Üretim üretim hatları, depolar ve endüstriyel tesisler gibi endüstriyel ortamlardaki güvenilirlik yöneticileri ve teknisyenleri, ürün çıktısını ve kalitesini en üst düzeye çıkarmak için ekipmanın sağlığını ve çalışma süresini iyileştirmeye isteklidir. Makine ve proses arızaları genellikle, olaylar meydana geldikten sonra reaktif faaliyetlerle veya ekipmanın aşırı bakımıyla veya periyodik bakım döngüleri arasında meydana gelebilecek sorunların gözden kaçırılması riskiyle karşı karşıya olduğunuz maliyetli önleyici bakımla ele alınır. Tahmine dayalı durum bazlı bakım, reaktif veya önleyici olanlardan daha iyi olan proaktif bir stratejidir. Aslında bu yaklaşım sürekli izlemeyi, tahmine dayalı analitiği ve tam zamanında eylemi birleştirir. Bu, bakım ve güvenilirlik ekiplerinin, ekipmanın gerçek durumuna bağlı olarak yalnızca gerektiğinde ekipmana servis vermesini sağlar.
Büyük endüstriyel varlık filoları için eyleme geçirilebilir bilgiler oluşturmak amacıyla duruma dayalı izleme konusunda ortak zorluklar yaşanmıştır. Bu zorluklar şunları içerir ancak bunlarla sınırlı değildir: sahadan veri toplayan karmaşık bir sensör altyapısı oluşturmak ve sürdürmek, endüstriyel varlık filolarının güvenilir, yüksek düzeyde bir özetini elde etmek, arıza uyarılarını verimli bir şekilde yönetmek, anormalliklerin olası temel nedenlerini belirlemek ve etkili bir şekilde görselleştirmek. endüstriyel varlıkların büyük ölçekte durumu.
Amazon Monitörü makine öğrenimi (ML) yardımıyla ekipman sağlığını dakikalar içinde izlemeye başlamanıza olanak tanıyan uçtan uca bir durum izleme çözümüdür, böylece tahmine dayalı bakım uygulayabilir ve planlanmamış arıza sürelerini azaltabilirsiniz. Titreşim ve sıcaklık verilerini yakalamak için sensör cihazları, verileri AWS Cloud'a güvenli bir şekilde aktarmak için bir ağ geçidi cihazı, verileri makine öğrenimi ile ilgili anormallikler açısından analiz eden Amazon Monitron hizmeti ve makinelerinizdeki olası arızaları takip etmek için yardımcı bir mobil uygulama içerir. Saha mühendisleriniz ve operatörleriniz, endüstriyel varlıkların bakımını teşhis etmek ve planlamak için uygulamayı doğrudan kullanabilir.
Operasyonel teknoloji (OT) ekibi açısından bakıldığında, Amazon Monitron verilerinin kullanılması, yapay zeka sayesinde büyük endüstriyel varlık filolarının işletilme biçimini iyileştirmenin yeni yollarını da açıyor. OT ekipleri, birden fazla hiyerarşide (varlıklar, sahalar ve tesisler) birleştirilmiş bir görünüm oluşturarak kuruluşlarının tahmine dayalı bakım uygulamalarını güçlendirebilir. Odaklandıkları kapsam (varlık, saha, proje) için üst düzey bir özet oluşturmak üzere gerçek ölçüm ve makine öğrenimi çıkarımı sonuçlarını onaylanmamış alarmlar, sensörler veya kaçış bağlantı durumu veya varlık durumu geçişleriyle birleştirebilir.
Yakın zamanda başlatılan uygulamayla Amazon Monitron Kinesis veri dışa aktarma v2 özelliğiOT ekibiniz Amazon Monitron'dan gelen ölçüm verilerini ve çıkarım sonuçlarını aktarabilir. Amazon Kinesis AWS'ye Basit Depolama Hizmeti (Amazon S3) Nesnelerin İnterneti (IoT) veri gölü oluşturmak için. Yararlanarak en son veri dışa aktarma şemasısensör bağlantı durumunu, ağ geçitlerinin bağlantı durumunu, ölçüm sınıflandırma sonuçlarını, kapatma nedeni kodunu ve varlık durumu geçiş olaylarının ayrıntılarını alabilirsiniz.
Kullanım örneklerine genel bakış
Amazon Monitron'un artık kullanıma sunduğu zenginleştirilmiş veri akışı, otomatik iş emri oluşturma, operasyonel tek pencereyi zenginleştirme veya arıza raporlamayı otomatikleştirme gibi çeşitli önemli kullanım örneklerini uygulamanıza olanak tanıyor. Bu kullanım durumlarına bakalım.
Infor EAM, SAP Asset Management veya IBM Maximo gibi Kurumsal Varlık Yönetimi (EAM) sistemlerinde iş emirleri oluşturmak için Amazon Monitron Kinesis veri dışa aktarma v2'yi kullanabilirsiniz. Örneğin videoda Kestirimci bakım ve Amazon Monitron ile mekanik sorunlardan kaçınmaAmazon Lojistik Merkezlerimizin, Amazon'da kullanılan EAM gibi üçüncü taraf yazılımların yanı sıra teknisyenlerin kullandığı sohbet odaları ile entegre Amazon Monitron sensörleri sayesinde taşıma bantlarındaki mekanik sorunları nasıl önlediğini keşfedebilirsiniz. Bu, Amazon Monitron içgörülerini mevcut iş akışlarınıza doğal bir şekilde nasıl entegre edebileceğinizi gösterir. Bu entegrasyon çalışmalarının gerçek uygulamasını içeren bu serinin bir sonraki bölümünü okumak için önümüzdeki aylarda bizi takip etmeye devam edin.
Veri akışını, Amazon Monitron içgörülerini Denetleyici Kontrol ve Veri Toplama (SCADA) veya Tarihçi gibi bir üretim bölümü sistemine geri almak için de kullanabilirsiniz. Üretim bölümü operatörleri, varlıkları ve süreçleri hakkındaki tüm bilgiler tek bir pencerede sunulduğunda daha verimli olurlar. Bu konseptte Amazon Monitron, teknisyenlerin izlemesi gereken başka bir araç değil, zaten alışık oldukları tek görünümde içgörüler sağlayan başka bir veri kaynağı haline geliyor. Bu yılın ilerleyen zamanlarında, bu görevi gerçekleştirmek için kullanabileceğiniz bir mimariyi de açıklayacağız ve Amazon Monitron geri bildirimini büyük üçüncü taraf SCADA sistemlerine ve Tarihçilere göndereceğiz.
Son olarak, Amazon Monitron'un yeni veri akışı, alarmları onaylarken kullanıcılar tarafından sağlanan (yeni bir duruma geçişi tetikleyen) varlık durumu geçişlerini ve kapatma kodlarını içerir. Bu veriler sayesinde, varlıkları çalıştırırken gerçekleşen arızaların ve alınan aksiyonların gerçek zamanlı raporlanmasını sağlayan görselleştirmeleri otomatik olarak oluşturabilirsiniz.
Ekibiniz daha sonra bu yazıda açıkladığımız temel AWS hizmetlerini kullanarak bu varlık durumu verilerini Amazon Monitron ölçüm verileriyle ve büyük endüstriyel varlık filolarındaki diğer IoT verileriyle birleştirerek endüstriyel filo yönetimi uygulamanızı desteklemek için daha geniş bir veri analizi panosu oluşturabilir. IoT veri gölünün nasıl oluşturulacağını, verileri üretmek ve tüketmek için iş akışının yanı sıra Amazon Monitron sensör verilerini ve çıkarım sonuçlarını görselleştirmek için bir özet kontrol panelini açıklıyoruz. 780 yılı aşkın süredir çalışan endüstriyel bir depoya kurulu yaklaşık 1 sensörden gelen Amazon Monitron veri kümesini kullanıyoruz. Ayrıntılı Amazon Monitron kurulum kılavuzu için bkz. Amazon Monitron'u kullanmaya başlama.
Çözüme genel bakış
Amazon Monitron, varlık durumu durumuna ilişkin makine öğrenimi çıkarımı sağlar ML modeli eğitim döneminin 21 gününden sonra her varlık için. Bu çözümde, bu sensörlerden elde edilen ölçüm verileri ve ML çıkarımı Amazon S3'e aktarılıyor. Amazon Kinesis Veri Akışları kullanarak en son Amazon Monitron veri dışa aktarma özelliği. Amazon Monitron IoT verileri Amazon S3'te kullanılabilir hale gelir gelmez, Amazon SXNUMX'te bir veritabanı ve tablo oluşturulur. Amazon Atina kullanarak AWS Glue tarayıcısı. Athena ile Amazon Monitron verilerini AWS Glue tabloları aracılığıyla sorgulayabilir, ölçüm verilerini ve ML çıkarımını ile görselleştirebilirsiniz. Amazon Tarafından Yönetilen Grafana. Amazon Managed Grafana ile gözlemlenebilirlik kontrol panellerini oluşturabilir, keşfedebilir ve ekibinizle paylaşabilir, Grafana altyapınızı yönetmeye daha az zaman harcayabilirsiniz. Bu gönderide Amazon Managed Grafana'yı Athena'ya bağlayacak ve endüstriyel varlık operasyonlarını geniş ölçekte planlamanıza yardımcı olacak Amazon Monitron verileriyle bir veri analizi panosunun nasıl oluşturulacağını öğreneceksiniz.
Aşağıdaki ekran görüntüsü, bu yazının sonunda neler başarabileceğinize bir örnektir. Bu kontrol paneli üç bölüme ayrılmıştır:
- Bitki Görünümü – Tesislerdeki tüm sensörlerden alınan analitik bilgiler; örneğin, sensörlerin çeşitli durumlarının (Sağlıklı, Uyarı veya Alarm) genel sayıları, onaylanmayan ve onaylanan alarmların sayısı, ağ geçidi bağlantısı ve ortalama bakım süresi
- Site Görünümü – Her sahadaki varlık durumu istatistikleri, bir alarmın onaylanmadan kaldığı toplam gün sayısı, her sahadaki en iyi/en düşük performansa sahip varlıklar ve daha fazlası gibi saha düzeyinde istatistikler
- Varlık Görünümü – Onaylanmamış bir alarmın alarm türü (ISO veya ML), bir alarmın zaman çizelgesi ve daha fazlası gibi varlık düzeyinde Amazon Monitron projesine ilişkin özet bilgiler
Bu paneller stratejik operasyonel planlamaya yardımcı olabilecek örneklerdir ancak ayrıcalıklı değildir. Kontrol panelini hedeflenen KPI'nıza göre özelleştirmek için benzer bir iş akışı kullanabilirsiniz.
Mimariye genel bakış
Bu yazıda oluşturacağınız çözüm Amazon Monitron, Kinesis Data Streams'i birleştiriyor. Amazon Kinesis Veri İtfaiyesi, Amazon S3, AWS Glue, Athena ve Amazon Tarafından Yönetilen Grafana.
Aşağıdaki diyagram çözüm mimarisini göstermektedir. Amazon Monitron sensörleri ekipmandaki anormallikleri ölçer ve tespit eder. Hem ölçüm verileri hem de ML çıkarım çıktıları, saatte bir sıklıkta bir Kinesis veri akışına aktarılır ve 3 dakikalık bir arabellekle Kinesis Data Firehose aracılığıyla Amazon S1'e iletilir. Dışa aktarılan Amazon Monitron verileri JSON biçimindedir. Bir AWS Glue tarayıcısı, Amazon S3'teki Amazon Monitron verilerini saatte bir olmak üzere seçilen sıklıkta analiz eder, bir meta veri şeması oluşturur ve Athena'da tablolar oluşturur. Son olarak Amazon Managed Grafana, Amazon S3 verilerini sorgulamak için Athena'yı kullanarak hem ölçüm verilerini hem de cihaz sağlık durumunu görselleştirmek için kontrol panellerinin oluşturulmasına olanak tanır.
Bu çözümü oluşturmak için aşağıdaki üst düzey adımları tamamlamanız gerekir:
- Amazon Monitron'dan Kinesis Veri Akışı dışa aktarımını etkinleştirin ve bir veri akışı oluşturun.
- Veri akışından bir S3 klasörüne veri iletmek için Kinesis Data Firehose'u yapılandırın.
- Athena'da Amazon S3 verilerinin bir tablosunu oluşturmak için AWS Glue tarayıcısını oluşturun.
- Amazon Managed Grafana ile Amazon Monitron cihazlarının bir kontrol panelini oluşturun.
Önkoşullar
Bu izlenecek yol için aşağıdaki ön koşullara sahip olmalısınız:
Ayrıca dağıttığınız tüm kaynakların aynı Bölgede olduğundan emin olun.
Amazon Monitron'dan Kinesis veri akışı dışa aktarımını etkinleştirin ve bir veri akışı oluşturun
Veri akışı dışa aktarımınızı yapılandırmak için aşağıdaki adımları tamamlayın:
- Amazon Monitron konsolunda projenizin ana sayfasından şunu seçin: Canlı veri aktarımını başlat.
- Altında Amazon Kinesis veri akışını seçin, seçmek Yeni bir veri akışı oluşturun.
- Altında Veri akışı yapılandırması, veri akışı adınızı girin.
- İçin Veri akışı kapasitesi, seçmek Talep üzerine.
- Klinik Veri akışı oluşturun.
4 Nisan 2023'ten sonra etkinleştirilen tüm canlı veri dışa aktarma işlemlerinin, verileri Kinesis Data Streams v2 şemasına göre aktaracağını unutmayın. Bu tarihten önce etkinleştirilen mevcut bir veri aktarımınız varsa şema v1 biçimini izleyecektir.
Artık canlı veri dışa aktarma bilgilerini Amazon Monitron konsolunda belirttiğiniz Kinesis veri akışıyla görebilirsiniz.
Kinesis Data Firehose'u verileri bir S3 klasörüne iletecek şekilde yapılandırma
Firehose dağıtım akışınızı yapılandırmak için aşağıdaki adımları tamamlayın:
- Kinesis konsolunda, Teslimat akışları Gezinti bölmesinde.
- Klinik Teslimat akışı oluştur.
- İçin Kaynakseçin Amazon Kinesis Veri Akışları.
- İçin Varış yeriseçin Amazon S3.
- Altında kaynak ayarları, Için Kinesis veri akışıKinesis veri akışınızın ARN'sini girin.
- Altında Teslimat akışı adıKinesis veri akışınızın adını girin.
- Altında Hedef ayarları, bir S3 klasörü seçin veya bir paket URI'sı girin. Amazon Monitron verilerini depolamak için mevcut bir S3 klasörünü kullanabilir veya yeni bir S3 klasörü oluşturabilirsiniz.
- JSON için satır içi ayrıştırmayı kullanarak dinamik bölümlemeyi etkinleştirin:
- Klinik Etkin için Dinamik bölümleme.
- Klinik Etkin için JSON için satır içi ayrıştırma.
- Altında Dinamik bölümleme anahtarları, aşağıdaki bölüm anahtarlarını ekleyin:
Anahtar Adı | JQ İfadesi |
proje | .projectName| "project=(.)" |
yer | .eventPayload.siteName| "site=(.)" |
varlık | .eventPayload.assetName| "asset=(.)" |
pozisyon | .eventPayload.positionName| "position=(.)" |
zaman | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- Klinik Dinamik bölümleme anahtarlarını uygula ve oluşturulan S3 paketi önekinin şu şekilde olduğunu onaylayın:
- Şunun için bir önek girin: S3 paket hatası çıktı öneki. Daha önce açıklanan anahtarları içermeyen herhangi bir JSON verisi bu önekle teslim edilecektir. Örneğin,
gatewayConnected
vegatewayDisconnected
olaylar belirli bir varlık veya pozisyonla bağlantılı değildir. Bu nedenle şunları içermeyeceklerdir:assetName
vepositionName
alanlar. Bu isteğe bağlı öneki burada belirtmek, bu konumu izlemenize ve bu olayları buna göre işlemenize olanak tanır. - Klinik Teslimat akışı oluştur.
Amazon Monitron verilerini S3 klasöründe inceleyebilirsiniz. Amazon Monitron verilerinin canlı verileri saatte bir sıklıkta dışa aktaracağını unutmayın; bu nedenle verileri incelemek için 1 saat bekleyin.
Bu Kinesis Data Firehose kurulumu dinamik bölümlemeye olanak sağlar ve teslim edilen S3 nesneleri aşağıdaki anahtar formatını kullanır:
Athena'da Amazon S3 verileri tablosu oluşturmak için AWS Glue tarayıcısını oluşturun
Canlı veriler Amazon S3'e aktarıldıktan sonra meta veri tablolarını oluşturmak için bir AWS Glue tarayıcısı kullanırız. Bu yazıda, Amazon S3'e aktarılan Amazon Monitron verilerinden veritabanı ve tablo şemasını otomatik olarak çıkarmak ve ilgili meta verileri AWS Glue Veri Kataloğu'nda depolamak için AWS Glue tarayıcılarını kullanıyoruz. Athena daha sonra Amazon S3'teki verileri bulmak, okumak ve işlemek için Veri Kataloğu'ndaki tablo meta verilerini kullanır. Veritabanınızı ve tablo şemanızı oluşturmak için aşağıdaki adımları tamamlayın:
- AWS Glue konsolunda seçin Tarayıcıları Gezinti bölmesinde.
- Klinik tarayıcı oluştur.
- Tarayıcı için bir ad girin (örneğin,
XXX_xxxx_monitron
). - Klinik Sonraki.
- İçin Verileriniz zaten Glue tablolarıyla eşlenmiş mi?, seçmek Henüz değil.
- İçin Veri kaynağı, seçmek S3.
- İçin S3 verilerinin konumu, seçmek Bu Hesaptave önceki bölümde ayarladığınız S3 klasör dizininizin yolunu girin (
s3://YourBucketName
). - İçin S3 veri depolarının tekrar taranmasıseçin Tüm alt klasörleri tara.
- Son olarak, Sonraki.
- seç Yeni IAM rolü oluştur ve rol için bir ad girin.
- Klinik Sonraki.
- seç Veritabanı Ekleve veritabanı için bir ad girin. Bu, tarayıcı tamamlandıktan sonra meta veri tablolarınızın bulunduğu Athena veritabanını oluşturur.
- İçin Tarayıcı Programıveritabanındaki Amazon Monitron verilerini yenilemek için tercih edilen zamana dayalı planlayıcıyı (örneğin saatlik) seçin ve Sonraki.
- Tarayıcı ayrıntılarını inceleyin ve oluşturmak.
- Üzerinde Tarayıcıları AWS Glue konsolunun sayfasında, oluşturduğunuz tarayıcıyı seçin ve Tarayıcıyı çalıştırın.
Verilerin boyutuna bağlı olarak birkaç dakika beklemeniz gerekebilir. Tamamlandığında, tarayıcının durumu şu şekilde gösterilir: Hazır. Meta veri tablolarını görmek için, veritabanınıza gidin. veritabanları sayfa ve seç tablolar Gezinti bölmesinde.
Verileri seçerek de görüntüleyebilirsiniz. Tablo verileri konsolda.
Amazon S10'teki Amazon Monitron verilerinin ilk 3 kaydını görüntülemek için Athena konsoluna yönlendirilirsiniz.
Amazon Managed Grafana ile Amazon Monitron cihazlarının kontrol panelini oluşturun
Bu bölümde, Amazon S3'te Amazon Monitron verilerini görselleştirmek için Amazon Managed Grafana ile özelleştirilmiş bir kontrol paneli oluşturuyoruz. Böylece OT ekibi, Amazon Monitron sensör filosunun tamamında alarm durumundaki varlıklara daha kolay erişim sağlayabiliyor. Bu, OT ekibinin anormalliklerin olası temel nedenine dayalı olarak bir sonraki adım eylemlerini planlamasına olanak tanıyacak.
için Grafana çalışma alanı oluştur, aşağıdaki adımları tamamlayın:
- Kullanıcı rolünüzün yönetici veya editör olduğundan emin olun.
- Amazon Managed Grafana konsolunda seçin Çalışma alanı oluştur.
- İçin Çalışma alanı adı, çalışma alanı için bir ad girin.
- Klinik Sonraki.
- İçin Kimlik doğrulama erişimiseçin AWS IAM Kimlik Merkezi (AWS Tek Oturum Açma'nın halefi). Aynısını kullanabilirsiniz AWS IAM Kimlik Merkezi kullanıcısı Amazon Monitron projenizi kurarken kullandığınız.
- Klinik Sonraki.
- Bu ilk çalışma alanı için şunu onaylayın: Hizmet yönetilen için seçildi izin türü. Bu seçim, Amazon Managed Grafana'nın bu çalışma alanı için kullandığınız AWS veri kaynakları için ihtiyacınız olan izinleri otomatik olarak sağlamasına olanak tanır.
- Klinik Cari hesap.
- Klinik Sonraki.
- Çalışma alanı ayrıntılarını onaylayın ve Çalışma alanı oluştur. Çalışma alanı ayrıntıları sayfası görüntülenir. Başlangıçta durum şu şekildedir: OLUŞTURMA.
- Durum tamamlanana kadar bekleyin AKTİF Bir sonraki adıma geçmek için.
Athena veri kaynağınızı yapılandırmak için aşağıdaki adımları tamamlayın:
- Amazon Managed Grafana konsolunda üzerinde çalışmak istediğiniz çalışma alanını seçin.
- Üzerinde Veri kaynakları sekmesini seçin Amazon Atina, ve Seç Eylemler, Hizmet tarafından yönetilen politikayı etkinleştir.
- Klinik Grafana'da Yapılandır içinde Amazon Atina kürek çekmek.
- Gerekirse IAM Identity Center'ı kullanarak Grafana çalışma alanı konsolunda oturum açın. Kullanıcının, Athena veri kaynağına erişebilmesi için kullanıcıya veya role eklenmiş Athena erişim politikasına sahip olması gerekir. Görmek AWS tarafından yönetilen politika: AmazonGrafanaAthenaAccess Daha fazla bilgi için.
- Grafana çalışma alanı konsolunda, gezinme bölmesinde alttaki AWS simgesini seçin (iki tane vardır) ve ardından Athena üzerinde Veri kaynakları menüsü.
- Athena veri kaynağının sorgulama yapmasını istediğiniz varsayılan Bölgeyi seçin, istediğiniz hesapları seçin ve ardından Veri kaynağı ekleyin.
- İçin şu adımları izleyin: Athena ayrıntılarını yapılandır.
Athena'daki çalışma grubunuzun önceden yapılandırılmış bir çıkış konumu yoksa sorgu sonuçları için kullanılacak bir S3 klasörü ve klasörü belirtmeniz gerekir. Veri kaynağını ayarladıktan sonra onu görüntüleyebilir veya düzenleyebilirsiniz. yapılandırma bölmesi.
Aşağıdaki alt bölümlerde, operasyonel öngörüler elde etmek için Amazon Managed Grafana'da yerleşik Amazon Monitron kontrol panelindeki çeşitli panelleri gösteriyoruz. Athena veri kaynağı, istenen analitiği oluşturmak amacıyla Amazon Monitron verilerini analiz etmek için kullanacağımız standart bir SQL sorgu düzenleyicisi sağlar.
İlk olarak, Amazon Monitron projesinde çok sayıda sensör varsa ve bunlar farklı durumlardaysa (sağlam, uyarı, alarm ve bakıma ihtiyaç duyuyorsa) OT ekibi, sensörlerin çeşitli durumlarda olduğu konum sayısını görsel olarak görmek ister. Grafana'da pasta grafiği widget'ı gibi bilgileri aşağıdaki Athena sorgusu aracılığıyla elde edebilirsiniz:
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;
Aşağıdaki ekran görüntüsünde Amazon Monitron sensör durumunun en son dağıtımını içeren bir panel gösterilmektedir.
Amazon Monitron verilerine yönelik SQL sorgunuzu biçimlendirmek için bkz. Veri dışarı aktarma şemasını anlama.
Daha sonra, Operasyon Teknolojisi ekibiniz, alarm durumundaki varlıklara dayalı olarak kestirimci bakım planlamak isteyebilir ve bu nedenle, onaylanan alarmların ve onaylanmayan alarmların toplam sayısını hızlı bir şekilde öğrenmek isteyebilir. Grafana'da alarm durumunun özet bilgilerini basit istatistik panelleri olarak gösterebilirsiniz:
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';
Aşağıdaki panel onaylanan ve onaylanmayan alarmları gösterir.
OT ekibi ayrıca bakım önceliklerine karar verebilmek için sensörlerin alarm durumunda kaldığı süreyi de sorgulayabilir:
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;
Bu analizin çıktısı Grafana'daki bir çubuk grafik ile görselleştirilebilir ve alarm durumundaki alarm aşağıdaki ekran görüntüsünde gösterildiği gibi kolayca görselleştirilebilir.
Varlıkların alarm durumunda olduğu veya bakıma ihtiyaç duyduğu toplam süreye dayalı olarak üst/alt varlık performansını analiz etmek için aşağıdaki sorguyu kullanın:
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;
Aşağıdaki çubuk göstergesi, önceki sorgu çıktısını görselleştirmek için kullanılır; en iyi performans gösteren varlıklar 0 günlük alarm durumlarını gösterirken en düşük performans gösteren varlıklar geçen yıl boyunca birikmiş alarm durumlarını gösterir.
OT ekibinin bir anormalliğin olası temel nedenini anlamasına yardımcı olmak için, hala alarm durumunda olan bu varlıklar için alarm türleri aşağıdaki sorguyla görüntülenebilir:
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');
Bu analizi Grafana'da tablo halinde görselleştirebilirsiniz. Bu Amazon Monitron projesinde, titreşim ölçümü için ML modelleri tarafından iki alarm tetiklendi.
Amazon Tarafından Yönetilen Grafana kontrol paneli burada örnek amacıyla gösterilmektedir. Kontrol paneli tasarımını kendi iş ihtiyaçlarınıza göre uyarlayabilirsiniz.
Arıza Raporları
Bir kullanıcı Amazon Monitron uygulamasında bir alarmı onayladığında ilgili varlıklar yeni bir duruma geçer. Kullanıcı ayrıca bu alarmla ilgili bazı ayrıntıları sağlama olanağına da sahiptir:
- Arıza nedeni – Bu aşağıdakilerden biri olabilir: YÖNETİM, TASARIM, İMALAT, BAKIM, ÇALIŞTIRMA, DİĞER, KALİTE, AŞINMA veya BELİRSİZ
- Hata modu – Bu aşağıdakilerden biri olabilir: SORUN YOK, TIKANMA, KAVİTASYON, PASLANMA, ÇÖKME, DENGESİZLİK, YAĞLAMA, YANLIŞ HİZALAMA, DİĞER, REZONANS, DÖNME_GÖVDELİK, YAPISAL_GEVŞEKLİK, AKTARILMA_HATA veya BELİRSİZ
- Yapılan işlem – Bu, AYARLAMA, TEMİZLEME, YAĞLAMA, DEĞİŞTİRME, BAKIM, DEĞİŞTİRME, EYLEM YOK veya DİĞER olabilir.
Varlık durumu geçişiyle ilişkili olay yükü, tüm bu bilgileri, varlığın önceki durumunu ve varlığın yeni durumunu içerir. Varlıklarınız genelinde en yaygın hataların ve gerçekleştirilen eylemlerin Pareto grafiklerini oluşturmak için bu bilgiyi ek bir Grafana panelinde nasıl kullanabileceğinize dair daha fazla ayrıntı içeren bu yazının güncellemesi için bizi takip etmeye devam edin.
Sonuç
Amazon Monitron'un kurumsal müşterileri, birden fazla Amazon Monitron projesini ve varlığını yönetebilmek ve birden fazla Amazon Monitron projesi genelinde analiz raporları oluşturabilmek amacıyla Amazon Monitron'un canlı verileriyle bir IoT veri gölü oluşturmak için bir çözüm arıyor. Bu gönderi, bu IoT veri gölünü en son sürümlerle oluşturmaya yönelik bir çözümün ayrıntılı bir açıklamasını sağlar. Amazon Monitron Kinesis veri dışa aktarma v2 özelliği. Bu çözüm aynı zamanda verileri sorgulamak, analiz çıktıları oluşturmak ve bu tür çıktıları Amazon Managed Grafana ile sık sık yenilemeyle görselleştirmek için AWS Glue ve Athena gibi diğer AWS hizmetlerinin nasıl kullanılacağını da gösterdi.
Bir sonraki adım olarak, ML çıkarım sonuçlarını iş emri yönetimi için kullanabileceğiniz diğer EAM sistemlerine göndererek bu çözümü genişletebilirsiniz. Bu, operasyon ekibinizin Amazon Monitron'u diğer kurumsal uygulamalarla entegre etmesine ve operasyon verimliliğini artırmasına olanak tanıyacaktır. Ayrıca artık Kinesis veri akışı yükünün bir parçası olan varlık durumu geçişlerini ve kapatma kodlarını işleyerek arıza modlarınız ve gerçekleştirilen eylemler hakkında daha ayrıntılı bilgiler oluşturmaya başlayabilirsiniz.
yazarlar hakkında
Julia Hu Amazon Web Services'te Kıdemli AI/ML Çözüm Mimarıdır. IoT mimarisi ve Uygulamalı Veri Bilimi alanında geniş deneyime sahiptir ve hem Makine Öğrenimi hem de IoT Teknik Alan Topluluğunun bir parçasıdır. Uçta ve Bulutta AWSome IoT makine öğrenimi (ML) çözümleri geliştirmek için yeni kurulan şirketlerden kuruluşlara kadar çeşitli müşterilerle çalışıyor. Makine öğrenimi çözümünün ölçeğini büyütmek, gecikmeyi azaltmak ve sektörde benimsenmeyi hızlandırmak için en yeni IoT ve büyük veri teknolojilerinden yararlanmaktan hoşlanıyor.
Bişr Tabbaa Amazon Web Services'ta bir çözüm mimarıdır. Bishr, makine öğrenimi, güvenlik ve gözlemlenebilirlik uygulamalarında müşterilere yardımcı olma konusunda uzmanlaşmıştır. İş dışında tenis oynamaktan, yemek yapmaktan ve ailesiyle vakit geçirmekten hoşlanır.
Şalika Pargal Amazon Web Services'te Ürün Müdürüdür. Shalika, Endüstriyel müşteriler için yapay zeka ürünleri ve hizmetleri oluşturmaya odaklanıyor. Ürün, Endüstriyel ve İş Geliştirmenin kesişiminde önemli bir deneyime sahiptir. Yakın zamanda paylaştı Monitron'un başarı öyküsü 2022'yi Yeniden Keşfet'te.
Garry Galinsky AWS'de Amazon'u destekleyen bir Baş Çözüm Mimarıdır. İlk çıkışından bu yana Monitron'la ilgileniyor ve çözümün Amazon'un dünya çapındaki sipariş karşılama ağına entegre edilmesine ve dağıtılmasına yardımcı oldu. Geçtiğimiz günlerde Amazon'un paylaşımını yaptı Monitron'un başarı öyküsü re: 2022'yi icat edin.
Michael Hoarau AWS'de, ana bağlı olarak veri bilimcisi ve makine öğrenimi mimarı arasında geçiş yapan bir AI/ML Uzman Çözüm Mimarıdır. AI/ML gücünü endüstriyel müşterilerinin atölyelerine taşıma konusunda tutkulu ve anormallik saptamadan tahmini ürün kalitesine veya üretim optimizasyonuna kadar çok çeşitli makine öğrenimi kullanım durumları üzerinde çalıştı. o yayınladı zaman serisi analizi üzerine bir kitap 2022'de ve düzenli olarak bu konu hakkında yazıyor LinkedIn ve Orta. Müşterilerin bir sonraki en iyi makine öğrenimi deneyimlerini geliştirmelerine yardımcı olmadığı zamanlarda yıldızları gözlemlemekten, seyahat etmekten veya piyano çalmaktan keyif alıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :vardır
- :dır-dir
- :olumsuzluk
- $UP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- Hakkımızda
- hızlandırmak
- erişim
- Göre
- göre
- Hesaplar
- birikmiş
- Başarmak
- edinme
- karşısında
- Action
- eylemler
- etkinlik
- uyarlamak
- Ek
- Gizem
- yönetim
- Benimseme
- Sonra
- AI
- AI / ML
- Yardım
- alarm
- Uyarılar
- Türkiye
- Izin
- veriyor
- zaten
- Ayrıca
- Amazon
- Amazon Kinesis
- Amazon Tarafından Yönetilen Grafana
- Amazon Web Servisleri
- miktar
- an
- analiz
- Analitik
- analytics
- çözümlemek
- analizler
- ve
- anomali tespiti
- Başka
- herhangi
- uygulamayı yükleyeceğiz
- uygulamaları
- uygulamalı
- yaklaşım
- Nisan
- mimari
- ARE
- AS
- varlık
- varlık yönetimi
- Varlıklar
- ilişkili
- At
- Otomatik
- otomatik olarak
- ayrıca otomasyonun
- mevcut
- ortalama
- kaçınma
- AWS
- AWS Tutkal
- Arka
- bar
- merkezli
- BE
- müşterimiz
- olmuştur
- önce
- İYİ
- Daha iyi
- arasında
- Büyük
- büyük Veri
- kitap
- her ikisi de
- Alt
- Bringing
- Getiriyor
- Daha geniş
- tampon
- inşa etmek
- bina
- inşa
- yapılı
- iş
- iş geliştirme
- fakat
- by
- CAN
- Alabilirsin
- ele geçirmek
- dava
- durumlarda
- katalog
- Sebeb olmak
- nedenleri
- Merkez
- Merkezleri
- zorluklar
- Grafik
- Grafikler
- sohbet odaları
- Klinik
- seçme
- seçilmiş
- sınıflandırma
- kapatma
- bulut
- kod
- Toplama
- birleştirmek
- biçerdöverler
- birleştirme
- gelecek
- ortak
- topluluk
- tamamlamak
- karmaşık
- kavram
- koşul
- Onaylamak
- Sosyal medya
- Bağlantı
- konsolos
- tüketmek
- içermek
- içeren
- sürekli
- kontrol
- olabilir
- paletli
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- oluşturma
- Müşteriler
- özelleştirmek
- özelleştirilmiş
- döngüleri
- gösterge paneli
- veri
- Veri Analizi
- Veri Gölü
- veri bilimi
- veri bilimcisi
- veritabanı
- Tarih
- Günler
- ilk
- karar vermek
- Varsayılan
- teslim etmek
- teslim edilen
- teslim
- göstermek
- bağlı
- dağıtmak
- mevduat
- tanımlamak
- tarif edilen
- Dizayn
- İstediğiniz
- detaylı
- ayrıntılar
- Bulma
- geliştirmek
- gelişme
- cihaz
- Cihaz
- farklı
- direkt olarak
- keşfetmek
- dağıtım
- bölünmüş
- Değil
- Kesinti
- dinamik
- her
- Daha erken
- kolayca
- kenar
- editör
- etkili bir şekilde
- verim
- verimli
- verimli biçimde
- ya
- etkinleştirmek
- etkin
- sağlar
- son uca
- Mühendisler
- zenginleştirilmiş
- zenginleştirici
- Keşfet
- kuruluş
- işletmelerin
- ortamları
- ekipman
- hata
- Etkinlikler
- olaylar
- örnek
- örnekler
- Exclusive
- mevcut
- Genişletmek
- deneyim
- Deneyimler
- Açıklamak
- keşfetmek
- ihracat
- kapsamlı, geniş
- Kapsamlı Deneyim
- Başarısızlık
- aile
- geribesleme
- az
- alan
- Alanlar
- Nihayet
- bulmak
- Ad
- FİLO
- Kat
- odaklanmış
- odaklanır
- takip et
- takip etme
- İçin
- biçim
- Sıklık
- sık
- itibaren
- Kazanç
- geçit
- oluşturmak
- oluşturulan
- almak
- verilmiş
- bardak
- grup
- rehberlik
- olmak
- Var
- he
- Sağlık
- sağlıklı
- yardım et
- yardım
- yardım
- okuyun
- üst düzey
- Ne kadar
- Nasıl Yapılır
- HTML
- HTTPS
- IBM
- ICON
- belirlemek
- Kimlik
- dengesizlik
- uygulamak
- uygulama
- iyileştirmek
- in
- derinlemesine
- dahil
- içerir
- Gelen
- Sanayi
- sanayi
- bilgi
- bilgi
- Altyapı
- başlangıçta
- anlayışlar
- yüklü
- taksit
- örnek
- entegre
- entegre
- bütünleşme
- Internet
- bir şeylerin interneti
- kavşak
- içine
- ilgili
- IOT
- ISO
- sorunlar
- IT
- ONUN
- kaydol
- jpg
- json
- Keskin
- anahtar
- anahtarlar
- Kinesis Veri Yangın Hortumu
- Kinesis Veri Akışları
- Bilmek
- göl
- büyük
- Gecikme
- son
- başlattı
- ÖĞRENİN
- öğrenme
- seviye
- kaldıraç
- LİMİT
- Sınırlı
- hatları
- bağlantılı
- yaşamak
- canlı veri
- bulunan
- yer
- bakıyor
- makine
- makine öğrenme
- makinalar
- Ana
- korumak
- bakım
- büyük
- yapmak
- yönetmek
- yönetilen
- yönetim
- müdür
- Yöneticileri
- yönetme
- üretim
- çok
- Maksimuma çıkarmak
- Mayıs..
- ölçmek
- mekanik
- orta
- Menü
- Metadata
- olabilir
- dakika
- eksik
- ML
- Telefon
- Mobil uygulama
- model
- modelleri
- modları
- değiştirmek
- an
- izlemek
- izleme
- ay
- Daha
- daha verimli
- çoğu
- çoklu
- isim
- Gezin
- Navigasyon
- gerekli
- gerek
- ihtiyaçlar
- ağ
- yeni
- sonraki
- şimdi
- numara
- nesneler
- elde etmek
- of
- on
- ONE
- bir tek
- açılır
- işletmek
- işletme
- operasyon
- işletme
- Operasyon
- operatörler
- Fırsat
- optimizasyon
- or
- sipariş
- emir
- kuruluşlar
- Diğer
- bizim
- çıktı
- dışında
- tekrar
- tüm
- bakım
- kendi
- Kanal
- bölmesi
- panel
- paneller
- Bölüm
- tutkulu
- geçmiş
- yol
- Yapmak
- performans
- icra
- periyodik
- izin
- izinleri
- plan
- planlama
- bitkiler
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- politika
- pozisyon
- pozisyonları
- mümkün
- Çivi
- potansiyel
- güç kelimesini seçerim
- uygulama
- Akıllı Analytics
- tercihli
- önkoşullar
- önceki
- Anapara
- öncelik
- Proaktif
- süreç
- Süreçler
- işleme
- üretmek
- PLATFORM
- ürün müdürü
- Ürün kalitesi
- üretim
- Ürünler
- proje
- Projeler
- sağlamak
- sağlanan
- sağlar
- hüküm
- yayınlanan
- amaçlı
- kalite
- hızla
- menzil
- değişen
- RE
- Okumak
- gerçek zaman
- neden
- geçenlerde
- kayıtlar
- azaltmak
- bölge
- düzenli
- güçlendirmek
- güvenilirlik
- güvenilir
- kalmak
- kalıntılar
- değiştirmek
- Raporlama
- Raporlar
- rezonans
- Kaynaklar
- Sonuçlar
- Risk
- Rol
- Odalar
- kök
- SIRA
- koşmak
- koşu
- s
- aynı
- özsu
- ölçek
- Bilim
- bilim adamı
- kapsam
- Bölüm
- bölümler
- Güvenli
- güvenlik
- seçilmiş
- seçim
- gönderme
- sensörler
- Dizi
- hizmet
- Hizmetler
- set
- ayar
- kurulum
- birkaç
- paylaş
- Paylaşılan
- Mağaza
- meli
- şov
- gösterilen
- Gösteriler
- önemli
- benzer
- Basit
- beri
- tek
- yer
- Yer
- beden
- So
- Yazılım
- çözüm
- Çözümler
- biraz
- Kaynak
- kaynaklar
- uzman
- uzmanlaşmış
- Belirtilen
- geçirmek
- Harcama
- standart
- yıldız
- başlama
- start-up
- başladı
- Eyalet
- Devletler
- istatistik
- istatistikler
- Durum
- kalmak
- adım
- Basamaklar
- Yine
- hafızası
- mağaza
- Stratejik
- Stratejileri
- dere
- aerodinamik
- dere
- başarı
- böyle
- ÖZET
- destek
- Destek
- sistem
- Sistemler
- tablo
- Hedeflenen
- Görev
- takım
- takım
- Teknik
- Teknoloji
- göre
- Teşekkür
- o
- The
- Devlet
- ve bazı Asya
- Orada.
- bu nedenle
- Bunlar
- onlar
- işler
- üçüncü şahıslara ait
- Re-Tweet
- Bu yıl
- üç
- zaman
- Zaman serisi
- zaman çizelgesi
- zaman damgası
- için
- araç
- üst
- Üst 10
- konu
- Toplam
- iz
- Eğitim
- transfer
- geçiş
- geçişler
- Seyahat
- tetikleyebilir
- tetiklenir
- türleri
- anlamak
- Güncelleme
- uptime
- kullanım
- Kullanılmış
- kullanıcı
- kullanıcılar
- kullanma
- v1
- çeşitli
- üzerinden
- Video
- Görüntüle
- vs
- beklemek
- örneklerde
- uyarı
- oldu
- yolları
- we
- ağ
- web hizmetleri
- İYİ
- vardı
- Ne
- hangi
- süre
- DSÖ
- bütün
- geniş
- Geniş ürün yelpazesi
- irade
- ile
- İş
- işlenmiş
- iş akışları
- Çalışma grubu
- çalışır
- Dünya çapında
- yıl
- Sen
- Youtube
- zefirnet