To je gostujoča objava, ki jo je napisal skupaj z Moulhamom Zahabijem iz Matarata.
Verjetno je vsak že kdaj oddal svojo prtljago med letenjem in nestrpno čakal, kdaj se bo torba pojavila na vrtiljaku. Uspešna in pravočasna dostava vaših torb je odvisna od ogromne infrastrukture, imenovane sistem za ravnanje s prtljago (BHS). Ta infrastruktura je ena ključnih funkcij uspešnega delovanja letališča. Uspešno ravnanje s prtljago in tovorom za odhodne in prihodne lete je ključnega pomena za zagotavljanje zadovoljstva strank in operativno odličnost letališča. Ta funkcija je močno odvisna od neprekinjenega delovanja BHS in učinkovitosti vzdrževalnih del. Kot rešilna bilka letališč je BHS linearno sredstvo, ki lahko preseže 34,000 metrov v dolžino (za posamezno letališče) in pretovori več kot 70 milijonov vrečk letno, zaradi česar je eden najkompleksnejših avtomatiziranih sistemov in vitalna komponenta letaliških operacij.
Nenačrtovani izpadi sistema za ravnanje s prtljago, pa naj gre za tekoči trak, vrtiljak ali sortirno enoto, lahko motijo delovanje letališča. Takšna motnja bo zagotovo povzročila neprijetno izkušnjo potnikov in morda naložila kazni ponudnikom letaliških storitev.
Prevladujoči izziv pri vzdrževanju sistema za ravnanje s prtljago je, kako neprekinjeno upravljati integriran sistem z več kot 7,000 sredstvi in več kot milijonom nastavljenih točk. Ti sistemi obravnavajo tudi milijone vrečk različnih oblik in velikosti. Varno je domnevati, da so sistemi za ravnanje s prtljago nagnjeni k napakam. Ker elementi delujejo v zaprti zanki, če se en element pokvari, to vpliva na celotno linijo. Tradicionalne vzdrževalne dejavnosti se zanašajo na precejšnjo delovno silo, razporejeno po ključnih lokacijah vzdolž BHS, ki jo operaterji pošljejo v primeru napake pri delovanju. Vzdrževalne ekipe se prav tako močno zanašajo na priporočila dobaviteljev pri načrtovanju izpadov za preventivno vzdrževanje. Ugotavljanje, ali se dejavnosti preventivnega vzdrževanja pravilno izvajajo, ali spremljanje delovanja te vrste sredstev je lahko nezanesljivo in ne zmanjša tveganja nepričakovanih izpadov.
Upravljanje rezervnih delov je dodaten izziv, saj se dobavni roki podaljšujejo zaradi motenj v globalni dobavni verigi, kljub temu pa odločitve o obnavljanju zalog temeljijo na preteklih trendih. Poleg tega ti trendi ne vključujejo nestanovitnega dinamičnega okolja delovanja sredstev BHS, ko se starajo. Za reševanje teh izzivov se mora v strategijah vzdrževanja zgoditi seizmični premik – prehod od reaktivne k proaktivni miselnosti. Ta premik od operaterjev zahteva uporabo najnovejše tehnologije za racionalizacijo vzdrževalnih dejavnosti, optimizacijo delovanja in zmanjšanje operativnih stroškov.
V tej objavi opisujemo, kako je uporabil rešitve AWS Partner Airis Amazon Lookout za opremo, storitve interneta stvari (IoT) AWS in CloudRail senzorske tehnologije za zagotavljanje najsodobnejše rešitve za reševanje teh izzivov.
Pregled sistema za ravnanje s prtljago
Naslednji diagram in tabela prikazujeta meritve, opravljene na tipičnem vrtiljaku na mednarodnem letališču King Khalid v Riadu.
Podatki se zbirajo na različnih lokacijah, prikazanih v diagramu.
Sensor Type | Poslovna vrednost | Podatkovni nizi | lokacija |
Senzorji hitrosti povezave IO | Homogena hitrost vrtiljaka | PDV1 (1 na minuto) | C |
Vibracijski senzor z integriranim Temperature Sensor |
Zrahljan vijak, Nepravilno poravnana gred, Poškodba ležaja, Poškodba navitja motorja |
Utrujenost (v-RMS) (m/s) Udarec (a-Peak) (m/s^2) Trenje (a-RMS) (m/s^2) Temperatura (C) Crest |
A in B |
Senzor razdalje PEC | Prepustnost prtljage | Razdalja (cm) | D |
Naslednje slike prikazujejo okolje in opremo za spremljanje različnih meritev.
Pregled rešitev
Prediktivni sistem vzdrževanja (PdMS) za sisteme za ravnanje s prtljago je referenčna arhitektura, ki upravljavcem vzdrževanja letališč pomaga na njihovem potovanju, da imajo podatke kot sredstvo za izboljšanje nenačrtovanih izpadov. Vsebuje gradnike za pospešitev razvoja in uvajanja povezanih senzorjev in storitev. PdMS vključuje storitve AWS za varno upravljanje življenjskega cikla robnih računalniških naprav in sredstev BHS, zajem podatkov v oblaku, shranjevanje, modele sklepanja strojnega učenja (ML) in poslovno logiko za spodbujanje proaktivnega vzdrževanja opreme v oblaku.
Ta arhitektura je bila zgrajena na podlagi izkušenj, pridobljenih med večletnim delom z letališkimi operacijami. Predlagana rešitev je bila razvita s podporo Northbay Solutions, glavnega partnerja AWS, in jo je mogoče v 90 dneh uvesti na letališčih vseh velikosti in razsežnosti na tisoče povezanih naprav.
Naslednji diagram arhitekture razkriva osnovne komponente, ki se uporabljajo za izgradnjo rešitve predvidenega vzdrževanja:
Za montažo naše arhitekture uporabljamo naslednje storitve:
- CloudRail.DMC je programska oprema kot storitev (SaaS) rešitev nemškega IoT strokovnjaka CloudRail GmbH. Ta organizacija upravlja flote globalno porazdeljenih robnih prehodov. S to storitvijo je mogoče industrijske senzorje, pametne števce in strežnike OPC UA povezati s podatkovnim jezerom AWS s samo nekaj kliki.
- AWS IoT jedro vam omogoča povezovanje milijard IoT naprav in usmerjanje trilijonov sporočil v storitve AWS brez upravljanja infrastrukture. Varno prenaša sporočila v in iz vseh vaših naprav in aplikacij interneta stvari z nizko zakasnitvijo in visoko prepustnostjo. Uporabljamo AWS IoT Core za povezavo s senzorji CloudRail in posredovanje njihovih meritev v AWS Cloud.
- AWS IoT Analytics je v celoti upravljana storitev, ki olajša izvajanje in operacionalizacijo prefinjene analitike na ogromnih količinah podatkov IoT, ne da bi morali skrbeti za stroške in kompleksnost, ki sta običajno potrebna za izgradnjo analitične platforme IoT. To je preprost način za izvajanje analitike podatkov IoT za pridobitev natančnih vpogledov.
- Amazon Lookout za opremo analizira podatke iz senzorjev opreme, da samodejno ustvari model ML za vašo opremo na podlagi podatkov o sredstvih – znanja o podatkih niso potrebna. Lookout for Equipment analizira dohodne podatke senzorjev v realnem času in natančno identificira zgodnje opozorilne signale, ki bi lahko povzročili nepričakovane izpade.
- Amazon QuickSight vsem v organizaciji omogoča razumevanje podatkov s postavljanjem vprašanj v naravnem jeziku, vizualizacijo informacij prek interaktivnih nadzornih plošč in samodejnim iskanjem vzorcev in izstopajočih vrednosti, ki jih poganja ML.
Kot je prikazano v naslednjem diagramu, ta arhitektura omogoča pretok podatkov senzorjev do operativnih vpogledov.
Podatkovne točke se zbirajo s senzorji IO-Link: IO-Link je standardiziran vmesnik, ki omogoča nemoteno komunikacijo od nadzorne ravni industrijskega sredstva (v našem primeru sistema za ravnanje s prtljago) do senzorske ravni. Ta protokol se uporablja za dovajanje podatkov senzorjev v robni prehod CloudRail in nalaganje v AWS IoT Core. Slednji nato zagotovi podatke o opremi modelom ML za prepoznavanje operativnih težav in težav z opremo, ki jih je mogoče uporabiti za določitev optimalnega časa za vzdrževanje ali zamenjavo sredstev brez nepotrebnih stroškov.
Zbiranje podatkov
Naknadno opremljanje obstoječih sredstev in njihovih nadzornih sistemov v oblak ostaja izziv za operaterje opreme. Dodajanje sekundarnih senzorjev zagotavlja hiter in varen način za pridobivanje potrebnih podatkov, pri tem pa ne moti obstoječih sistemov. Zato je lažji, hitrejši in neinvaziven v primerjavi z neposredno povezavo PLC-jev stroja. Poleg tega je mogoče izbrati naknadno vgrajene senzorje za natančno merjenje podatkovnih točk, potrebnih za posebne načine okvare.
Z CloudRail je mogoče vsak industrijski senzor IO-Link povezati s storitvami AWS, kot je AWS IoT Core, AWS IoT SiteWiseali AWS IoT Zelena trava v nekaj sekundah prek portala za upravljanje naprav v oblaku (CloudRail.DMC). To strokovnjakom za IoT omogoča delo s centraliziranih lokacij in vgrajenih fizičnih sistemov, ki so globalno porazdeljeni. Rešitev rešuje izzive povezljivosti podatkov za sisteme prediktivnega vzdrževanja prek enostavnega mehanizma plug-and-play.
Prehod deluje kot industrijska demilitarizirana cona (IDMZ) med opremo (OT) in storitvijo v oblaku (IT). Prek integrirane aplikacije za upravljanje voznega parka CloudRail zagotavlja, da se najnovejši varnostni popravki samodejno uvedejo v tisoče namestitev.
Naslednja slika prikazuje senzor IO-Link in robni prehod CloudRail (oranžno):
Usposabljanje modela za odkrivanje nepravilnosti
Organizacije iz večine industrijskih segmentov vidijo, da se sodobne strategije vzdrževanja odmikajo od pristopov od zagona do okvare, reaktivnih pristopov in napredujejo k bolj prediktivnim metodam. Vendar pa prehod na pristop vzdrževanja, ki temelji na stanju ali na predvidevanju, zahteva podatke, zbrane s senzorji, nameščenimi po vseh objektih. Uporaba preteklih podatkov, ki jih zajamejo ti senzorji, v povezavi z analitiko pomaga prepoznati predhodnike okvar opreme, kar vzdrževalnemu osebju omogoča ustrezno ukrepanje pred okvaro.
Sistemi predvidenega vzdrževanja se zanašajo na zmožnost prepoznavanja, kdaj bi lahko prišlo do okvar. Proizvajalci originalne opreme običajno zagotovijo podatkovne liste za svojo opremo in priporočajo spremljanje določenih operativnih meritev na podlagi skoraj popolnih pogojev. Vendar pa so ti pogoji le redko realni zaradi naravne obrabe sredstva, okoljskih pogojev, v katerih deluje, njegove pretekle zgodovine vzdrževanja ali zgolj načina, na katerega ga morate upravljati, da dosežete svoje poslovne rezultate. Na primer, dva enaka motorja (znamka, model, datum proizvodnje) sta bila nameščena v isti vrtiljak za ta dokaz koncepta. Ti motorji so delovali v različnih temperaturnih območjih zaradi različne vremenske izpostavljenosti (en del tekočega traku na notranji strani in drugi zunaj letališkega terminala).
Motor 1 je deloval pri temperaturi od 32 do 35 °C. RMS hitrosti vibracij se lahko spremeni zaradi utrujenosti motorja (na primer napake pri poravnavi ali težave z neuravnoteženostjo). Kot je prikazano na naslednji sliki, ta motor kaže stopnje utrujenosti med 2–6, z nekaterimi vrhovi pri 9.
Motor 2 je deloval v hladnejšem okolju, kjer se je temperatura gibala med 20–25°C. V tem kontekstu motor 2 kaže stopnje utrujenosti med 4–8, z nekaterimi vrhovi pri 10:
Večina pristopov ML pričakuje zelo specifično domensko znanje in informacije (pogosto jih je težko pridobiti), ki jih je treba izluščiti iz načina delovanja in vzdrževanja vsakega sredstva (na primer vzorci poslabšanja napak). To delo je treba izvesti vsakič, ko želite nadzirati novo sredstvo ali če se pogoji sredstva znatno spremenijo (na primer, ko zamenjate del). To pomeni, da bo odličen model, dobavljen v fazi izdelave prototipa, verjetno doživel udarec v zmogljivosti, ko bo uveden na drugih sredstvih, kar bo drastično zmanjšalo natančnost sistema in na koncu izgubilo zaupanje končnih uporabnikov. To lahko povzroči tudi veliko lažnih pozitivnih rezultatov in potrebovali boste spretnosti, potrebne za iskanje veljavnih signalov v vsem hrupu.
Lookout for Equipment samo analizira vaše podatke o časovni vrsti, da se nauči običajnih razmerij med vašimi signali. Potem, ko ta razmerja začnejo odstopati od običajnih delovnih pogojev (zajetih v stanju usposabljanja), bo storitev označila anomalijo. Ugotovili smo, da vam stroga uporaba preteklih podatkov za vsako sredstvo omogoča, da se osredotočite na tehnologije, ki se lahko naučijo delovnih pogojev, ki bodo edinstveni za dano sredstvo v samem okolju, v katerem deluje. To vam omogoča zagotavljanje napovedi, ki podpirajo analizo temeljnih vzrokov in prediktivne prakse vzdrževanja na granularni ravni, na ravni sredstva in makro ravni (s sestavljanjem ustrezne nadzorne plošče, ki vam omogoča pregled več sredstev hkrati). To je pristop, ki smo ga ubrali, in razlog, da smo se odločili za uporabo Lookout for Equipment.
Strategija usposabljanja: Reševanje izziva hladnega zagona
BHS, ki smo ga ciljali, sprva ni bil instrumentiran. Namestili smo senzorje CloudRail, da bi začeli zbirati nove meritve iz našega sistema, vendar je to pomenilo, da smo imeli le omejeno zgodovinsko globino za usposabljanje našega modela ML. V tem primeru smo se z izzivom hladnega zagona lotili s spoznanjem, da gradimo sistem, ki se nenehno izboljšuje. Ko so bili senzorji nameščeni, smo zbrali eno uro podatkov in te informacije podvojili, da bi čim prej začeli uporabljati Lookout for Equipment in preizkusili naš celoten cevovod.
Po pričakovanjih so bili prvi rezultati precej nestabilni, saj je bil model ML izpostavljen zelo kratkemu obdobju delovanja. To je pomenilo, da bo vsako novo vedenje, ki ni bilo vidno v prvi uri, označeno. Ko smo pogledali vrhunske senzorje, se je zdelo, da je glavni osumljenec temperatura na enem od motorjev (T2_MUC_ES_MTRL_TMP
v oranžni barvi na naslednji sliki). Ker je bil začetni zajem podatkov zelo ozek (1 ura), je tekom dneva glavna sprememba izhajala iz temperaturnih vrednosti (kar je skladno s takratnimi okoljskimi razmerami).
Ko smo to primerjali z okoljskimi pogoji okoli tega posebnega tekočega traku, smo potrdili, da se je zunanja temperatura močno povečala, kar je posledično povečalo temperaturo, izmerjeno s tem senzorjem. V tem primeru bodo novi podatki (ki upoštevajo povišanje zunanje temperature) vključeni v nabor podatkov za usposabljanje, del običajnega vedenja, kot ga zajame Lookout for Equipment, in manj verjetno bo, da bo podobno vedenje v prihodnosti povzročilo kakršno koli dogodkov.
Po 5 dneh je bil model ponovno usposobljen in stopnje lažnih pozitivnih rezultatov so takoj drastično padle:
Čeprav je bila ta težava s hladnim zagonom začetni izziv za pridobitev uporabnih vpogledov, smo to priložnost izkoristili za izgradnjo mehanizma za ponovno usposabljanje, ki ga lahko končni uporabnik enostavno sproži. Mesec dni po poskusu smo usposobili nov model s podvajanjem podatkov tipala za en mesec v 3 mesece. To je še naprej zmanjševalo lažno pozitivne stopnje, saj je bil model izpostavljen širšemu nizu pogojev. Podobno lažno pozitivno znižanje stopnje se je zgodilo po tem ponovnem usposabljanju: stanje, ki ga modelira sistem, je bilo bližje temu, kar uporabniki doživljajo v resničnem življenju. Po 3 mesecih smo končno imeli nabor podatkov, ki smo ga lahko uporabili brez uporabe tega trika podvajanja.
Odslej bomo vsake 3 mesece sprožili preusposabljanje in čim prej bomo uporabili podatke do 1 leta za upoštevanje sezonskosti okoljskih razmer. Pri uvajanju tega sistema na druga sredstva bomo lahko znova uporabili ta avtomatizirani postopek in uporabili začetno usposabljanje za potrditev našega cevovoda podatkov senzorjev.
Ko je bil model usposobljen, smo ga uvedli in začeli pošiljati podatke v živo v Lookout for Equipment. Lookout for Equipment vam omogoča, da konfigurirate razporejevalnik, ki se redno prebuja (na primer vsako uro), da pošlje sveže podatke usposobljenemu modelu in zbere rezultate.
Zdaj, ko vemo, kako usposobiti, izboljšati in uvesti model, si poglejmo operativne nadzorne plošče, implementirane za končne uporabnike.
Vizualizacija podatkov in vpogledi
Končni uporabniki potrebujejo način, kako pridobiti večjo vrednost iz svojih operativnih podatkov, da bi bolje izboljšali izkoriščenost svojih sredstev. S QuickSightom smo povezali nadzorno ploščo z neobdelanimi merilnimi podatki, ki jih je zagotovil naš sistem interneta stvari, kar je uporabnikom omogočilo primerjavo in primerjavo med ključnimi deli opreme na danem BHS.
Na naslednji nadzorni plošči lahko uporabniki preverijo ključne senzorje, ki se uporabljajo za spremljanje stanja BHS, in pridobijo spremembe meritev med obdobjem.
V prejšnjem grafu lahko uporabniki vizualizirajo kakršno koli nepričakovano neravnovesje meritev za vsak motor (levi in desni graf za temperaturo, utrujenost, vibracije, trenje in udarce). Na dnu so povzeti ključni kazalniki uspešnosti z napovedjo in trendi med posameznimi obdobji.
Končni uporabniki lahko dostopajo do informacij za naslednje namene:
- Oglejte si zgodovinske podatke v intervalih od 2 ur do 24 ur.
- Ekstrahirajte neobdelane podatke prek formata CSV za zunanjo integracijo.
- Vizualizirajte uspešnost sredstev v določenem časovnem obdobju.
- Ustvarite vpoglede za operativno načrtovanje in izboljšajte uporabo sredstev.
- Izvedite korelacijsko analizo. Na naslednjem grafu lahko uporabnik vizualizira več meritev (kot je utrujenost motorja v primerjavi s temperaturo ali pretok prtljage v primerjavi s hitrostjo vrtiljaka) in uporabi to nadzorno ploščo za boljše obveščanje o naslednjem najboljšem vzdrževalnem ukrepu.
Odprava šuma iz podatkov
Po nekaj tednih smo opazili, da Lookout for Equipment oddaja nekaj dogodkov, ki naj bi bili lažno pozitivni.
Pri analizi teh dogodkov smo odkrili neenakomerne padce hitrosti motorja vrtiljaka.
Srečali smo se z vzdrževalno ekipo in obvestili so nas, da so ti postanki ali nujni postanki ali načrtovane vzdrževalne dejavnosti v času izpada. S temi informacijami smo ustavitve v sili označili kot anomalije in jih posredovali Lookout for Equipment, medtem ko so načrtovani časi izpadov veljali za normalno vedenje tega vrtiljaka.
Razumevanje takšnih scenarijev, kjer lahko na neobičajne podatke vplivajo nadzorovana zunanja dejanja, je ključnega pomena za izboljšanje natančnosti modela zaznavanja nepravilnosti skozi čas.
Preskušanje dima
Po nekaj urah od ponovnega usposabljanja modela in doseganja relativno nobenih anomalij je naša ekipa fizično obremenila sredstva, kar je sistem takoj zaznal. To je običajna zahteva uporabnikov, ker se morajo seznaniti s sistemom in njegovim odzivom.
Izdelali smo našo nadzorno ploščo, da bi končnim uporabnikom omogočili vizualizacijo zgodovinskih anomalij z neomejenim obdobjem. Uporaba storitve poslovnega obveščanja jim omogoča poljubno organizacijo podatkov in ugotovili smo, da so palični grafikoni v 24-urnem obdobju ali tortni grafikoni najboljši način za dober vpogled v stanje BHS. Poleg nadzornih plošč, ki si jih lahko uporabniki ogledajo, kadar koli jih potrebujejo, nastavimo avtomatska opozorila, poslana na določen e-poštni naslov in prek besedilnega sporočila.
Pridobivanje globljih vpogledov iz modelov za odkrivanje nepravilnosti
V prihodnosti nameravamo pridobiti globlje vpoglede iz modelov za odkrivanje nepravilnosti, usposobljenih z Lookout for Equipment. Še naprej bomo uporabljali QuickSight za izdelavo razširjenega nabora pripomočkov. Ugotovili smo na primer, da so pripomočki za vizualizacijo podatkov, izpostavljeni v Vzorci GitHub za Lookout for Equipment nam omogočajo, da pridobimo še več vpogledov iz neobdelanih rezultatov naših modelov.
Rezultati
Reaktivno vzdrževanje v sistemih za ravnanje s prtljago pomeni naslednje:
- Manjše zadovoljstvo potnikov zaradi dolgih čakalnih dob ali poškodovane prtljage
- Manjša razpoložljivost sredstev zaradi nenačrtovanih okvar in pomanjkanja kritičnih rezervnih delov
- Višji stroški poslovanja zaradi naraščajočih ravni zalog poleg višjih stroškov vzdrževanja
Cilj razvoja vaše vzdrževalne strategije za vključitev zanesljive, napovedne analitike v cikel odločanja je izboljšati delovanje sredstev in preprečiti prisilne zaustavitve.
Strokovnjaki IoT so opremo za spremljanje lokalno namestili v enem dnevu in jo v celoti konfigurirali na daljavo. Arhitektura oblaka, opisana v pregledu rešitve, je bila nato uspešno uvedena v 1 dneh. Hiter čas uvedbe dokazuje prednosti, predlagane končnemu uporabniku, kar hitro vodi do premika v strategiji vzdrževanja od reaktivnega, ki temelji na človeku (odpravljanje okvar), na proaktivno, ki temelji na stroju in temelji na podatkih (preprečevanje izpadov).
zaključek
Sodelovanje med Airis, CloudRail, Northbay Solutions in AWS je privedlo do novih dosežkov na mednarodnem letališču King Khalid (glej sporočilo za javnost za več podrobnosti). Kot del svoje strategije digitalne preobrazbe letališče Riyadh načrtuje nadaljnje uvedbe, da bi pokrilo druge elektromehanske sisteme, kot so mostovi za vkrcanje potnikov in sistemi HVAC.
Če imate komentarje o tej objavi, jih pošljite v razdelek za komentarje. Če imate vprašanja o tej rešitvi ali njeni izvedbi, odprite novo nit re: Objava, kjer vam lahko pomagajo strokovnjaki AWS in širša skupnost.
O avtorjih
Moulham Zahabi je specialist za letalstvo z več kot 11-letnimi izkušnjami pri načrtovanju in vodenju letalskih projektov ter upravljanju kritičnih letaliških sredstev v regiji GCC. Je tudi eden od soustanoviteljev Airis-Solutions.ai, katerega namen je voditi digitalno preobrazbo letalske industrije z inovativnimi rešitvami AI/ML za letališča in logistične centre. Danes Moulham vodi direktorat za upravljanje premoženja v Saudi Civil Aviation Holding Company (Matarat).
Fauzan Khan je višji arhitekt rešitev, ki dela s strankami v javnem sektorju in zagotavlja smernice za načrtovanje, uvajanje in upravljanje njihovih delovnih obremenitev in arhitektur AWS. Fauzan strastno pomaga strankam pri sprejemanju inovativnih tehnologij v oblaku na področju HPC in AI/ML za reševanje poslovnih izzivov. Izven službe Fauzan rad preživlja čas v naravi.
Michael Hoarau je specialist za rešitve AI/ML pri AWS, ki se spreminja med podatkovnim znanstvenikom in arhitektom strojnega učenja, odvisno od trenutka. Strastno želi prenesti moč AI/ML v delavnice svojih industrijskih strank in delal je na številnih primerih uporabe ML, od zaznavanja nepravilnosti do predvidevanja kakovosti izdelkov ali optimizacije proizvodnje. Objavil je knjiga o analizi časovnih vrst leta 2022 in redno piše o tej temi na LinkedIn in srednje. Ko strankam ne pomaga razviti naslednje najboljše izkušnje strojnega učenja, uživa v opazovanju zvezd, potovanjih ali igranju klavirja.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- : je
- $GOR
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- Sposobna
- O meni
- pospeši
- dostop
- ustrezno
- Račun
- računovodstvo
- natančnost
- natančna
- natančno
- Doseči
- dosežek
- doseganju
- pridobiti
- čez
- Zakon
- Ukrep
- dejavnosti
- dejavnosti
- aktov
- Poleg tega
- Dodatne
- Poleg tega
- Naslov
- naslavljanje
- sprejme
- po
- AI
- AI / ML
- pomoč
- Cilje
- letališče
- Letališča
- Opozorila
- poravnava
- vsi
- Dovoli
- omogoča
- Amazon
- Amazon Lookout za opremo
- Analiza
- analitika
- analize
- analiziranje
- in
- letno
- odkrivanje anomalije
- zdi
- uporaba
- aplikacije
- pristop
- pristopi
- primerno
- Arhitektura
- SE
- OBMOČJE
- okoli
- prihod
- AS
- sredstvo
- upravljanje premoženja
- Sredstva
- At
- Avtomatizirano
- samodejno
- razpoložljivost
- letalstvo
- AWS
- torbe
- bar
- temeljijo
- BE
- ker
- pred
- Prednosti
- BEST
- Boljše
- med
- milijardah
- Bloki
- vkrcanje
- Knjiga
- Bottom
- Bound
- Razčlenitev
- odmori
- mostovi
- Predložitev
- širši
- izgradnjo
- Building
- zgrajena
- poslovni
- Poslovna inteligenca
- by
- se imenuje
- CAN
- zajemanje
- Vrtiljak
- primeru
- primeri
- Vzrok
- centri
- centralizirano
- nekatere
- verige
- izziv
- izzivi
- izziv
- spremenite
- Spremembe
- Charts
- preveriti
- zaprto
- bližje
- Cloud
- soustanovitelji
- zbiranje
- Zbiranje
- prihajajo
- komentarji
- Skupno
- Komunikacija
- skupnost
- podjetje
- primerjate
- v primerjavi z letom
- popolnoma
- kompleksna
- kompleksnost
- komponenta
- deli
- Izračunajte
- Koncept
- stanje
- Pogoji
- zaupanje
- POTRJENO
- Connect
- povezane
- povezava
- Povezovanje
- šteje
- dosledno
- Vsebuje
- ozadje
- naprej
- naprej
- neprekinjeno
- stalno
- kontrast
- nadzor
- nadzorom
- Nadzor
- sodelovanje
- Core
- Korelacija
- strošek
- stroški
- bi
- Števec
- Tečaj
- pokrov
- ustvarjajo
- kritično
- stranka
- Zadovoljstvo kupcev
- Stranke, ki so
- cikel
- Armaturna plošča
- datum
- Data jezero
- podatkovne točke
- znanost o podatkih
- podatkovni znanstvenik
- vizualizacija podatkov
- Podatkov usmerjenih
- Datum
- dan
- Dnevi
- odločil
- Odločanje
- odločitve
- globlje
- poda
- dostavi
- dostava
- odvisno
- Odvisno
- odvisno
- razporedi
- razporejeni
- uvajanja
- uvajanje
- razmestitve
- globina
- opisati
- opisano
- Oblikovanje
- imenovani
- oblikovanje
- Podrobnosti
- Zaznali
- Odkrivanje
- Ugotovite,
- določanje
- Razvoj
- razvili
- Razvoj
- naprava
- naprave
- drugačen
- težko
- digitalni
- Digitalni Transformation
- neposredna
- odkril
- Moti
- Motnje
- motnje
- razdalja
- porazdeljena
- Ne
- domena
- dont
- navzdol
- odmore
- drastično
- Drop
- Kapljice
- med
- dinamično
- vsak
- Zgodnje
- lažje
- enostavno
- Edge
- učinkovitost
- bodisi
- element
- elementi
- E-naslov
- v sili
- omogočajo
- omogoča
- zagotovitev
- zagotavlja
- Celotna
- okolje
- okolja
- oprema
- Napaka
- napake
- Tudi
- Event
- dogodki
- Tudi vsak
- vsi
- Primer
- Primeri
- presega
- Odličnost
- obstoječih
- razširiti
- pričakovati
- Pričakuje
- Stroški
- izkušnje
- Doživetja
- doživlja
- strokovnjak
- Strokovnjaki
- izpostavljena
- Izpostavljenost
- zunanja
- ekstrakt
- Napaka
- seznaniti
- FAST
- hitreje
- utrujenost
- Fed
- Nekaj
- Slika
- končno
- Najdi
- prva
- označeno
- FLET
- Letalo
- Pretok
- letenje
- Osredotočite
- po
- za
- Napoved
- format
- Naprej
- je pokazala,
- sveže
- trenja
- iz
- v celoti
- funkcija
- funkcije
- nadalje
- Prihodnost
- Gain
- Prehod
- GCC
- regija GCC
- nemški
- dobili
- dana
- Globalno
- Globalno
- GmBH
- dobro
- veliko
- Gost
- Gost Prispevek
- Navodila
- ročaj
- Ravnanje
- se zgodi
- se je zgodilo
- Imajo
- ob
- Postavka
- močno
- pomoč
- pomoč
- Pomaga
- visoka
- več
- zgodovinski
- zgodovina
- hit
- gospodarstvo
- URE
- Kako
- Kako
- Vendar
- hpc
- HTTPS
- enako
- identificira
- identificirati
- slika
- slike
- neravnovesje
- takoj
- vpliv
- Izvajanje
- izvajali
- naložila
- izboljšanje
- izboljšanju
- in
- vključuje
- Dohodni
- vključi
- Vključena
- Povečajte
- povečal
- narašča
- kazalniki
- industrijske
- industriji
- vplivali
- obvesti
- Podatki
- obvestila
- Infrastruktura
- začetna
- inovativne
- vpogledi
- nameščen
- primer
- integrirana
- integracija
- Intelligence
- nameravajo
- interaktivno
- vmesnik
- motenje
- Facebook Global
- Internet
- Internet stvari
- inventar
- Internet stvari
- naprave
- Vprašanja
- IT
- ITS
- Potovanje
- jpg
- Ključne
- King
- Vedite
- znanje
- Jezero
- jezik
- Latenca
- Zadnji
- kosilo
- vodi
- vodi
- UČITE
- naučili
- učenje
- Led
- dolžina
- Spoznanja
- Pridobljena spoznanja
- Lets
- Stopnja
- ravni
- življenje
- življenski krog
- kot
- Verjeten
- Limited
- vrstica
- LINK
- v živo
- podatki v živo
- lokalno
- Lokacije
- Poglej
- si
- izgube
- nizka
- stroj
- strojno učenje
- Makro
- Glavne
- vzdrževati
- vzdrževanje
- vzdrževanje
- Znamka
- IZDELA
- Izdelava
- upravljanje
- upravlja
- upravljanje
- upravlja
- upravljanje
- proizvodnja
- več
- ogromen
- ujemanje
- Maj ..
- pomeni
- merjenje
- meritve
- merjenje
- Mehanizem
- srednje
- Sporočilo
- sporočil
- Metode
- Meritve
- milijonov
- milijoni
- Miselnost
- ML
- Model
- modeli
- sodobna
- načini
- Trenutek
- monitor
- spremljanje
- mesec
- mesecev
- več
- Najbolj
- Motor
- Motorji
- premikanje
- več
- naravna
- Narava
- potrebno
- Nimate
- potrebe
- Novo
- Naslednja
- hrup
- normalno
- pridobi
- of
- on
- Na krovu
- ONE
- deluje
- upravlja
- deluje
- deluje
- Delovanje
- operativno
- operacije
- operaterji
- Priložnost
- optimalna
- optimizacija
- Optimizirajte
- Oranžna
- Organizacija
- Ostalo
- zunaj
- Splošni
- pregled
- del
- partner
- deli
- strastno
- preteklosti
- Obliži
- vzorci
- performance
- Obdobje
- osebje
- faza
- fizično
- Fizično
- kosov
- plinovod
- načrtovano
- načrtovanje
- načrti
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- prosim
- točke
- Portal
- pozitiven
- mogoče
- Prispevek
- moč
- poganja
- vaje
- Ravno
- Napovedi
- Napovedna analiza
- premier
- pritisnite
- prevladujoč
- preprečevanje
- Proaktivna
- Sonda
- problem
- Težave
- Postopek
- Izdelek
- Kakovost izdelka
- proizvodnja
- napreduje
- projekti
- dokazilo
- dokaz koncepta
- pravilno
- predlagano
- protokol
- prototipov
- dokazuje
- zagotavljajo
- če
- ponudniki
- zagotavlja
- zagotavljanje
- javnega
- objavljeno
- namene
- kakovost
- vprašanja
- hitro
- dvigniti
- območje
- obsegu
- Oceniti
- Cene
- Surovi
- reagira
- pravo
- resnično življenje
- v realnem času
- realistična
- Razlog
- Priporočamo
- Priporočila
- zmanjša
- zmanjšanje
- okolica
- redno
- Razmerja
- relativno
- zanesljiv
- ostanki
- zamenjajte
- zahteva
- obvezna
- zahteva
- Rezultati
- ponovna
- narašča
- Tveganje
- Valjani
- koren
- Pot
- Run
- SaaS
- varna
- Enako
- Zadovoljstvo
- Saudska
- luske
- scenariji
- urnik
- Znanost
- Znanstvenik
- brezšivne
- sekundarno
- sekund
- Oddelek
- sektor
- zavarovanje
- Varno
- varnost
- zdelo
- segmentih
- izbran
- pošiljanja
- višji
- senzorji
- Serija
- Strežniki
- Storitev
- ponudnikov storitev
- Storitve
- nastavite
- več
- Oblike
- premik
- Trgovina
- pomanjkanje
- Prikaži
- pokazale
- Razstave
- zaustavitve
- Sight
- signali
- bistveno
- Podoben
- sam
- veliko
- velikosti
- spretnosti
- majhna
- pametna
- Dimna
- Software
- programske opreme kot storitve
- Rešitev
- rešitve
- Rešuje
- nekaj
- prefinjeno
- specialist
- specifična
- hitrost
- Poraba
- Stars
- Začetek
- začel
- Država
- state-of-the-art
- Postanki
- shranjevanje
- strategije
- Strategija
- racionalizirati
- predloži
- uspešno
- Uspešno
- taka
- dobavi
- dobavne verige
- podpora
- Podpora
- sistem
- sistemi
- miza
- ciljno
- skupina
- Skupine
- Tehnologije
- Tehnologija
- terminal
- Test
- Testiranje
- da
- O
- Območje
- Prihodnost
- njihove
- Njih
- sami
- zato
- toplotna
- te
- stvari
- mislil
- tisoče
- skozi
- vsej
- pretočnost
- čas
- Časovne serije
- krat
- čas
- do
- danes
- temo
- proti
- tradicionalna
- Vlak
- usposobljeni
- usposabljanje
- Preoblikovanje
- Strategija transformacije
- Potovanje
- Trends
- sprožijo
- trillions
- OBRAT
- tipičen
- tipično
- osnovni
- razumeli
- Nepričakovana
- edinstven
- Enota
- neomejeno
- us
- uporaba
- uporabnik
- Uporabniki
- navadno
- uporabiti
- POTRDI
- vrednost
- Vrednote
- različnih
- VeloCity
- preko
- Poglej
- vizualizacija
- ključnega pomena
- nestanovitne
- prostornine
- vs
- Počakaj
- opozorilo
- način..
- Vreme
- Weeks
- Kaj
- ali
- ki
- medtem
- WHO
- široka
- Širok spekter
- bo
- z
- v
- brez
- delo
- delal
- Delovna sila
- deluje
- vredno
- bi
- leto
- let
- Vi
- Vaša rutina za
- zefirnet