вы можете либо использовать существующую корзину S3 для хранения данных Amazon Monitron, либо создать новую корзину S3.
- Включите динамическое секционирование с помощью встроенного синтаксического анализа для JSON:
- Выберите Включено для Динамическое разделение.
- Выберите Включено для Встроенный синтаксический анализ для JSON.
- Под Ключи динамического разделения, добавьте следующие ключи раздела:
Имя ключа | JQ-выражение |
Проект | .projectName| "project=(.)" |
сайте | .eventPayload.siteName| "site=(.)" |
активы | .eventPayload.assetName| "asset=(.)" |
должность | .eventPayload.positionName| "position=(.)" |
время | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- Выберите Применение ключей динамического разделения и подтвердите, что сгенерированный префикс корзины S3:
- Введите префикс для Префикс вывода ошибки корзины S3. Любая полезная нагрузка JSON, не содержащая ключей, описанных ранее, будет доставлена с этим префиксом. Например,
gatewayConnected
иgatewayDisconnected
события не связаны с данным активом или позицией. Поэтому они не будут содержатьassetName
иpositionName
поля. Указание этого необязательного префикса позволяет отслеживать это местоположение и соответствующим образом обрабатывать эти события. - Выберите Создать поток доставки.
Вы можете проверить данные Amazon Monitron в корзине S3. Обратите внимание, что данные Amazon Monitron будут экспортироваться в реальном времени с частотой один раз в час, поэтому подождите 1 час, чтобы проверить данные.
Эта настройка Kinesis Data Firehose обеспечивает динамическое разделение, а доставленные объекты S3 будут использовать следующий формат ключа:
Создайте сканер AWS Glue для создания таблицы данных Amazon S3 в Athena.
После экспорта оперативных данных в Amazon S3 мы используем сканер AWS Glue для создания таблиц метаданных. В этом посте мы используем сканеры AWS Glue для автоматического определения базы данных и схемы таблиц из данных Amazon Monitron, экспортированных в Amazon S3, и сохранения связанных метаданных в каталоге данных AWS Glue. Затем Athena использует метаданные таблицы из каталога данных для поиска, чтения и обработки данных в Amazon S3. Выполните следующие шаги, чтобы создать базу данных и схему таблицы:
- На консоли AWS Glue выберите ползунки в навигационной панели.
- Выберите Создать сканер.
- Введите имя сканера (например,
XXX_xxxx_monitron
). - Выберите Следующая.
- Что касается Ваши данные уже сопоставлены с таблицами Glue?, выберите Не.
- Что касается Источник данных, выберите S3.
- Что касается Расположение данных S3, выберите В этом аккаунтеи введите путь к каталогу корзины S3, который вы настроили в предыдущем разделе (
s3://YourBucketName
). - Что касается Повторите сканирование хранилищ данных S3., наведите на Просканировать все подпапки.
- Наконец, выберите Следующая.
- Выберите Создать новую роль IAM и введите имя для роли.
- Выберите Следующая.
- Выберите Добавить базу данныхи введите имя базы данных. Это создает базу данных Athena, в которой находятся ваши таблицы метаданных после завершения работы сканера.
- Что касается Расписание сканирования, выберите предпочитаемый планировщик на основе времени (например, ежечасно) для обновления данных Amazon Monitron в базе данных и выберите Следующая.
- Просмотрите сведения о сканере и выберите Создавай.
- На ползунки странице консоли AWS Glue выберите созданный вами сканер и выберите Запустить краулер.
Возможно, вам придется подождать несколько минут, в зависимости от размера данных. По завершении статус сканера отображается как Готовый. Чтобы просмотреть таблицы метаданных, перейдите к базе данных на Databases страницу и выберите таблицы в навигационной панели.
Вы также можете просмотреть данные, выбрав Данные таблицы на консоли.
Вы будете перенаправлены на консоль Athena для просмотра первых 10 записей данных Amazon Monitron в Amazon S3.
Создайте панель мониторинга устройств Amazon Monitron с помощью Amazon Managed Grafana.
В этом разделе мы создадим настраиваемую панель управления с помощью Amazon Managed Grafana для визуализации данных Amazon Monitron в Amazon S3, чтобы команда OT могла получить оптимизированный доступ к активам, находящимся в состоянии тревоги, по всему парку датчиков Amazon Monitron. Это позволит команде OT спланировать следующие шаги на основе возможной основной причины аномалий.
к создать рабочее пространство Grafanaвыполните следующие шаги:
- Убедитесь, что ваша роль пользователя — администратор или редактор.
- В консоли Amazon Managed Grafana выберите Создать рабочее пространство.
- Что касается Имя рабочей области, введите имя рабочей области.
- Выберите Следующая.
- Что касается Доступ для аутентификации, наведите на Центр идентификации AWS IAM (преемник системы единого входа AWS). Вы можете использовать тот же Пользователь AWS IAM Identity Center который вы использовали для настройки своего проекта Amazon Monitron.
- Выберите Следующая.
- Для этой первой рабочей области подтвердите, что Сервис управляемый выбран для Тип разрешения. Этот выбор позволяет Amazon Managed Grafana автоматически предоставлять разрешения, необходимые для источников данных AWS, которые вы используете для этой рабочей области.
- Выберите Текущий аккаунт.
- Выберите Следующая.
- Подтвердите сведения о рабочей области и выберите Создать рабочее пространство. Появится страница сведений о рабочей области. Изначально статус такой ФОРМИРОВАНИЕ.
- Подождите, пока статус ACTIVE чтобы перейти к следующему шагу.
Чтобы настроить источник данных Athena, выполните следующие шаги:
- В консоли Amazon Managed Grafana выберите рабочую область, над которой вы хотите работать.
- На Источники данных вкладка, выберите Амазонка Афина, и выберите Действия, Включить политику, управляемую службой.
- Выберите Настроить в Графане в Амазонка Афина строка.
- При необходимости войдите в консоль рабочей области Grafana с помощью IAM Identity Center. Пользователь должен иметь политику доступа Athena, прикрепленную к пользователю или роли, чтобы иметь доступ к источнику данных Athena. Видеть Управляемая политика AWS: AmazonGrafanaAthenaAccess для дополнительной информации.
- В консоли рабочей области Grafana на панели навигации выберите нижний значок AWS (их два), а затем выберите Афина на Источники данных .
- Выберите регион по умолчанию, из которого вы хотите, чтобы источник данных Athena запрашивал, выберите нужные учетные записи, затем выберите Добавить источник данных.
- Следуйте инструкциям, чтобы настроить детали Афины.
Если для вашей рабочей группы в Athena еще не настроено расположение вывода, вам необходимо указать корзину S3 и папку, которые будут использоваться для результатов запроса. После настройки источника данных вы можете просмотреть или отредактировать его в Конфигурация панель.
В следующих подразделах мы продемонстрируем несколько панелей панели управления Amazon Monitron, встроенной в Amazon Managed Grafana, для получения оперативной информации. Источник данных Athena предоставляет стандартный редактор SQL-запросов, который мы будем использовать для анализа данных Amazon Monitron для создания необходимой аналитики.
Во-первых, если в проекте Amazon Monitron есть много датчиков, и они находятся в разных состояниях (работоспособны, с предупреждением, тревогой и требуют обслуживания), команда OT хочет визуально увидеть количество позиций, в которых датчики находятся в различных состояниях. Вы можете получить такую информацию, как виджет круговой диаграммы в Grafana, с помощью следующего запроса Athena:
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;
На следующем снимке экрана показана панель с последним распределением состояния датчика Amazon Monitron.
Чтобы отформатировать запрос SQL для данных Amazon Monitron, см. Понимание схемы экспорта данных.
Далее, ваша команда по техническим вопросам может захотеть спланировать профилактическое обслуживание на основе активов, которые находятся в состоянии тревоги, и поэтому они хотят быстро узнать общее количество подтвержденных тревог по сравнению с неподтвержденными тревогами. Вы можете отобразить сводную информацию о состоянии тревоги в виде простых панелей статистики в 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';
На следующей панели показаны подтвержденные и неподтвержденные аварийные сигналы.
Команда OT также может запросить количество времени, в течение которого датчики остаются в состоянии тревоги, чтобы определить приоритет обслуживания:
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;
Результат этого анализа можно визуализировать в виде гистограммы в Grafana, а тревогу в состоянии тревоги можно легко визуализировать, как показано на следующем снимке экрана.
Чтобы проанализировать максимальную/низшую производительность активов на основе общего количества времени, в течение которого активы находятся в аварийном состоянии или нуждаются в обслуживании, используйте следующий запрос:
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;
Следующий гистограммный индикатор используется для визуализации результатов предыдущего запроса, при этом активы с максимальной эффективностью показывают 0 дней состояний тревоги, а активы с наименьшей эффективностью показывают накопленные состояния тревоги за последний год.
Чтобы помочь команде OT понять возможную первопричину аномалии, можно отобразить типы тревог для этих активов, все еще находящихся в состоянии тревоги, с помощью следующего запроса:
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');
Вы можете визуализировать этот анализ в виде таблицы в Grafana. В этом проекте Amazon Monitron модели машинного обучения инициировали два сигнала тревоги для измерения вибрации.
Панель инструментов Grafana, управляемая Amazon, показана здесь для иллюстрации. Вы можете адаптировать дизайн приборной панели в соответствии с потребностями вашего бизнеса.
Отчеты об ошибках
Когда пользователь подтверждает сигнал тревоги в приложении Amazon Monitron, связанные активы переходят в новое состояние. У пользователя также есть возможность указать некоторые подробности об этом сигнале тревоги:
- Причина отказа – Это может быть одно из следующего: АДМИНИСТРИРОВАНИЕ, КОНСТРУКЦИЯ, ИЗГОТОВЛЕНИЕ, ОБСЛУЖИВАНИЕ, ЭКСПЛУАТАЦИЯ, ПРОЧЕЕ, КАЧЕСТВО, ИЗНОС или НЕОПРЕДЕЛЕННО.
- Режим отказа – Это может быть одно из следующих: НЕТ_ПРОБЛЕМЫ, ЗАБЛОКИРОВКА, КАВИТАЦИЯ, КОРРОЗИЯ, ОТЛОЖЕНИЯ, ДИСБАЛАНСИРОВКА, СМАЗКА, НЕСООТВЕТСТВИЕ, ДРУГОЕ, РЕЗОНАНС, ВРАЩАЮЩАЯСЯ СЛАБОСТЬ, СТРУКТУРНАЯ_СЛАБОСТЬ, TRANSMITTED_FAULT или НЕОПРЕДЕЛЕННО
- Действие предпринято – Это может быть РЕГУЛИРОВКА, ОЧИСТКА, СМАЗКА, МОДИФИКАЦИЯ, КАПИТАЛЬНЫЙ РЕМОНТ, ЗАМЕНА, БЕЗ ДЕЙСТВИЯ или ДРУГОЕ.
Полезная нагрузка события, связанная с переходом состояния актива, содержит всю эту информацию, предыдущее состояние актива и новое состояние актива. Следите за обновлением этого поста с более подробной информацией о том, как вы можете использовать эту информацию на дополнительной панели Grafana для построения диаграмм Парето наиболее распространенных сбоев и действий, предпринятых для ваших активов.
Заключение
Корпоративные клиенты Amazon Monitron ищут решение для создания озера данных IoT с оперативными данными Amazon Monitron, чтобы они могли управлять несколькими проектами и активами Amazon Monitron и создавать аналитические отчеты по нескольким проектам Amazon Monitron. В этом посте представлено подробное пошаговое руководство по созданию озера данных IoT с использованием новейших Функция экспорта данных Amazon Monitron Kinesis v2. В этом решении также показано, как использовать другие сервисы AWS, такие как AWS Glue и Athena, для запроса данных, создания аналитических выходных данных и визуализации таких выходных данных с помощью Amazon Managed Grafana с частым обновлением.
В качестве следующего шага вы можете расширить это решение, отправив результаты логического вывода ML в другие системы EAM, которые вы можете использовать для управления рабочими заданиями. Это позволит вашей рабочей группе интегрировать Amazon Monitron с другими корпоративными приложениями и повысить эффективность их работы. Вы также можете приступить к более глубокому анализу режимов сбоев и предпринятых действий, обрабатывая переходы состояний активов и коды закрытия, которые теперь являются частью полезной нагрузки потока данных Kinesis.
Об авторах
Джулия Ху является старшим архитектором решений AI/ML в Amazon Web Services. Она имеет большой опыт работы в области архитектуры IoT и прикладной науки о данных, а также является частью сообщества машинного обучения и технической области IoT. Она работает с клиентами, начиная от стартапов и заканчивая предприятиями, над разработкой решений AWSome для машинного обучения (ML) IoT на периферии и в облаке. Ей нравится использовать новейшие технологии Интернета вещей и больших данных для масштабирования своего решения машинного обучения, сокращения задержек и ускорения внедрения в отрасли.
Бишр Таббаа является архитектором решений в Amazon Web Services. Бишр специализируется на помощи клиентам с приложениями машинного обучения, безопасности и наблюдения. Вне работы он любит играть в теннис, готовить и проводить время с семьей.
Шалика Паргал работает менеджером по продукту в Amazon Web Services. Shalika специализируется на создании продуктов и услуг ИИ для промышленных клиентов. Она обладает значительным опытом на пересечении продуктов, промышленности и развития бизнеса. Недавно она поделилась История успеха Монитрон на выставке Reinvent 2022.
Гарри Галинский является главным архитектором решений, поддерживающим Amazon на AWS. Он был связан с Monitron с момента его дебюта и помог интегрировать и развернуть решение во всемирной сети выполнения заказов Amazon. Недавно он поделился с Amazon История успеха Монитрон на re:Invent 2022.
Михаэль Хорау является специалистом по архитектуре решений AI/ML в AWS, который в зависимости от момента чередует специалистов по данным и архитекторов машинного обучения. Он увлечен внедрением возможностей AI/ML в цеха своих промышленных клиентов и работал над широким спектром вариантов использования ML, начиная от обнаружения аномалий и заканчивая прогнозированием качества продукции или оптимизацией производства. Он опубликовал книга по анализу временных рядов в 2022 году и регулярно пишет на эту тему на LinkedIn и Medium. Когда он не помогает клиентам в разработке следующего лучшего опыта машинного обучения, он любит наблюдать за звездами, путешествовать или играть на пианино.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Чеканка будущего с Эдриенн Эшли. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :имеет
- :является
- :нет
- $UP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- О нас
- ускорять
- доступ
- По
- соответственно
- Учетные записи
- накопленный
- Достигать
- приобретение
- через
- Действие
- действия
- деятельность
- приспосабливать
- дополнительный
- Администратор
- администрация
- Принятие
- После
- AI
- AI / ML
- помощь
- Часы работы
- Оповещения
- Все
- Позволяющий
- позволяет
- уже
- причислены
- Amazon
- Амазонка Кинезис
- Графана под управлением Amazon
- Amazon Web Services
- количество
- an
- анализ
- Аналитические фармацевтические услуги
- аналитика
- анализировать
- анализы
- и
- обнаружение аномалии
- Другой
- любой
- приложение
- Приложения
- прикладной
- подхода
- апрель
- архитектура
- МЫ
- AS
- активы
- управление активами
- Активы
- связанный
- At
- Автоматизированный
- автоматически
- Автоматизация
- доступен
- в среднем
- избегающий
- AWS
- Клей AWS
- назад
- бар
- основанный
- BE
- становиться
- было
- до
- ЛУЧШЕЕ
- Лучшая
- между
- большой
- Big Data
- книга
- изоферменты печени
- Дно
- Приведение
- Приносит
- шире
- буфер
- строить
- Строительство
- строит
- построенный
- бизнес
- развитие бизнеса
- но
- by
- CAN
- Может получить
- захватить
- случаев
- случаев
- каталог
- Вызывать
- Причины
- Центр
- Центры
- проблемы
- График
- Графики
- чаты
- Выберите
- Выбирая
- выбранный
- классификация
- закрытие
- облако
- код
- Сбор
- объединять
- комбинаты
- комбинируя
- приход
- Общий
- сообщество
- полный
- комплекс
- сама концепция
- состояние
- подтвердить
- Свяжитесь
- связь
- Консоли
- потреблять
- содержать
- содержит
- (CIJ)
- контроль
- может
- гусеничный
- Создайте
- создали
- создает
- создание
- Клиенты
- настроить
- подгонянный
- циклы
- приборная панель
- данным
- Анализ данных
- Озеро данных
- наука о данных
- ученый данных
- База данных
- Время
- Дней
- дебют
- решать
- По умолчанию
- доставить
- поставляется
- поставка
- демонстрировать
- в зависимости
- развертывание
- пополнять счет
- описывать
- описано
- Проект
- желанный
- подробный
- подробнее
- обнаружение
- развивать
- Развитие
- устройство
- Устройства
- различный
- непосредственно
- обнаружить
- распределение
- Разделенный
- не
- время простоя
- динамический
- каждый
- Ранее
- легко
- Edge
- редактор
- фактически
- затрат
- эффективный
- эффективно
- или
- включить
- включен
- позволяет
- впритык
- Инженеры
- обогащенный
- обогащение
- Enter
- Предприятие
- предприятий
- средах
- Оборудование
- ошибка
- События
- События
- пример
- Примеры
- Эксклюзивные
- существующий
- Расширьте
- опыт
- Впечатления
- Объяснять
- Больше
- экспорт
- обширный
- Богатый опыт
- Ошибка
- семья
- Обратная связь
- несколько
- поле
- Поля
- в заключение
- Найдите
- First
- ФЛОТ
- Этаж
- внимание
- фокусируется
- следовать
- после
- Что касается
- формат
- частота
- частое
- от
- Gain
- шлюз
- порождать
- генерируется
- получить
- данный
- стекло
- группы
- инструкция
- происходить
- Есть
- he
- Медицина
- здоровый
- помощь
- помог
- помощь
- здесь
- на высшем уровне
- Как
- How To
- HTML
- HTTPS
- IBM
- ICON
- определения
- Личность
- дисбаланс
- осуществлять
- реализация
- улучшать
- in
- углубленный
- включают
- включает в себя
- Входящий
- промышленность
- промышленность
- info
- информация
- Инфраструктура
- первоначально
- размышления
- установлен
- взнос
- пример
- интегрировать
- интегрированный
- интеграции.
- Интернет
- Интернет вещей
- пересечение
- в
- вовлеченный
- КАТО
- ISO
- вопросы
- IT
- ЕГО
- присоединиться
- JPG
- JSON
- Острый
- Основные
- ключи
- Пожарный шланг Kinesis Data
- Потоки данных Kinesis
- Знать
- озеро
- большой
- Задержка
- последний
- запустили
- УЧИТЬСЯ
- изучение
- уровень
- Используя
- ОГРАНИЧЕНИЯ
- Ограниченный
- линий
- связанный
- жить
- живые данные
- расположенный
- расположение
- искать
- машина
- обучение с помощью машины
- машины
- Главная
- поддерживать
- техническое обслуживание
- основной
- сделать
- управлять
- управляемого
- управление
- менеджер
- Менеджеры
- управления
- производство
- многих
- Максимизировать
- Май..
- проводить измерение
- механический
- средний
- Меню
- Метаданные
- может быть
- Минут
- отсутствующий
- ML
- Мобильный телефон
- Мобильное приложение
- модель
- Модели
- Режимы
- изменять
- момент
- монитор
- Мониторинг
- месяцев
- БОЛЕЕ
- более эффективным
- самых
- с разными
- имя
- Откройте
- Навигация
- необходимо
- Необходимость
- потребности
- сеть
- Новые
- следующий
- сейчас
- номер
- объекты
- получать
- of
- on
- ONE
- только
- Откроется
- работать
- операционный
- операция
- оперативный
- Операционный отдел
- Операторы
- Возможность
- оптимизация
- or
- заказ
- заказы
- организация
- Другое
- наши
- выходной
- внешнюю
- за
- общий
- Капитальный ремонт
- собственный
- страница
- хлеб
- панель
- Панели
- часть
- страстный
- мимо
- путь
- Выполнять
- производительность
- выполнения
- периодический
- разрешение
- Разрешения
- план
- планирование
- растения
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- игры
- политика
- должность
- позиции
- возможное
- После
- потенциал
- мощностью
- практика
- Predictive Analytics
- привилегированный
- предпосылки
- предыдущий
- Основной
- приоритет
- Проактивная
- процесс
- Процессы
- обработка
- производит
- Продукт
- Менеджер по продукции
- Качество продукции и цвета
- Производство
- Продукция
- Проект
- проектов
- обеспечивать
- при условии
- приводит
- обеспечение
- опубликованный
- целей
- быстро
- ассортимент
- ранжирование
- RE
- Читать
- реального времени
- причина
- недавно
- учет
- уменьшить
- область
- регулярно
- усиливает
- надежность
- складская
- оставаться
- остатки
- замещать
- Reporting
- Отчеты
- резонанс
- Полезные ресурсы
- Итоги
- Снижение
- Роли
- Комнаты
- корень
- РЯД
- Run
- Бег
- s
- то же
- живица
- Шкала
- Наука
- Ученый
- сфера
- Раздел
- разделах
- безопасно
- безопасность
- выбранный
- выбор
- отправка
- датчик
- Серии
- обслуживание
- Услуги
- набор
- установка
- установка
- несколько
- Поделиться
- общие
- Магазин
- должен
- показывать
- показанный
- Шоу
- значительный
- аналогичный
- просто
- с
- одинарной
- сайте
- Сайтов
- Размер
- So
- Software
- Решение
- Решения
- некоторые
- Источник
- Источники
- специалист
- специализируется
- указанный
- тратить
- Расходы
- стандарт
- Звезды
- Начало
- стартапов
- и политические лидеры
- Область
- Области
- статистика
- Статистика
- Статус:
- оставаться
- Шаг
- Шаги
- По-прежнему
- диск
- магазин
- Стратегический
- Стратегия
- поток
- обтекаемый
- потоки
- успех
- такие
- РЕЗЮМЕ
- поддержка
- поддержки
- система
- системы
- ТАБЛИЦЫ
- целевое
- Сложность задачи
- команда
- команды
- Технический
- Технологии
- чем
- Спасибо
- который
- Ассоциация
- Государство
- их
- Там.
- следовательно
- Эти
- они
- вещи
- сторонние
- этой
- В этом году
- три
- время
- Временные ряды
- Сроки
- отметка времени
- в
- инструментом
- топ
- Топ-10
- тема
- Всего
- трек
- Обучение
- перевод
- переход
- переходы
- Путешествие
- вызвать
- срабатывает
- Типы
- понимать
- Обновление ПО
- Провел на сайте
- использование
- используемый
- Информация о пользователе
- пользователей
- через
- v1
- различный
- с помощью
- Видео
- Вид
- vs
- ждать
- прохождение
- предупреждение
- законопроект
- способы
- we
- Web
- веб-сервисы
- ЧТО Ж
- были
- Что
- который
- в то время как
- КТО
- все
- широкий
- Широкий диапазон
- будете
- Работа
- работавший
- Рабочие процессы
- Рабочая группа
- работает
- по всему миру
- год
- Ты
- ВАШЕ
- YouTube
- зефирнет