นี่คือโพสต์รับเชิญที่เขียนร่วมกับ Moulham Zahabi จาก Matarat
ทุกคนคงเคยตรวจสอบสัมภาระของตนเมื่อบิน และรออย่างกระวนกระวายเพื่อให้กระเป๋าของพวกเขาปรากฏที่ม้าหมุน การส่งมอบกระเป๋าของคุณให้สำเร็จและตรงเวลาขึ้นอยู่กับโครงสร้างพื้นฐานขนาดใหญ่ที่เรียกว่าระบบจัดการสัมภาระ (BHS) โครงสร้างพื้นฐานนี้เป็นหนึ่งในหน้าที่หลักของการดำเนินงานสนามบินที่ประสบความสำเร็จ การจัดการสัมภาระและสินค้าสำหรับเที่ยวบินขาออกและขาเข้าให้ประสบความสำเร็จนั้นมีความสำคัญอย่างยิ่งต่อการสร้างความพึงพอใจให้กับลูกค้าและมอบความเป็นเลิศในการดำเนินงานของสนามบิน ฟังก์ชันนี้ขึ้นอยู่กับการทำงานอย่างต่อเนื่องของ BHS และประสิทธิภาพของการบำรุงรักษาเป็นอย่างมาก ในฐานะที่เป็นสายใยของสนามบิน BHS เป็นสินทรัพย์เชิงเส้นที่มีความยาวเกิน 34,000 เมตร (สำหรับสนามบินเดียว) จัดการกระเป๋ามากกว่า 70 ล้านใบต่อปี ทำให้เป็นหนึ่งในระบบอัตโนมัติที่ซับซ้อนที่สุดและเป็นองค์ประกอบสำคัญของการดำเนินงานสนามบิน
ระบบจัดการสัมภาระหยุดทำงานโดยไม่ได้วางแผน ไม่ว่าจะเป็นสายพานลำเลียง ม้าหมุน หรือเครื่องคัดแยก อาจทำให้การดำเนินงานของสนามบินหยุดชะงักได้ การหยุดชะงักดังกล่าวจะสร้างประสบการณ์ที่ไม่พึงประสงค์แก่ผู้โดยสารและอาจกำหนดบทลงโทษกับผู้ให้บริการสนามบิน
ความท้าทายที่แพร่หลายในการบำรุงรักษาระบบการจัดการสัมภาระคือวิธีการใช้งานระบบแบบบูรณาการที่มีทรัพย์สินมากกว่า 7,000 รายการและจุดตั้งค่ามากกว่าล้านจุดอย่างต่อเนื่อง ระบบเหล่านี้ยังรองรับกระเป๋าหลายล้านใบในรูปทรงและขนาดต่างๆ สันนิษฐานว่าระบบการจัดการสัมภาระมีแนวโน้มที่จะเกิดข้อผิดพลาดได้อย่างปลอดภัย เนื่องจากองค์ประกอบต่างๆ ทำงานในวงปิด หากองค์ประกอบใดองค์ประกอบหนึ่งพังลง จะส่งผลต่อทั้งเส้น กิจกรรมการบำรุงรักษาแบบดั้งเดิมต้องอาศัยบุคลากรจำนวนมากที่กระจายอยู่ตามสถานที่สำคัญต่างๆ ตามแนว BHS ที่ผู้ปฏิบัติงานจัดส่งให้ในกรณีที่เกิดข้อผิดพลาดในการดำเนินงาน ทีมบำรุงรักษายังต้องพึ่งพาคำแนะนำจากซัพพลายเออร์อย่างมากในการกำหนดเวลาหยุดทำงานสำหรับการบำรุงรักษาเชิงป้องกัน การพิจารณาว่ากิจกรรมการบำรุงรักษาเชิงป้องกันได้รับการปฏิบัติอย่างเหมาะสมหรือการตรวจสอบประสิทธิภาพของสินทรัพย์ประเภทนี้อาจไม่น่าเชื่อถือและไม่ได้ลดความเสี่ยงของการหยุดทำงานโดยไม่คาดคิด
การจัดการชิ้นส่วนอะไหล่เป็นความท้าทายเพิ่มเติมเนื่องจากเวลาในการผลิตเพิ่มขึ้นเนื่องจากการหยุดชะงักของห่วงโซ่อุปทานทั่วโลก แต่การตัดสินใจในการเติมสินค้าคงคลังขึ้นอยู่กับแนวโน้มในอดีต นอกจากนี้ แนวโน้มเหล่านี้ไม่รวมสภาพแวดล้อมไดนามิกที่ผันผวนของการดำเนินงานสินทรัพย์ BHS เมื่ออายุมากขึ้น เพื่อจัดการกับความท้าทายเหล่านี้ กลยุทธ์การบำรุงรักษาจำเป็นต้องเปลี่ยนการเปลี่ยนแปลงจากแผ่นดินไหว โดยเปลี่ยนจากความคิดเชิงรับเป็นเชิงรุก การเปลี่ยนแปลงนี้ต้องการให้ผู้ปฏิบัติงานใช้เทคโนโลยีล่าสุดเพื่อปรับปรุงกิจกรรมการบำรุงรักษา เพิ่มประสิทธิภาพการดำเนินงาน และลดค่าใช้จ่ายในการดำเนินงาน
ในโพสต์นี้ เราจะอธิบายว่า AWS Partner Airis Solutions ใช้อย่างไร Amazon Lookout สำหรับอุปกรณ์, บริการ AWS Internet of Things (IoT) และ คลาวด์เรล เทคโนโลยีเซ็นเซอร์เพื่อมอบโซลูชั่นล้ำสมัยเพื่อจัดการกับความท้าทายเหล่านี้
ภาพรวมระบบการจัดการสัมภาระ
แผนภาพและตารางต่อไปนี้แสดงการวัดที่ใช้บนม้าหมุนทั่วไปในสนามบินนานาชาติ King Khalid ในริยาด
ข้อมูลจะถูกเก็บรวบรวมตามสถานที่ต่างๆ ที่แสดงในแผนภาพ
ชนิดเซนเซอร์ | มูลค่าทางธุรกิจ | ชุดข้อมูล | แผนที่ |
เซ็นเซอร์ความเร็วลิงค์ IO | ความเร็วม้าหมุนที่เป็นเนื้อเดียวกัน | PDV1 (1 ครั้งต่อนาที) | C |
เซ็นเซอร์สั่นสะเทือนแบบบูรณาการ เซ็นเซอร์อุณหภูมิ |
สกรูหลวม, เพลาไม่ตรงแนว, แบริ่งเสียหาย, ความเสียหายของขดลวดมอเตอร์ |
ความเมื่อยล้า (v-RMS) (ม./วินาที) ผลกระทบ (a-พีค) (m/s^2) แรงเสียดทาน (a-RMS) (m/s^2) อุณหภูมิ (C) ยอด |
A และ B |
เซ็นเซอร์ PEC ระยะทาง | ปริมาณสัมภาระ | ระยะทาง (ซม.) | D |
รูปภาพต่อไปนี้แสดงสภาพแวดล้อมและอุปกรณ์ตรวจสอบสำหรับการวัดต่างๆ
ภาพรวมโซลูชัน
ระบบการบำรุงรักษาเชิงคาดการณ์ (PdMS) สำหรับระบบการจัดการสัมภาระเป็นสถาปัตยกรรมอ้างอิงที่ช่วยให้ผู้ดำเนินการบำรุงรักษาสนามบินในการเดินทางของพวกเขามีข้อมูลเป็นตัวช่วยในการปรับปรุงการหยุดทำงานที่ไม่ได้วางแผนไว้ ประกอบด้วยองค์ประกอบพื้นฐานเพื่อเร่งการพัฒนาและปรับใช้เซ็นเซอร์และบริการที่เชื่อมต่อ PdMS ประกอบด้วยบริการของ AWS เพื่อจัดการวงจรชีวิตของอุปกรณ์ Edge Compute และสินทรัพย์ BHS อย่างปลอดภัย การนำเข้าข้อมูลบนคลาวด์ พื้นที่จัดเก็บ แบบจำลองการอนุมานของ Machine Learning (ML) และตรรกะทางธุรกิจเพื่อขับเคลื่อนการบำรุงรักษาอุปกรณ์เชิงรุกในระบบคลาวด์
สถาปัตยกรรมนี้สร้างขึ้นจากบทเรียนที่ได้รับขณะทำงานกับสนามบินเป็นเวลาหลายปี โซลูชันที่นำเสนอนี้ได้รับการพัฒนาโดยได้รับการสนับสนุนจาก Northbay Solutions ซึ่งเป็น AWS Premier Partner และสามารถนำไปปรับใช้กับสนามบินทุกขนาดและทุกขนาดไปจนถึงอุปกรณ์ที่เชื่อมต่อนับพันเครื่องภายใน 90 วัน
แผนภาพสถาปัตยกรรมต่อไปนี้แสดงส่วนประกอบพื้นฐานที่ใช้ในการสร้างโซลูชันการบำรุงรักษาเชิงคาดการณ์:
เราใช้บริการต่อไปนี้เพื่อประกอบสถาปัตยกรรมของเรา:
- CloudRail.DMC เป็นซอฟต์แวร์ในรูปแบบโซลูชันบริการ (SaaS) โดย CloudRail GmbH ผู้เชี่ยวชาญด้าน IoT ของเยอรมัน องค์กรนี้จัดการฟลีทของเอดจ์เกตเวย์ที่กระจายอยู่ทั่วโลก ด้วยบริการนี้ เซ็นเซอร์อุตสาหกรรม สมาร์ทมิเตอร์ และเซิร์ฟเวอร์ OPC UA สามารถเชื่อมต่อกับที่เก็บข้อมูล AWS ได้ด้วยการคลิกเพียงไม่กี่ครั้ง
- AWS IoT คอร์ ให้คุณเชื่อมต่ออุปกรณ์ IoT หลายพันล้านเครื่องและกำหนดเส้นทางข้อความหลายล้านล้านข้อความไปยังบริการของ AWS โดยไม่ต้องจัดการโครงสร้างพื้นฐาน มันส่งข้อความไปยังและจากอุปกรณ์ IoT และแอปพลิเคชันทั้งหมดของคุณอย่างปลอดภัยด้วยเวลาแฝงต่ำและปริมาณงานสูง เราใช้ AWS IoT Core เพื่อเชื่อมต่อกับเซ็นเซอร์ CloudRail และส่งต่อการวัดไปยัง AWS Cloud
- การวิเคราะห์ AWS IoT เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งทำให้ง่ายต่อการเรียกใช้และดำเนินการวิเคราะห์ที่ซับซ้อนบนข้อมูล IoT ปริมาณมหาศาลโดยไม่ต้องกังวลเกี่ยวกับค่าใช้จ่ายและความซับซ้อนที่จำเป็นในการสร้างแพลตฟอร์มการวิเคราะห์ IoT เป็นวิธีที่ง่ายในการเรียกใช้การวิเคราะห์ข้อมูล IoT เพื่อรับข้อมูลเชิงลึกที่แม่นยำ
- Amazon Lookout สำหรับอุปกรณ์ วิเคราะห์ข้อมูลจากเซ็นเซอร์อุปกรณ์เพื่อสร้างแบบจำลอง ML โดยอัตโนมัติสำหรับอุปกรณ์ของคุณตามข้อมูลเฉพาะของสินทรัพย์ โดยไม่จำเป็นต้องใช้ทักษะด้านวิทยาศาสตร์ข้อมูล Lookout for Equipment วิเคราะห์ข้อมูลเซ็นเซอร์ที่เข้ามาแบบเรียลไทม์และระบุสัญญาณเตือนล่วงหน้าอย่างแม่นยำซึ่งอาจนำไปสู่การหยุดทำงานโดยไม่คาดคิด
- อเมซอน QuickSight ช่วยให้ทุกคนในองค์กรเข้าใจข้อมูลได้โดยการถามคำถามในภาษาธรรมชาติ แสดงข้อมูลเป็นภาพผ่านแดชบอร์ดแบบโต้ตอบ และค้นหารูปแบบและค่าผิดปกติที่ขับเคลื่อนโดย ML โดยอัตโนมัติ
ดังที่แสดงในแผนภาพต่อไปนี้ สถาปัตยกรรมนี้ช่วยให้ข้อมูลเซ็นเซอร์ไหลไปสู่ข้อมูลเชิงลึกในการปฏิบัติงาน
จุดข้อมูลถูกรวบรวมโดยใช้เซ็นเซอร์ IO-Link: IO-Link เป็นอินเทอร์เฟซมาตรฐานที่ช่วยให้สามารถสื่อสารได้อย่างราบรื่นตั้งแต่ระดับการควบคุมของสินทรัพย์อุตสาหกรรม (ในกรณีของเราคือระบบจัดการสัมภาระ) ไปจนถึงระดับเซ็นเซอร์ โปรโตคอลนี้ใช้เพื่อป้อนข้อมูลเซ็นเซอร์ไปยังเกตเวย์ขอบ CloudRail และโหลดลงใน AWS IoT Core จากนั้นจะให้ข้อมูลอุปกรณ์แก่โมเดล ML เพื่อระบุปัญหาด้านการปฏิบัติงานและอุปกรณ์ที่สามารถใช้เพื่อกำหนดเวลาที่เหมาะสมที่สุดสำหรับการบำรุงรักษาหรือการเปลี่ยนสินทรัพย์โดยไม่ทำให้เกิดค่าใช้จ่ายที่ไม่จำเป็น
การเก็บรวบรวมข้อมูล
การดัดแปลงสินทรัพย์ที่มีอยู่และระบบควบคุมไปยังระบบคลาวด์ยังคงเป็นแนวทางที่ท้าทายสำหรับผู้ควบคุมอุปกรณ์ การเพิ่มเซ็นเซอร์รองเป็นวิธีที่รวดเร็วและปลอดภัยในการรับข้อมูลที่จำเป็นโดยไม่รบกวนระบบที่มีอยู่ ดังนั้นจึงง่ายกว่า เร็วกว่า และไม่รบกวนเมื่อเปรียบเทียบกับการเชื่อมต่อโดยตรงกับ PLC ของเครื่องจักร นอกจากนี้ยังสามารถเลือกเซ็นเซอร์ที่ดัดแปลงเพิ่มเติมเพื่อวัดจุดข้อมูลที่จำเป็นสำหรับโหมดความล้มเหลวเฉพาะได้อย่างแม่นยำ
ด้วย CloudRail เซ็นเซอร์ IO-Link ทุกอุตสาหกรรมสามารถเชื่อมต่อกับบริการของ AWS เช่น AWS IoT Core AWS IoT SiteWise,หรือ AWS IoT กรีนกราส ภายในไม่กี่วินาทีผ่านพอร์ทัลการจัดการอุปกรณ์บนคลาวด์ (CloudRail.DMC) สิ่งนี้ทำให้ผู้เชี่ยวชาญ IoT สามารถทำงานได้จากตำแหน่งที่ตั้งส่วนกลางและระบบกายภาพออนบอร์ดที่กระจายอยู่ทั่วโลก โซลูชันนี้ช่วยแก้ปัญหาความท้าทายในการเชื่อมต่อข้อมูลสำหรับระบบการบำรุงรักษาเชิงคาดการณ์ผ่านกลไก Plug-and-play ที่ใช้งานง่าย
เกตเวย์ทำหน้าที่เป็นเขตปลอดทหารอุตสาหกรรม (IDMZ) ระหว่างอุปกรณ์ (OT) และบริการคลาวด์ (IT) CloudRail ช่วยให้มั่นใจได้ว่าแพตช์ความปลอดภัยล่าสุดจะเปิดตัวโดยอัตโนมัติในการติดตั้งหลายพันครั้งผ่านแอปพลิเคชันการจัดการยานพาหนะแบบบูรณาการ
ภาพต่อไปนี้แสดงเซ็นเซอร์ IO-Link และเกตเวย์ขอบ CloudRail (สีส้ม):
ฝึกอบรมแบบจำลองการตรวจจับความผิดปกติ
องค์กรจากภาคส่วนอุตสาหกรรมส่วนใหญ่เห็นว่ากลยุทธ์การบำรุงรักษาสมัยใหม่กำลังเปลี่ยนจากการทำงานจนล้มเหลว แนวทางการตอบสนอง และความก้าวหน้าไปสู่วิธีการคาดการณ์ที่มากขึ้น อย่างไรก็ตาม การย้ายไปสู่แนวทางการบำรุงรักษาตามสภาพหรือตามการคาดการณ์นั้นต้องการข้อมูลที่รวบรวมจากเซ็นเซอร์ที่ติดตั้งทั่วโรงงาน การใช้ข้อมูลประวัติที่เซ็นเซอร์เหล่านี้จับได้ร่วมกับการวิเคราะห์จะช่วยระบุต้นตอของความล้มเหลวของอุปกรณ์ ซึ่งช่วยให้เจ้าหน้าที่ซ่อมบำรุงสามารถดำเนินการตามนั้นก่อนที่จะเกิดความเสียหาย
ระบบการบำรุงรักษาเชิงคาดการณ์อาศัยความสามารถในการระบุเมื่อเกิดความล้มเหลว โดยปกติแล้ว OEM ของอุปกรณ์จะจัดเตรียมเอกสารข้อมูลสำหรับอุปกรณ์ของตนและแนะนำให้ตรวจสอบเมตริกการปฏิบัติงานบางอย่างตามเงื่อนไขที่ใกล้สมบูรณ์ อย่างไรก็ตาม เงื่อนไขเหล่านี้แทบจะไม่เกิดขึ้นจริงเนื่องจากการสึกหรอตามธรรมชาติของสินทรัพย์ สภาพแวดล้อมที่ใช้งาน ประวัติการบำรุงรักษาที่ผ่านมา หรือเพียงวิธีที่คุณต้องการใช้งานเพื่อให้บรรลุผลลัพธ์ทางธุรกิจ ตัวอย่างเช่น มีการติดตั้งมอเตอร์ที่เหมือนกันสองตัว (ยี่ห้อ รุ่น วันที่ผลิต) ในวงล้อเดียวกันเพื่อพิสูจน์แนวคิดนี้ มอเตอร์เหล่านี้ทำงานในช่วงอุณหภูมิที่แตกต่างกันเนื่องจากการเปิดรับสภาพอากาศที่แตกต่างกัน (ส่วนหนึ่งของสายพานลำเลียงอยู่ด้านในและอีกส่วนหนึ่งอยู่ด้านนอกอาคารผู้โดยสารของสนามบิน)
มอเตอร์ 1 ทำงานในอุณหภูมิตั้งแต่ 32–35°C ความเร็วการสั่นสะเทือน RMS สามารถเปลี่ยนแปลงได้เนื่องจากความล้าของมอเตอร์ (เช่น ข้อผิดพลาดในการจัดตำแหน่งหรือปัญหาความไม่สมดุล) ดังที่แสดงในรูปต่อไปนี้ มอเตอร์นี้แสดงระดับความล้าระหว่าง 2–6 โดยมีจุดสูงสุดอยู่ที่ 9
มอเตอร์ 2 ทำงานในสภาพแวดล้อมที่เย็นกว่า ซึ่งอุณหภูมิอยู่ระหว่าง 20–25°C ในบริบทนี้ มอเตอร์ 2 แสดงระดับความล้าระหว่าง 4–8 โดยมีจุดสูงสุดอยู่ที่ 10:
แนวทาง ML ส่วนใหญ่ต้องการความรู้และข้อมูลเฉพาะเจาะจง (มักยากต่อการได้รับ) ซึ่งต้องดึงออกมาจากวิธีที่คุณดำเนินการและบำรุงรักษาสินทรัพย์แต่ละรายการ (เช่น รูปแบบการเสื่อมสภาพของความล้มเหลว) งานนี้ต้องทำทุกครั้งที่คุณต้องการตรวจสอบสินทรัพย์ใหม่ หรือหากเงื่อนไขของสินทรัพย์เปลี่ยนแปลงไปอย่างมาก (เช่น เมื่อคุณเปลี่ยนชิ้นส่วน) ซึ่งหมายความว่าโมเดลที่ยอดเยี่ยมที่ส่งมอบในขั้นตอนการสร้างต้นแบบมีแนวโน้มที่จะได้รับประสิทธิภาพเมื่อเปิดตัวในสินทรัพย์อื่นๆ ลดความแม่นยำของระบบลงอย่างมาก และท้ายที่สุดจะสูญเสียความมั่นใจของผู้ใช้ปลายทาง สิ่งนี้อาจทำให้เกิดผลบวกปลอมจำนวนมาก และคุณจะต้องมีทักษะที่จำเป็นในการค้นหาสัญญาณที่ถูกต้องของคุณในทุกสัญญาณรบกวน
Lookout for Equipment จะวิเคราะห์ข้อมูลอนุกรมเวลาของคุณเพื่อเรียนรู้ความสัมพันธ์ปกติระหว่างสัญญาณของคุณเท่านั้น จากนั้น เมื่อความสัมพันธ์เหล่านี้เริ่มเบี่ยงเบนไปจากสภาวะการทำงานปกติ (ถูกจับที่สถานะการฝึก) บริการจะตั้งค่าสถานะความผิดปกติ เราพบว่าการใช้ข้อมูลประวัติอย่างเคร่งครัดสำหรับสินทรัพย์แต่ละรายการทำให้คุณสามารถมุ่งเน้นไปที่เทคโนโลยีที่สามารถเรียนรู้เงื่อนไขการดำเนินงานซึ่งจะไม่ซ้ำกันกับสินทรัพย์ที่กำหนดในสภาพแวดล้อมที่ใช้งานอยู่ ซึ่งช่วยให้คุณส่งมอบการคาดคะเนที่สนับสนุนการวิเคราะห์สาเหตุที่แท้จริงและแนวทางปฏิบัติในการบำรุงรักษาเชิงคาดการณ์ ในระดับย่อย ระดับต่อสินทรัพย์ และระดับมหภาค (โดยการประกอบแดชบอร์ดที่เหมาะสมเพื่อให้คุณเห็นภาพรวมของสินทรัพย์หลายรายการพร้อมกัน) นี่คือแนวทางที่เราใช้และเหตุผลที่เราตัดสินใจใช้ Lookout for Equipment
กลยุทธ์การฝึกอบรม: จัดการกับความท้าทายในการเริ่มเย็น
BHS ที่เราตั้งเป้าหมายไม่ได้เป็นเครื่องมือในตอนแรก เราติดตั้งเซ็นเซอร์ CloudRail เพื่อเริ่มรวบรวมการวัดใหม่จากระบบของเรา แต่นั่นหมายความว่าเรามีข้อมูลเชิงลึกในอดีตที่จำกัดในการฝึกโมเดล ML ของเราเท่านั้น เราจัดการกับปัญหาการสตาร์ทเย็นในกรณีนี้โดยตระหนักว่าเรากำลังสร้างระบบที่ปรับปรุงอย่างต่อเนื่อง หลังจากติดตั้งเซ็นเซอร์แล้ว เราได้รวบรวมข้อมูลหนึ่งชั่วโมงและทำซ้ำข้อมูลนี้เพื่อเริ่มใช้ Lookout for Equipment โดยเร็วที่สุด และทดสอบไปป์ไลน์โดยรวมของเรา
ตามที่คาดไว้ ผลลัพธ์แรกค่อนข้างไม่เสถียรเนื่องจากโมเดล ML สัมผัสกับการดำเนินการในช่วงเวลาที่น้อยมาก ซึ่งหมายความว่าพฤติกรรมใหม่ใดๆ ที่ไม่ได้เห็นในชั่วโมงแรกจะถูกตั้งค่าสถานะ เมื่อดูที่เซ็นเซอร์ระดับบนสุด อุณหภูมิของมอเตอร์ตัวใดตัวหนึ่งดูเหมือนจะเป็นผู้ต้องสงสัยหลัก (T2_MUC_ES_MTRL_TMP
สีส้มตามรูปด้านล่าง) เนื่องจากการเก็บข้อมูลเริ่มต้นนั้นแคบมาก (1 ชั่วโมง) ตลอดทั้งวัน การเปลี่ยนแปลงหลักจึงมาจากค่าอุณหภูมิ (ซึ่งสอดคล้องกับสภาพแวดล้อมในขณะนั้น)
เมื่อจับคู่สิ่งนี้กับสภาพแวดล้อมรอบ ๆ สายพานลำเลียงเฉพาะนี้ เรายืนยันว่าอุณหภูมิภายนอกเพิ่มขึ้นอย่างรุนแรง ซึ่งส่งผลให้อุณหภูมิที่วัดโดยเซ็นเซอร์นี้เพิ่มขึ้น ในกรณีนี้ หลังจากรวมข้อมูลใหม่ (บัญชีสำหรับอุณหภูมิภายนอกที่เพิ่มขึ้น) เข้ากับชุดข้อมูลการฝึกอบรมแล้ว ข้อมูลดังกล่าวจะเป็นส่วนหนึ่งของพฤติกรรมปกติที่บันทึกโดย Lookout for Equipment และพฤติกรรมที่คล้ายคลึงกันในอนาคตจะมีโอกาสน้อยที่จะเพิ่มขึ้นใดๆ เหตุการณ์
หลังจากผ่านไป 5 วัน แบบจำลองได้รับการฝึกใหม่และอัตราการเกิด False Positive ลดลงอย่างมากในทันที:
แม้ว่าปัญหาในการเริ่มเย็นนี้เป็นความท้าทายเบื้องต้นในการได้รับข้อมูลเชิงลึกที่นำไปปฏิบัติได้ เราก็ใช้โอกาสนี้ในการสร้างกลไกการฝึกอบรมใหม่ที่ผู้ใช้ปลายทางสามารถเรียกใช้ได้อย่างง่ายดาย หนึ่งเดือนในการทดลอง เราฝึกโมเดลใหม่โดยจำลองข้อมูลเซ็นเซอร์ของเดือนหนึ่งเป็น 3 เดือน สิ่งนี้ยังคงลดอัตราการเกิด False Positive เนื่องจากโมเดลต้องเผชิญกับเงื่อนไขที่กว้างขึ้น อัตราการลดลงของ False Positive ที่คล้ายคลึงกันนี้เกิดขึ้นหลังจากการฝึกฝนใหม่นี้: สภาวะที่ระบบจำลองขึ้นนั้นใกล้เคียงกับสิ่งที่ผู้ใช้ประสบในชีวิตจริง หลังจากผ่านไป 3 เดือน ในที่สุดเราก็มีชุดข้อมูลที่เราสามารถใช้ได้โดยไม่ต้องใช้เคล็ดลับการทำซ้ำนี้
จากนี้ไป เราจะเริ่มการฝึกอบรมใหม่ทุกๆ 3 เดือน และจะใช้ข้อมูลสูงสุด 1 ปีโดยเร็วที่สุดเท่าที่จะเป็นไปได้เพื่ออธิบายถึงสภาวะแวดล้อมตามฤดูกาล เมื่อนำระบบนี้ไปใช้กับทรัพย์สินอื่น เราจะสามารถนำกระบวนการอัตโนมัตินี้กลับมาใช้ใหม่ได้ และใช้การฝึกอบรมเบื้องต้นเพื่อตรวจสอบความถูกต้องของข้อมูลเซ็นเซอร์ของเรา
หลังจากฝึกโมเดลแล้ว เราก็ปรับใช้โมเดลและเริ่มส่งข้อมูลสดไปยัง Lookout for Equipment Lookout for Equipment ช่วยให้คุณกำหนดค่าตัวกำหนดตารางเวลาที่จะปลุกเป็นประจำ (เช่น ทุกชั่วโมง) เพื่อส่งข้อมูลใหม่ไปยังโมเดลที่ผ่านการฝึกอบรมและรวบรวมผลลัพธ์
ตอนนี้เรารู้วิธีฝึกอบรม ปรับปรุง และปรับใช้โมเดลแล้ว มาดูแดชบอร์ดการปฏิบัติงานที่นำไปใช้สำหรับผู้ใช้ปลายทางกัน
การสร้างภาพข้อมูลและข้อมูลเชิงลึก
ผู้ใช้ปลายทางต้องการวิธีการดึงคุณค่าที่มากขึ้นจากข้อมูลการดำเนินงานเพื่อปรับปรุงการใช้สินทรัพย์ให้ดียิ่งขึ้น ด้วย QuickSight เราเชื่อมต่อแดชบอร์ดกับข้อมูลการวัดดิบที่ได้รับจากระบบ IoT ของเรา ทำให้ผู้ใช้สามารถเปรียบเทียบและเปรียบเทียบชิ้นส่วนสำคัญๆ ของอุปกรณ์ใน BHS ที่กำหนดได้
ในแดชบอร์ดต่อไปนี้ ผู้ใช้สามารถตรวจสอบเซ็นเซอร์หลักที่ใช้ในการตรวจสอบสภาพของ BHS และรับการเปลี่ยนแปลงเมตริกแบบช่วงเวลาต่อช่วงเวลา
ในแผนภาพก่อนหน้า ผู้ใช้สามารถเห็นภาพความไม่สมดุลของการวัดสำหรับมอเตอร์แต่ละตัวที่ไม่คาดคิด (แผนซ้ายและขวาสำหรับอุณหภูมิ ความเมื่อยล้า การสั่นสะเทือน แรงเสียดทาน และแรงกระแทก) ที่ด้านล่าง จะมีการสรุปตัวบ่งชี้ประสิทธิภาพหลัก พร้อมการคาดการณ์และแนวโน้มแบบงวดต่องวด
ผู้ใช้สามารถเข้าถึงข้อมูลเพื่อวัตถุประสงค์ดังต่อไปนี้:
- ดูข้อมูลย้อนหลังในช่วงเวลา 2 ชั่วโมงถึง 24 ชั่วโมง
- แยกข้อมูลดิบผ่านรูปแบบ CSV สำหรับการรวมภายนอก
- แสดงภาพประสิทธิภาพของสินทรัพย์ในช่วงเวลาที่กำหนด
- สร้างข้อมูลเชิงลึกสำหรับการวางแผนการดำเนินงานและปรับปรุงการใช้สินทรัพย์
- ทำการวิเคราะห์ความสัมพันธ์ ในแผนภาพต่อไปนี้ ผู้ใช้สามารถแสดงภาพการวัดต่างๆ (เช่น ความล้าของมอเตอร์เทียบกับอุณหภูมิ หรือปริมาณงานสัมภาระเทียบกับความเร็วของม้าหมุน) และใช้แดชบอร์ดนี้เพื่อแจ้งการดำเนินการบำรุงรักษาที่ดีที่สุดถัดไปได้ดียิ่งขึ้น
ขจัดสัญญาณรบกวนจากข้อมูล
หลังจากไม่กี่สัปดาห์ เราสังเกตเห็นว่า Lookout for Equipment ปล่อยเหตุการณ์บางอย่างที่คิดว่าเป็นผลบวกลวง
เมื่อวิเคราะห์เหตุการณ์เหล่านี้ เราพบว่าความเร็วของมอเตอร์หมุนลดลงอย่างผิดปกติ
เราได้พบกับทีมซ่อมบำรุงและพวกเขาแจ้งเราว่าการหยุดเหล่านี้เป็นการหยุดฉุกเฉินหรือกิจกรรมการบำรุงรักษาที่หยุดทำงานตามที่วางแผนไว้ ด้วยข้อมูลนี้ เราระบุว่าการหยุดฉุกเฉินเป็นความผิดปกติและป้อนให้กับ Lookout for Equipment ในขณะที่เวลาหยุดทำงานตามแผนถือเป็นพฤติกรรมปกติสำหรับม้าหมุนนี้
การทำความเข้าใจสถานการณ์ดังกล่าวที่ข้อมูลที่ผิดปกติอาจได้รับอิทธิพลจากการดำเนินการภายนอกที่มีการควบคุมเป็นสิ่งสำคัญในการปรับปรุงความแม่นยำของโมเดลการตรวจจับความผิดปกติเมื่อเวลาผ่านไป
การทดสอบควัน
หลังจากผ่านไปสองสามชั่วโมงจากการฝึกโมเดลใหม่และไม่พบสิ่งผิดปกติใดๆ ทีมงานของเราเน้นหนักไปที่สินทรัพย์ ซึ่งระบบตรวจพบในทันที นี่เป็นคำขอทั่วไปจากผู้ใช้ เนื่องจากพวกเขาจำเป็นต้องทำความคุ้นเคยกับระบบและการตอบสนองของระบบ
เราสร้างแดชบอร์ดเพื่อให้ผู้ใช้ปลายทางเห็นภาพความผิดปกติในอดีตโดยไม่จำกัดระยะเวลา การใช้บริการข่าวกรองธุรกิจช่วยให้พวกเขาจัดระเบียบข้อมูลได้ตามต้องการ และเราพบว่าแผนภูมิแท่งในช่วงเวลา 24 ชั่วโมงหรือแผนภูมิวงกลมเป็นวิธีที่ดีที่สุดในการดูสภาพของ BHS ที่ดี นอกจากแดชบอร์ดที่ผู้ใช้สามารถดูได้ทุกเมื่อที่ต้องการแล้ว เรายังตั้งค่าการแจ้งเตือนอัตโนมัติที่ส่งไปยังที่อยู่อีเมลที่กำหนดและทางข้อความ
ดึงข้อมูลเชิงลึกที่ลึกขึ้นจากโมเดลการตรวจจับความผิดปกติ
ในอนาคต เราตั้งใจที่จะดึงข้อมูลเชิงลึกที่ลึกขึ้นจากแบบจำลองการตรวจจับความผิดปกติที่ฝึกฝนกับ Lookout for Equipment เราจะใช้ QuickSight ต่อไปเพื่อสร้างชุดวิดเจ็ตเพิ่มเติม ตัวอย่างเช่น เราพบว่าวิดเจ็ตการแสดงข้อมูลแสดงอยู่ใน ตัวอย่าง GitHub สำหรับ Lookout for Equipment ช่วยให้เราสามารถดึงข้อมูลเชิงลึกได้มากขึ้นจากผลลัพธ์ดิบของโมเดลของเรา
ผลสอบ
การบำรุงรักษาเชิงโต้ตอบในระบบขนถ่ายสัมภาระแปลเป็นดังนี้:
- ความพึงพอใจของผู้โดยสารลดลงเนื่องจากการรอนานหรือสัมภาระเสียหาย
- ความพร้อมใช้งานของสินทรัพย์ลดลงเนื่องจากความล้มเหลวที่ไม่ได้วางแผนไว้และการขาดแคลนสินค้าคงคลังของชิ้นส่วนอะไหล่ที่สำคัญ
- ค่าใช้จ่ายในการดำเนินงานที่สูงขึ้นเนื่องจากระดับสินค้าคงคลังที่เพิ่มขึ้น นอกเหนือจากค่าบำรุงรักษาที่สูงขึ้น
การพัฒนากลยุทธ์การบำรุงรักษาของคุณเพื่อรวมการวิเคราะห์เชิงคาดการณ์ที่เชื่อถือได้เข้ากับวงจรการตัดสินใจมีจุดมุ่งหมายเพื่อปรับปรุงการดำเนินงานของสินทรัพย์และช่วยหลีกเลี่ยงการปิดระบบโดยบังคับ
อุปกรณ์ตรวจสอบได้รับการติดตั้งในเครื่องภายใน 1 วันและกำหนดค่าจากระยะไกลอย่างสมบูรณ์โดยผู้เชี่ยวชาญ IoT สถาปัตยกรรมระบบคลาวด์ที่อธิบายไว้ในภาพรวมของโซลูชันได้รับการปรับใช้สำเร็จภายใน 90 วัน เวลาในการดำเนินการที่รวดเร็วพิสูจน์ให้เห็นถึงประโยชน์ที่ได้รับจากผู้ใช้ปลายทาง ซึ่งนำไปสู่การเปลี่ยนกลยุทธ์การบำรุงรักษาอย่างรวดเร็วจากการตอบสนองโดยมนุษย์ (การแก้ไขการพังทลาย) ไปสู่เชิงรุกที่ขับเคลื่อนด้วยข้อมูลโดยใช้เครื่องจักร
สรุป
ความร่วมมือระหว่าง Airis, CloudRail, Northbay Solutions และ AWS นำไปสู่ความสำเร็จใหม่ที่สนามบินนานาชาติ King Khalid (ดู ข่าวประชาสัมพันธ์ สำหรับรายละเอียดเพิ่มเติม) ในฐานะส่วนหนึ่งของกลยุทธ์การเปลี่ยนผ่านสู่ดิจิทัล สนามบินริยาดมีแผนที่จะใช้งานเพิ่มเติมเพื่อให้ครอบคลุมระบบเครื่องกลไฟฟ้าอื่นๆ เช่น สะพานขึ้นเครื่องสำหรับผู้โดยสาร และระบบ HVAC
หากคุณมีความคิดเห็นเกี่ยวกับโพสต์นี้ โปรดส่งมาในส่วนความคิดเห็น หากคุณมีคำถามเกี่ยวกับโซลูชันนี้หรือการใช้งาน โปรดเริ่มหัวข้อใหม่บน เรื่องโพสต์ซึ่งผู้เชี่ยวชาญของ AWS และชุมชนในวงกว้างสามารถสนับสนุนคุณได้
เกี่ยวกับผู้แต่ง
มูฮัมหมัด ซาฮาบี เป็นผู้เชี่ยวชาญด้านการบินที่มีประสบการณ์มากกว่า 11 ปีในการออกแบบและจัดการโครงการการบิน และการจัดการทรัพย์สินของสนามบินที่สำคัญในภูมิภาค GCC นอกจากนี้ เขายังเป็นหนึ่งในผู้ร่วมก่อตั้ง Airis-Solutions.ai ซึ่งมีเป้าหมายเพื่อเป็นผู้นำการเปลี่ยนแปลงทางดิจิทัลของอุตสาหกรรมการบินผ่านโซลูชัน AI/ML ที่เป็นนวัตกรรมใหม่สำหรับสนามบินและศูนย์ลอจิสติกส์ วันนี้ Moulham เป็นหัวหน้าฝ่ายบริหารสินทรัพย์ของบริษัท Saudi Civil Aviation Holding Company (Matarat)
เฟาซาน ข่าน เป็นสถาปนิกโซลูชันอาวุโสที่ทำงานร่วมกับลูกค้าภาครัฐ โดยให้คำแนะนำในการออกแบบ ปรับใช้ และจัดการปริมาณงานและสถาปัตยกรรม AWS ของพวกเขา Fauzan มีความกระตือรือร้นในการช่วยให้ลูกค้านำเทคโนโลยีคลาวด์ที่เป็นนวัตกรรมมาใช้ในด้านของ HPC และ AI/ML เพื่อจัดการกับความท้าทายทางธุรกิจ นอกเวลาทำงาน Fauzan ชอบใช้เวลาอยู่กับธรรมชาติ
มิคาเอล โฮเรา เป็นสถาปนิก AI/ML Specialist Solutions ที่ AWS ซึ่งสลับระหว่างนักวิทยาศาสตร์ข้อมูลและสถาปนิกการเรียนรู้ของเครื่อง ขึ้นอยู่กับช่วงเวลา เขามีความกระตือรือร้นในการนำขุมพลัง AI/ML มาสู่พื้นที่ร้านค้าของลูกค้าอุตสาหกรรมของเขา และเคยทำงานกับกรณีการใช้งาน ML ที่หลากหลาย ตั้งแต่การตรวจจับความผิดปกติไปจนถึงการคาดการณ์คุณภาพของผลิตภัณฑ์หรือการเพิ่มประสิทธิภาพการผลิต เขาเผยแพร่ หนังสือเกี่ยวกับการวิเคราะห์อนุกรมเวลา ในปี 2022 และเขียนเกี่ยวกับหัวข้อนี้เป็นประจำ LinkedIn และ กลาง. เมื่อไม่ได้ช่วยลูกค้าพัฒนาประสบการณ์แมชชีนเลิร์นนิงที่ดีที่สุด เขาจึงสนุกกับการสังเกตดวงดาว เดินทาง หรือเล่นเปียโน
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :เป็น
- $ ขึ้น
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- สามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- ตาม
- ลงชื่อเข้าใช้
- การบัญชี
- ความถูกต้อง
- ถูกต้อง
- แม่นยำ
- บรรลุ
- ผลสัมฤทธิ์
- การบรรลุ
- ได้รับ
- ข้าม
- กระทำ
- การกระทำ
- การปฏิบัติ
- กิจกรรม
- การกระทำ
- นอกจากนี้
- เพิ่มเติม
- นอกจากนี้
- ที่อยู่
- ที่อยู่
- นำมาใช้
- หลังจาก
- AI
- AI / ML
- เอดส์
- จุดมุ่งหมาย
- สนามบิน
- สนามบิน
- การแจ้งเตือน
- การวางแนว
- ทั้งหมด
- การอนุญาต
- ช่วยให้
- อเมซอน
- Amazon Lookout สำหรับอุปกรณ์
- การวิเคราะห์
- การวิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- และ
- ทุกๆปี
- การตรวจจับความผิดปกติ
- ปรากฏ
- การใช้งาน
- การใช้งาน
- เข้าใกล้
- วิธีการ
- เหมาะสม
- สถาปัตยกรรม
- เป็น
- AREA
- รอบ
- ที่เดินทางมาถึง
- AS
- สินทรัพย์
- การจัดการสินทรัพย์
- สินทรัพย์
- At
- อัตโนมัติ
- อัตโนมัติ
- ความพร้อมใช้งาน
- การบิน
- AWS
- ถุง
- บาร์
- ตาม
- BE
- เพราะ
- ก่อน
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- พันล้าน
- Blocks
- กินนอน
- หนังสือ
- ด้านล่าง
- ขอบเขต
- รายละเอียด
- แบ่ง
- สะพาน
- การนำ
- ที่กว้างขึ้น
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- ระบบธุรกิจอัจฉริยะ
- by
- ที่เรียกว่า
- CAN
- จับ
- ม้าหมุน
- กรณี
- กรณี
- ก่อให้เกิด
- ศูนย์
- ส่วนกลาง
- บาง
- โซ่
- ท้าทาย
- ความท้าทาย
- ท้าทาย
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- ชาร์ต
- ตรวจสอบ
- ปิด
- ใกล้ชิด
- เมฆ
- ผู้ร่วมก่อตั้ง
- รวบรวม
- การเก็บรวบรวม
- มา
- ความคิดเห็น
- ร่วมกัน
- การสื่อสาร
- ชุมชน
- บริษัท
- เปรียบเทียบ
- เมื่อเทียบกับ
- อย่างสมบูรณ์
- ซับซ้อน
- ความซับซ้อน
- ส่วนประกอบ
- ส่วนประกอบ
- คำนวณ
- แนวคิด
- สภาพ
- เงื่อนไข
- ความมั่นใจ
- ยืนยัน
- เชื่อมต่อ
- งานที่เชื่อมต่อ
- การเชื่อมต่อ
- การเชื่อมต่อ
- ถือว่า
- คงเส้นคงวา
- มี
- สิ่งแวดล้อม
- ต่อ
- อย่างต่อเนื่อง
- ต่อเนื่องกัน
- อย่างต่อเนื่อง
- ตรงกันข้าม
- ควบคุม
- การควบคุม
- การควบคุม
- ความร่วมมือ
- แกน
- ความสัมพันธ์
- ราคา
- ค่าใช้จ่าย
- ได้
- ตอบโต้
- คอร์ส
- หน้าปก
- สร้าง
- วิกฤติ
- ลูกค้า
- ความพึงพอใจของลูกค้า
- ลูกค้า
- วงจร
- หน้าปัด
- ข้อมูล
- ดาต้าเลค
- จุดข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- การสร้างภาพข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- วันที่
- วัน
- วัน
- ตัดสินใจ
- การตัดสินใจ
- การตัดสินใจ
- ลึก
- ส่งมอบ
- ส่ง
- การจัดส่ง
- ขึ้นอยู่กับ
- ทั้งนี้ขึ้นอยู่กับ
- ขึ้นอยู่กับ
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- การใช้งาน
- ความลึก
- บรรยาย
- อธิบาย
- ออกแบบ
- กำหนด
- การออกแบบ
- รายละเอียด
- ตรวจพบ
- การตรวจพบ
- กำหนด
- การกำหนด
- พัฒนา
- พัฒนา
- พัฒนาการ
- เครื่อง
- อุปกรณ์
- ต่าง
- ยาก
- ดิจิตอล
- แปลงดิจิตอล
- โดยตรง
- ค้นพบ
- ทำลาย
- การหยุดชะงัก
- การหยุดชะงัก
- ระยะทาง
- กระจาย
- ไม่
- โดเมน
- Dont
- ลง
- หยุดทำงาน
- ฮวบ
- หล่น
- หยด
- ในระหว่าง
- พลวัต
- แต่ละ
- ก่อน
- ง่ายดาย
- อย่างง่ายดาย
- ขอบ
- ประสิทธิผล
- ทั้ง
- ธาตุ
- องค์ประกอบ
- อีเมล
- กรณีฉุกเฉิน
- ทำให้สามารถ
- ช่วยให้
- ทำให้มั่นใจ
- เพื่อให้แน่ใจ
- ทั้งหมด
- สิ่งแวดล้อม
- สิ่งแวดล้อม
- อุปกรณ์
- ความผิดพลาด
- ข้อผิดพลาด
- แม้
- เหตุการณ์
- เหตุการณ์
- ทุกๆ
- ทุกคน
- ตัวอย่าง
- ตัวอย่าง
- เกินกว่า
- ความยอดเยี่ยม
- ที่มีอยู่
- ขยาย
- คาดหวัง
- ที่คาดหวัง
- รายจ่าย
- ประสบการณ์
- ประสบการณ์
- ประสบ
- ชำนาญ
- ผู้เชี่ยวชาญ
- ที่เปิดเผย
- การเปิดรับ
- ภายนอก
- สารสกัด
- ความล้มเหลว
- คุ้นเคย
- FAST
- เร็วขึ้น
- ความเมื่อยล้า
- เฟด
- สองสาม
- รูป
- ในที่สุด
- หา
- ชื่อจริง
- ถูกตั้งค่าสถานะ
- FLEET
- เที่ยวบิน
- ไหล
- การบิน
- โฟกัส
- ดังต่อไปนี้
- สำหรับ
- พยากรณ์
- รูป
- ข้างหน้า
- พบ
- สด
- แรงเสียดทาน
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชั่น
- ต่อไป
- อนาคต
- ได้รับ
- เกตเวย์
- GCC
- ภูมิภาค GCC
- ภาษาเยอรมัน
- ได้รับ
- กำหนด
- เหตุการณ์ที่
- ทั่วโลก
- จีเอ็มบีเอช
- ดี
- ยิ่งใหญ่
- แขก
- โพสต์ของผู้เข้าพัก
- คำแนะนำ
- จัดการ
- การจัดการ
- เกิดขึ้น
- ที่เกิดขึ้น
- มี
- มี
- หัวข้อ
- หนัก
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- จุดสูง
- สูงกว่า
- ทางประวัติศาสตร์
- ประวัติ
- ตี
- โฮลดิ้ง
- ชั่วโมง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HPC
- HTTPS
- identiques
- ระบุ
- แยกแยะ
- ภาพ
- ภาพ
- ความไม่สมดุล
- ทันที
- ส่งผลกระทบ
- การดำเนินงาน
- การดำเนินการ
- กำหนด
- ปรับปรุง
- การปรับปรุง
- in
- รวมถึง
- ขาเข้า
- รวมเข้าด้วยกัน
- Incorporated
- เพิ่ม
- เพิ่มขึ้น
- ที่เพิ่มขึ้น
- ตัวชี้วัด
- อุตสาหกรรม
- ของอุตสาหกรรม
- อิทธิพล
- แจ้ง
- ข้อมูล
- แจ้ง
- โครงสร้างพื้นฐาน
- แรกเริ่ม
- นวัตกรรม
- ข้อมูลเชิงลึก
- การติดตั้ง
- ตัวอย่าง
- แบบบูรณาการ
- บูรณาการ
- Intelligence
- ตั้งใจ
- การโต้ตอบ
- อินเตอร์เฟซ
- รบกวน
- International
- อินเทอร์เน็ต
- อินเทอร์เน็ตของสิ่งที่
- สินค้าคงคลัง
- IOT
- อุปกรณ์ iot
- ปัญหา
- IT
- ITS
- การเดินทาง
- jpg
- คีย์
- พระมหากษัตริย์
- ทราบ
- ความรู้
- ทะเลสาบ
- ภาษา
- ความแอบแฝง
- ล่าสุด
- เปิดตัว
- นำ
- ชั้นนำ
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- นำ
- ความยาว
- บทเรียน
- บทเรียนที่ได้รับ
- ช่วยให้
- ชั้น
- ระดับ
- ชีวิต
- วงจรชีวิต
- กดไลก์
- น่าจะ
- ถูก จำกัด
- Line
- LINK
- สด
- ข้อมูลสด
- ในท้องถิ่น
- วันหยุด
- ดู
- ที่ต้องการหา
- แพ้
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- แมโคร
- หลัก
- เก็บรักษา
- การบำรุงรักษา
- การบำรุงรักษา
- ทำ
- ทำให้
- การทำ
- จัดการ
- การจัดการ
- การจัดการ
- จัดการ
- การจัดการ
- การผลิต
- หลาย
- มาก
- การจับคู่
- อาจ..
- วิธี
- วัด
- วัด
- การวัด
- กลไก
- กลาง
- ข่าวสาร
- ข้อความ
- วิธีการ
- ตัวชี้วัด
- ล้าน
- ล้าน
- Mindset
- ML
- แบบ
- โมเดล
- ทันสมัย
- โหมด
- ขณะ
- การตรวจสอบ
- การตรวจสอบ
- เดือน
- เดือน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- เครื่องยนต์
- มอเตอร์
- การย้าย
- หลาย
- โดยธรรมชาติ
- ธรรมชาติ
- จำเป็น
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- ถัดไป
- สัญญาณรบกวน
- ปกติ
- ได้รับ
- of
- on
- ออนบอร์ด
- ONE
- ทำงาน
- การดำเนินการ
- ดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- ผู้ประกอบการ
- โอกาส
- ดีที่สุด
- การเพิ่มประสิทธิภาพ
- เพิ่มประสิทธิภาพ
- ส้ม
- organizacja
- อื่นๆ
- ด้านนอก
- ทั้งหมด
- ภาพรวม
- ส่วนหนึ่ง
- หุ้นส่วน
- ส่วน
- หลงใหล
- อดีต
- แพทช์
- รูปแบบ
- การปฏิบัติ
- ระยะเวลา
- บุคลากร
- ระยะ
- กายภาพ
- ทางร่างกาย
- ชิ้น
- ท่อ
- การวางแผน
- การวางแผน
- แผน
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- กรุณา
- จุด
- พอร์ทัล
- บวก
- เป็นไปได้
- โพสต์
- อำนาจ
- ขับเคลื่อน
- การปฏิบัติ
- อย่างแม่นยำ
- การคาดการณ์
- การวิเคราะห์เชิงทำนาย
- นายกรัฐมนตรี
- กด
- เป็นที่แพร่หลาย
- การป้องกัน
- เชิงรุก
- การสอบสวน
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- ผลิตภัณฑ์
- คุณภาพของผลิตภัณฑ์
- การผลิต
- กำลังคืบหน้า
- โครงการ
- พิสูจน์
- พิสูจน์แนวคิด
- อย่างถูกต้อง
- เสนอ
- โปรโตคอล
- การสร้างต้นแบบ
- พิสูจน์
- ให้
- ให้
- ผู้ให้บริการ
- ให้
- การให้
- สาธารณะ
- การตีพิมพ์
- วัตถุประสงค์
- คุณภาพ
- คำถาม
- อย่างรวดเร็ว
- ยก
- พิสัย
- ตั้งแต่
- คะแนน
- ราคา
- ดิบ
- ตอบสนอง
- จริง
- ชีวิตจริง
- เรียลไทม์
- เหมือนจริง
- เหตุผล
- แนะนำ
- แนะนำ
- ลด
- ลด
- ภูมิภาค
- สม่ำเสมอ
- ความสัมพันธ์
- สัมพัทธ์
- น่าเชื่อถือ
- ซากศพ
- แทนที่
- ขอ
- จำเป็นต้องใช้
- ต้อง
- ผลสอบ
- นำมาใช้ใหม่
- ที่เพิ่มขึ้น
- ความเสี่ยง
- รีด
- ราก
- เส้นทาง
- วิ่ง
- SaaS
- ปลอดภัย
- เดียวกัน
- ความพอใจ
- ซาอุดีอาระเบีย
- ตาชั่ง
- สถานการณ์
- กำหนด
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ไร้รอยต่อ
- รอง
- วินาที
- Section
- ภาค
- ปลอดภัย
- อย่างปลอดภัย
- ความปลอดภัย
- ดูเหมือน
- กลุ่ม
- เลือก
- การส่ง
- ระดับอาวุโส
- เซ็นเซอร์
- ชุด
- เซิร์ฟเวอร์
- บริการ
- ผู้ให้บริการ
- บริการ
- ชุด
- หลาย
- รูปร่าง
- เปลี่ยน
- Shop
- ความขาดแคลน
- โชว์
- แสดง
- แสดงให้เห็นว่า
- shutdowns
- สายตา
- สัญญาณ
- อย่างมีความหมาย
- คล้ายคลึงกัน
- เดียว
- ขนาดใหญ่
- ขนาด
- ทักษะ
- เล็ก
- สมาร์ท
- ควัน
- ซอฟต์แวร์
- ซอฟต์แวร์เป็นบริการ
- ทางออก
- โซลูชัน
- แก้ปัญหา
- บาง
- ซับซ้อน
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- ความเร็ว
- การใช้จ่าย
- ดาว
- เริ่มต้น
- ข้อความที่เริ่ม
- สถานะ
- รัฐของศิลปะ
- หยุด
- การเก็บรักษา
- กลยุทธ์
- กลยุทธ์
- เพรียวลม
- ส่ง
- ที่ประสบความสำเร็จ
- ประสบความสำเร็จ
- อย่างเช่น
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- สนับสนุน
- ที่สนับสนุน
- ระบบ
- ระบบ
- ตาราง
- เป้าหมาย
- ทีม
- ทีม
- เทคโนโลยี
- เทคโนโลยี
- สถานีปลายทาง
- ทดสอบ
- การทดสอบ
- ที่
- พื้นที่
- พื้นที่
- ก้าวสู่อนาคต
- ของพวกเขา
- พวกเขา
- ตัวเอง
- ดังนั้น
- ร้อน
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- สิ่ง
- คิดว่า
- พัน
- ตลอด
- ตลอด
- ปริมาณงาน
- เวลา
- อนุกรมเวลา
- ครั้ง
- ระยะเวลา
- ไปยัง
- ในวันนี้
- หัวข้อ
- ไปทาง
- แบบดั้งเดิม
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การแปลง
- กลยุทธ์การเปลี่ยนแปลง
- การเดินทาง
- แนวโน้ม
- เรียก
- ล้านล้าน
- กลับ
- ตามแบบฉบับ
- เป็นปกติ
- พื้นฐาน
- เข้าใจ
- ไม่คาดฝัน
- เป็นเอกลักษณ์
- หน่วย
- ไม่ จำกัด
- us
- ใช้
- ผู้ใช้งาน
- ผู้ใช้
- มักจะ
- นำไปใช้
- ตรวจสอบความถูกต้อง
- ความคุ้มค่า
- ความคุ้มค่า
- ต่างๆ
- ความเร็ว
- ผ่านทาง
- รายละเอียด
- การสร้างภาพ
- จำเป็น
- ระเหย
- ไดรฟ์
- vs
- รอ
- คำเตือน
- ทาง..
- สภาพอากาศ
- สัปดาห์ที่ผ่านมา
- อะไร
- ว่า
- ที่
- ในขณะที่
- WHO
- กว้าง
- ช่วงกว้าง
- จะ
- กับ
- ภายใน
- ไม่มี
- งาน
- ทำงาน
- กำลังแรงงาน
- การทำงาน
- คุ้มค่า
- จะ
- ปี
- ปี
- คุณ
- ของคุณ
- ลมทะเล