Đây là một bài đăng của khách đồng viết với Moulham Zahabi từ Matarat.
Chắc hẳn ai cũng đã ký gửi hành lý khi đi máy bay, và hồi hộp chờ đợi những chiếc túi của mình xuất hiện ở băng chuyền. Việc giao hành lý của bạn thành công và kịp thời phụ thuộc vào cơ sở hạ tầng khổng lồ được gọi là hệ thống xử lý hành lý (BHS). Cơ sở hạ tầng này là một trong những chức năng chính của hoạt động sân bay thành công. Xử lý thành công hành lý và hàng hóa cho các chuyến bay khởi hành và đến là rất quan trọng để đảm bảo sự hài lòng của khách hàng và mang lại sự xuất sắc trong hoạt động của sân bay. Chức năng này phụ thuộc nhiều vào hoạt động liên tục của BHS và hiệu quả của các hoạt động bảo trì. Là huyết mạch của các sân bay, BHS là một tài sản tuyến tính có thể dài hơn 34,000 mét (đối với một sân bay) xử lý hơn 70 triệu túi hàng năm, khiến nó trở thành một trong những hệ thống tự động phức tạp nhất và là một thành phần quan trọng trong hoạt động của sân bay.
Thời gian ngừng hoạt động ngoài dự kiến của hệ thống xử lý hành lý, cho dù đó là băng chuyền, băng chuyền hoặc thiết bị phân loại, có thể làm gián đoạn hoạt động của sân bay. Sự gián đoạn như vậy chắc chắn sẽ tạo ra trải nghiệm khó chịu cho hành khách và có thể áp dụng hình phạt đối với các nhà cung cấp dịch vụ sân bay.
Thách thức phổ biến với việc duy trì một hệ thống xử lý hành lý là làm thế nào để vận hành một hệ thống tích hợp gồm hơn 7,000 tài sản và hơn một triệu điểm đặt một cách liên tục. Các hệ thống này cũng xử lý hàng triệu túi có hình dạng và kích cỡ khác nhau. Sẽ an toàn khi cho rằng hệ thống xử lý hành lý dễ bị lỗi. Bởi vì các phần tử hoạt động trong một vòng khép kín, nếu một phần tử bị hỏng, nó sẽ ảnh hưởng đến toàn bộ dây chuyền. Các hoạt động bảo trì truyền thống dựa vào lực lượng lao động khá lớn được phân bổ trên các vị trí quan trọng dọc theo BHS do các nhà khai thác cử đến trong trường hợp xảy ra lỗi vận hành. Các nhóm bảo trì cũng dựa nhiều vào các khuyến nghị của nhà cung cấp để lên lịch thời gian ngừng hoạt động để bảo trì phòng ngừa. Việc xác định xem các hoạt động bảo trì phòng ngừa có được triển khai đúng cách hay không hoặc giám sát hiệu suất của loại tài sản này có thể không đáng tin cậy và không làm giảm nguy cơ ngừng hoạt động ngoài dự kiến.
Quản lý phụ tùng thay thế là một thách thức bổ sung khi thời gian giao hàng ngày càng tăng do gián đoạn chuỗi cung ứng toàn cầu, tuy nhiên các quyết định bổ sung hàng tồn kho lại dựa trên các xu hướng lịch sử. Ngoài ra, những xu hướng này không kết hợp với môi trường năng động dễ bay hơi của việc vận hành tài sản BHS khi chúng già đi. Để giải quyết những thách thức này, cần phải có một sự thay đổi lớn trong các chiến lược bảo trì—chuyển từ tư duy phản ứng sang tư duy chủ động. Sự thay đổi này yêu cầu các nhà khai thác sử dụng công nghệ mới nhất để hợp lý hóa các hoạt động bảo trì, tối ưu hóa hoạt động và giảm thiểu chi phí vận hành.
Trong bài đăng này, chúng tôi mô tả cách AWS Partner Airis Solutions đã sử dụng Amazon Lookout cho thiết bị, dịch vụ AWS Internet of Things (IoT) và Đám MâyĐường Sắt công nghệ cảm biến để cung cấp một giải pháp tiên tiến nhất để giải quyết những thách thức này.
Tổng quan về hệ thống xử lý hành lý
Biểu đồ và bảng sau đây minh họa các phép đo được thực hiện trên một băng chuyền điển hình ở Sân bay Quốc tế King Khalid ở Riyadh.
Dữ liệu được thu thập tại các địa điểm khác nhau được minh họa trong sơ đồ.
Loại cảm biến | Giá trị kinh doanh | Bộ dữ liệu | Địa Chỉ |
Cảm biến tốc độ liên kết IO | Tốc độ băng chuyền đồng nhất | PDV1 (1 mỗi phút) | C |
Cảm biến rung tích hợp Cảm biến nhiệt độ |
Vít lỏng lẻo, Trục lệch, hư hỏng vòng bi, Hư hỏng cuộn dây động cơ |
Độ mỏi (v-RMS) (m/s) Tác động (a-Đỉnh) (m/s^2) Ma sát (a-RMS) (m/s^2) Nhiệt độ (C) huy chương |
A và B |
Cảm biến khoảng cách PEC | Thông lượng hành lý | Khoảng cách (cm) | D |
Các hình ảnh sau đây cho thấy môi trường và thiết bị giám sát cho các phép đo khác nhau.
Tổng quan về giải pháp
Hệ thống bảo trì dự đoán (PdMS) cho các hệ thống xử lý hành lý là một kiến trúc tham chiếu hỗ trợ các nhà điều hành bảo trì sân bay trong hành trình của họ để có dữ liệu như một công cụ hỗ trợ cải thiện thời gian ngừng hoạt động ngoài kế hoạch. Nó chứa các khối xây dựng để đẩy nhanh quá trình phát triển và triển khai các cảm biến và dịch vụ được kết nối. PdMS bao gồm các dịch vụ AWS để quản lý an toàn vòng đời của thiết bị điện toán biên và tài sản BHS, quá trình nhập, lưu trữ dữ liệu đám mây, mô hình suy luận máy học (ML) và lô-gic kinh doanh để hỗ trợ bảo trì thiết bị chủ động trên đám mây.
Kiến trúc này được xây dựng từ những bài học kinh nghiệm khi làm việc với các hoạt động của sân bay trong nhiều năm. Giải pháp đề xuất được phát triển với sự hỗ trợ của Northbay Solutions, một Đối tác cao cấp của AWS và có thể được triển khai cho các sân bay thuộc mọi quy mô và quy mô cho hàng nghìn thiết bị được kết nối trong vòng 90 ngày.
Sơ đồ kiến trúc sau đây cho thấy các thành phần cơ bản được sử dụng để xây dựng giải pháp bảo trì dự đoán:
Chúng tôi sử dụng các dịch vụ sau để lắp ráp kiến trúc của mình:
- CloudRail.DMC là giải pháp phần mềm dưới dạng dịch vụ (SaaS) của chuyên gia IoT người Đức CloudRail GmbH. Tổ chức này quản lý các nhóm cổng biên được phân phối trên toàn cầu. Với dịch vụ này, các cảm biến công nghiệp, đồng hồ thông minh và máy chủ OPC UA có thể được kết nối với kho dữ liệu AWS chỉ bằng vài cú nhấp chuột.
- Lõi AWS IoT cho phép bạn kết nối hàng tỷ thiết bị IoT và định tuyến hàng nghìn tỷ tin nhắn đến các dịch vụ AWS mà không cần quản lý cơ sở hạ tầng. Nó truyền tin nhắn đến và từ tất cả các thiết bị và ứng dụng IoT của bạn một cách an toàn với độ trễ thấp và thông lượng cao. Chúng tôi sử dụng AWS IoT Core để kết nối với các cảm biến CloudRail và chuyển tiếp các phép đo của chúng tới Đám mây AWS.
- Phân tích AWS IoT là một dịch vụ được quản lý hoàn toàn giúp dễ dàng chạy và vận hành các phân tích phức tạp trên khối lượng lớn dữ liệu IoT mà không phải lo lắng về chi phí và độ phức tạp thường cần để xây dựng nền tảng phân tích IoT. Đó là một cách dễ dàng để chạy phân tích trên dữ liệu IoT để có được thông tin chuyên sâu chính xác.
- Amazon Lookout cho thiết bị phân tích dữ liệu từ các cảm biến của thiết bị để tự động tạo mô hình ML cho thiết bị của bạn dựa trên dữ liệu cụ thể của tài sản—không cần kỹ năng về khoa học dữ liệu. Lookout for Equipment phân tích dữ liệu cảm biến đến trong thời gian thực và xác định chính xác các tín hiệu cảnh báo sớm có thể dẫn đến thời gian ngừng hoạt động không mong muốn.
- Amazon QuickSight cho phép mọi người trong tổ chức hiểu dữ liệu bằng cách đặt câu hỏi bằng ngôn ngữ tự nhiên, trực quan hóa thông tin thông qua bảng điều khiển tương tác và tự động tìm kiếm các mẫu cũng như giá trị ngoại lệ do ML cung cấp.
Như được minh họa trong sơ đồ sau, kiến trúc này cho phép dữ liệu cảm biến truyền đến thông tin chi tiết về hoạt động.
Điểm dữ liệu được thu thập bằng cảm biến IO-Link: IO-Link là giao diện được tiêu chuẩn hóa để cho phép liên lạc liền mạch từ cấp độ kiểm soát của tài sản công nghiệp (trong trường hợp của chúng tôi là hệ thống xử lý hành lý) đến cấp độ cảm biến. Giao thức này được dùng để cung cấp dữ liệu cảm biến vào cổng biên CloudRail và tải vào AWS IoT Core. Sau đó, mô hình thứ hai cung cấp dữ liệu thiết bị cho các mô hình ML để xác định các vấn đề về vận hành và thiết bị có thể được sử dụng để xác định thời gian tối ưu cho việc bảo trì hoặc thay thế tài sản mà không phát sinh chi phí không cần thiết.
Thu thập dữ liệu
Trang bị thêm các tài sản hiện có và hệ thống điều khiển của chúng lên đám mây vẫn là một cách tiếp cận đầy thách thức đối với người vận hành thiết bị. Việc thêm các cảm biến phụ cung cấp một cách nhanh chóng và an toàn để thu thập dữ liệu cần thiết mà không can thiệp vào các hệ thống hiện có. Do đó, nó dễ dàng hơn, nhanh hơn và không xâm lấn so với kết nối trực tiếp với PLC của máy. Ngoài ra, các cảm biến được trang bị thêm có thể được chọn để đo chính xác các điểm dữ liệu cần thiết cho các chế độ lỗi cụ thể.
Với CloudRail, mọi cảm biến IO-Link công nghiệp đều có thể được kết nối với các dịch vụ AWS như AWS IoT Core, AWS IoT SiteWise, hoặc là Cỏ xanh AWS IoT trong vòng vài giây thông qua cổng quản lý thiết bị dựa trên đám mây (CloudRail.DMC). Điều này cho phép các chuyên gia IoT làm việc từ các địa điểm tập trung và các hệ thống vật lý tích hợp được phân phối trên toàn cầu. Giải pháp giải quyết các thách thức về kết nối dữ liệu cho các hệ thống bảo trì dự đoán thông qua cơ chế plug-and-play dễ dàng.
Cổng đóng vai trò là Khu phi quân sự công nghiệp (IDMZ) giữa thiết bị (OT) và dịch vụ đám mây (IT). Thông qua một ứng dụng quản lý đội tàu tích hợp, CloudRail đảm bảo rằng các bản vá bảo mật mới nhất được triển khai tự động cho hàng nghìn lượt cài đặt.
Hình ảnh sau đây hiển thị cảm biến IO-Link và cổng biên CloudRail (màu cam):
Đào tạo một mô hình phát hiện bất thường
Các tổ chức từ hầu hết các phân khúc công nghiệp nhận thấy các chiến lược bảo trì hiện đại đang tránh xa các phương pháp tiếp cận phản ứng, chạy theo hướng thất bại và tiến tới các phương pháp dự đoán hơn. Tuy nhiên, việc chuyển sang phương pháp bảo trì dự đoán hoặc dựa trên tình trạng yêu cầu dữ liệu được thu thập từ các cảm biến được lắp đặt khắp các cơ sở. Sử dụng dữ liệu lịch sử được thu thập bởi các cảm biến này kết hợp với phân tích giúp xác định các dấu hiệu báo trước về lỗi thiết bị, cho phép nhân viên bảo trì hành động phù hợp trước khi xảy ra sự cố.
Các hệ thống bảo trì dự đoán dựa trên khả năng xác định khi nào có thể xảy ra lỗi. OEM thiết bị thường cung cấp bảng dữ liệu cho thiết bị của họ và đề xuất theo dõi các chỉ số hoạt động nhất định dựa trên các điều kiện gần như hoàn hảo. Tuy nhiên, những điều kiện này hiếm khi thực tế do sự hao mòn tự nhiên của tài sản, điều kiện môi trường mà tài sản đó hoạt động, lịch sử bảo trì trước đây của tài sản hoặc chỉ là cách bạn cần vận hành tài sản đó để đạt được kết quả kinh doanh của mình. Chẳng hạn, hai động cơ giống hệt nhau (kiểu dáng, kiểu dáng, ngày sản xuất) đã được lắp đặt trong cùng một băng chuyền để chứng minh khái niệm này. Các động cơ này hoạt động ở các phạm vi nhiệt độ khác nhau do tiếp xúc với thời tiết khác nhau (một phần của băng tải ở bên trong và phần còn lại bên ngoài nhà ga sân bay).
Động cơ 1 hoạt động trong khoảng nhiệt độ từ 32–35°C. Vận tốc rung RMS có thể thay đổi do động cơ bị mỏi (ví dụ: lỗi căn chỉnh hoặc sự cố mất cân bằng). Như thể hiện trong hình dưới đây, động cơ này cho thấy mức độ mỏi nằm trong khoảng từ 2–6, với một số mức cao nhất là 9.
Động cơ 2 hoạt động trong môi trường mát hơn, nơi nhiệt độ nằm trong khoảng 20–25°C. Trong bối cảnh này, động cơ 2 cho thấy mức độ mệt mỏi trong khoảng từ 4 đến 8, với một số đỉnh ở mức 10:
Hầu hết các phương pháp ML đều mong đợi kiến thức và thông tin miền rất cụ thể (thường rất khó lấy) phải được trích xuất từ cách bạn vận hành và bảo trì từng tài sản (ví dụ: các mẫu xuống cấp do lỗi). Công việc này cần được thực hiện mỗi khi bạn muốn giám sát một tài sản mới hoặc nếu các điều kiện của tài sản thay đổi đáng kể (chẳng hạn như khi bạn thay thế một bộ phận). Điều này có nghĩa là một mô hình tuyệt vời được phân phối ở giai đoạn tạo mẫu có thể sẽ bị ảnh hưởng về hiệu suất khi được triển khai trên các nội dung khác, làm giảm đáng kể độ chính xác của hệ thống và cuối cùng, làm mất lòng tin của người dùng cuối. Điều này cũng có thể gây ra nhiều kết quả dương tính giả và bạn sẽ cần có các kỹ năng cần thiết để tìm ra các tín hiệu hợp lệ của mình trong mọi tạp âm.
Lookout for Equipment chỉ phân tích dữ liệu chuỗi thời gian của bạn để tìm hiểu mối quan hệ thông thường giữa các tín hiệu của bạn. Sau đó, khi các mối quan hệ này bắt đầu khác với các điều kiện hoạt động bình thường (được ghi lại ở trạng thái đào tạo), dịch vụ sẽ gắn cờ sự bất thường. Chúng tôi nhận thấy rằng việc sử dụng nghiêm ngặt dữ liệu lịch sử cho từng nội dung cho phép bạn tập trung vào các công nghệ có thể tìm hiểu các điều kiện hoạt động dành riêng cho một nội dung nhất định trong chính môi trường mà nội dung đó đang hoạt động. Điều này cho phép bạn đưa ra các dự đoán hỗ trợ phân tích nguyên nhân gốc rễ và thực hành bảo trì dự đoán ở cấp độ chi tiết, từng nội dung và cấp độ vĩ mô (bằng cách tập hợp trang tổng quan phù hợp để giúp bạn có được cái nhìn tổng quan về nhiều nội dung cùng một lúc). Đây là cách tiếp cận chúng tôi đã thực hiện và là lý do chúng tôi quyết định sử dụng Lookout for Equipment.
Chiến lược đào tạo: Giải quyết thách thức bắt đầu nguội
Ban đầu, BHS mà chúng tôi nhắm mục tiêu không được trang bị công cụ. Chúng tôi đã cài đặt các cảm biến CloudRail để bắt đầu thu thập các phép đo mới từ hệ thống của mình, nhưng điều này có nghĩa là chúng tôi chỉ có độ sâu lịch sử hạn chế để đào tạo mô hình ML của mình. Chúng tôi đã giải quyết thách thức bắt đầu nguội lạnh trong trường hợp này bằng cách nhận ra rằng chúng tôi đang xây dựng một hệ thống cải tiến liên tục. Sau khi các cảm biến được cài đặt, chúng tôi đã thu thập một giờ dữ liệu và sao chép thông tin này để bắt đầu sử dụng Lookout for Equipment càng sớm càng tốt và kiểm tra hệ thống tổng thể của chúng tôi.
Đúng như dự đoán, các kết quả đầu tiên khá không ổn định vì mô hình ML chỉ hoạt động trong một khoảng thời gian rất ngắn. Điều này có nghĩa là bất kỳ hành vi mới nào không xuất hiện trong giờ đầu tiên sẽ bị gắn cờ. Khi nhìn vào các cảm biến xếp hạng hàng đầu, nhiệt độ trên một trong các động cơ dường như là nghi phạm chính (T2_MUC_ES_MTRL_TMP
màu cam trong hình dưới đây). Do thời gian thu thập dữ liệu ban đầu rất ngắn (1 giờ), nên trong cả ngày, thay đổi chính đến từ các giá trị nhiệt độ (phù hợp với điều kiện môi trường tại thời điểm đó).
Khi so sánh điều này với các điều kiện môi trường xung quanh băng chuyền cụ thể này, chúng tôi xác nhận rằng nhiệt độ bên ngoài tăng nghiêm trọng, do đó, làm tăng nhiệt độ đo được bằng cảm biến này. Trong trường hợp này, sau khi dữ liệu mới (có tính đến sự gia tăng nhiệt độ bên ngoài) được tích hợp vào tập dữ liệu huấn luyện, nó sẽ là một phần của hành vi bình thường do Lookout for Equipment ghi lại và hành vi tương tự trong tương lai sẽ ít có khả năng gây ra bất kỳ sự kiện.
Sau 5 ngày, mô hình đã được đào tạo lại và tỷ lệ dương tính giả ngay lập tức giảm mạnh:
Mặc dù vấn đề bắt đầu nguội lạnh này là một thách thức ban đầu để có được thông tin chi tiết có thể hành động, nhưng chúng tôi đã tận dụng cơ hội này để xây dựng cơ chế đào tạo lại mà người dùng cuối có thể kích hoạt dễ dàng. Sau một tháng thử nghiệm, chúng tôi đã đào tạo một mô hình mới bằng cách sao chép dữ liệu cảm biến của một tháng thành 3 tháng. Điều này tiếp tục làm giảm tỷ lệ dương tính giả khi mô hình tiếp xúc với nhiều điều kiện hơn. Tỷ lệ dương tính giả giảm tương tự đã xảy ra sau quá trình đào tạo lại này: tình trạng do hệ thống mô hình hóa gần giống với những gì người dùng đang gặp phải trong cuộc sống thực. Sau 3 tháng, cuối cùng chúng tôi đã có một bộ dữ liệu mà chúng tôi có thể sử dụng mà không cần sử dụng thủ thuật sao chép này.
Kể từ bây giờ, chúng tôi sẽ tiến hành đào tạo lại 3 tháng một lần và càng sớm càng tốt, chúng tôi sẽ sử dụng dữ liệu trong tối đa 1 năm để tính đến tính thời vụ của điều kiện môi trường. Khi triển khai hệ thống này trên các tài sản khác, chúng tôi sẽ có thể sử dụng lại quy trình tự động này và sử dụng quá trình đào tạo ban đầu để xác thực đường dẫn dữ liệu cảm biến của chúng tôi.
Sau khi mô hình được đào tạo, chúng tôi đã triển khai mô hình và bắt đầu gửi dữ liệu trực tiếp đến Lookout for Equipment. Lookout for Equipment cho phép bạn định cấu hình bộ lập lịch đánh thức thường xuyên (ví dụ: mỗi giờ) để gửi dữ liệu mới đến mô hình được đào tạo và thu thập kết quả.
Bây giờ chúng ta đã biết cách đào tạo, cải thiện và triển khai một mô hình, hãy xem bảng điều khiển hoạt động được triển khai cho người dùng cuối.
Trực quan hóa dữ liệu và thông tin chi tiết
Người dùng cuối cần một cách để trích xuất nhiều giá trị hơn từ dữ liệu hoạt động của họ để cải thiện tốt hơn việc sử dụng tài sản của họ. Với QuickSight, chúng tôi đã kết nối bảng điều khiển với dữ liệu đo lường thô do hệ thống IoT của chúng tôi cung cấp, cho phép người dùng so sánh và đối chiếu các phần thiết bị chính trên một BHS nhất định.
Trong bảng điều khiển sau, người dùng có thể kiểm tra các cảm biến chính được sử dụng để theo dõi tình trạng của BHS và nhận các thay đổi về chỉ số theo thời gian.
Trong biểu đồ trước, người dùng có thể hình dung bất kỳ sự mất cân bằng bất ngờ nào của phép đo cho từng động cơ (biểu đồ bên trái và bên phải cho nhiệt độ, độ mỏi, độ rung, ma sát và tác động). Ở dưới cùng, các chỉ số hiệu suất chính được tóm tắt, với các xu hướng dự báo và theo từng giai đoạn được nêu ra.
Người dùng cuối có thể truy cập thông tin cho các mục đích sau:
- Xem dữ liệu lịch sử trong khoảng thời gian từ 2 giờ đến 24 giờ.
- Trích xuất dữ liệu thô qua định dạng CSV để tích hợp bên ngoài.
- Trực quan hóa hiệu suất tài sản trong một khoảng thời gian nhất định.
- Cung cấp thông tin chi tiết để lập kế hoạch hoạt động và cải thiện việc sử dụng tài sản.
- Thực hiện phân tích tương quan. Trong biểu đồ sau, người dùng có thể hình dung một số phép đo (chẳng hạn như độ mỏi của động cơ so với nhiệt độ hoặc thông lượng hành lý so với tốc độ băng chuyền) và sử dụng bảng điều khiển này để thông báo rõ hơn về hành động bảo trì tốt nhất tiếp theo.
Loại bỏ nhiễu khỏi dữ liệu
Sau một vài tuần, chúng tôi nhận thấy rằng Lookout for Equipment đang phát ra một số sự kiện được cho là dương tính giả.
Khi phân tích những sự kiện này, chúng tôi phát hiện ra sự sụt giảm bất thường về tốc độ của động cơ băng chuyền.
Chúng tôi đã gặp nhóm bảo trì và họ thông báo với chúng tôi rằng những điểm dừng này là điểm dừng khẩn cấp hoặc các hoạt động bảo trì trong thời gian ngừng hoạt động đã được lên kế hoạch. Với thông tin này, chúng tôi đã gắn nhãn các điểm dừng khẩn cấp là bất thường và cung cấp chúng cho Lookout for Equipment, trong khi thời gian ngừng hoạt động theo kế hoạch được coi là hành vi bình thường đối với băng chuyền này.
Việc hiểu các tình huống như vậy trong đó dữ liệu bất thường có thể bị ảnh hưởng bởi các hành động bên ngoài được kiểm soát là rất quan trọng để cải thiện độ chính xác của mô hình phát hiện bất thường theo thời gian.
Kiểm tra khói
Sau vài giờ kể từ khi đào tạo lại mô hình và tương đối không đạt được điểm bất thường nào, nhóm của chúng tôi đã nhấn mạnh nội dung về mặt vật lý và hệ thống đã ngay lập tức phát hiện ra điều này. Đây là một yêu cầu phổ biến từ người dùng vì họ cần làm quen với hệ thống và cách hệ thống phản ứng.
Chúng tôi đã xây dựng trang tổng quan của mình để cho phép người dùng cuối hình dung các điểm bất thường trong lịch sử với khoảng thời gian không giới hạn. Sử dụng dịch vụ kinh doanh thông minh cho phép họ tổ chức dữ liệu của mình theo ý muốn và chúng tôi nhận thấy rằng biểu đồ thanh trong khoảng thời gian 24 giờ hoặc biểu đồ hình tròn là cách tốt nhất để có được cái nhìn tốt về tình trạng của BHS. Ngoài các trang tổng quan mà người dùng có thể xem bất cứ khi nào họ cần, chúng tôi thiết lập các cảnh báo tự động được gửi đến một địa chỉ email được chỉ định và qua tin nhắn văn bản.
Trích xuất thông tin chuyên sâu hơn từ các mô hình phát hiện bất thường
Trong tương lai, chúng tôi dự định rút ra những hiểu biết sâu sắc hơn từ các mô hình phát hiện bất thường được đào tạo với Lookout for Equipment. Chúng tôi sẽ tiếp tục sử dụng QuickSight để xây dựng một bộ tiện ích mở rộng. Chẳng hạn, chúng tôi nhận thấy rằng các tiện ích trực quan hóa dữ liệu được hiển thị trong Các mẫu GitHub cho Lookout for Equipment cho phép chúng tôi trích xuất nhiều thông tin chi tiết hơn nữa từ kết quả đầu ra thô của các mô hình của chúng tôi.
Kết quả
Bảo trì phản ứng trong các hệ thống xử lý hành lý có nghĩa như sau:
- Sự hài lòng của hành khách thấp hơn do thời gian chờ đợi lâu hoặc hành lý bị hư hỏng
- Tính khả dụng của tài sản thấp hơn do các hỏng hóc ngoài dự kiến và thiếu hàng tồn kho của các phụ tùng thay thế quan trọng
- Chi phí hoạt động cao hơn do mức tồn kho tăng ngoài chi phí bảo trì cao hơn
Phát triển chiến lược bảo trì của bạn để kết hợp các phân tích dự đoán, đáng tin cậy vào chu kỳ ra quyết định nhằm cải thiện hoạt động của tài sản và giúp tránh việc tắt máy bắt buộc.
Thiết bị giám sát được lắp đặt cục bộ trong 1 ngày và được cấu hình hoàn toàn từ xa bởi các chuyên gia IoT. Kiến trúc đám mây được mô tả trong phần tổng quan về giải pháp sau đó đã được triển khai thành công trong vòng 90 ngày. Thời gian triển khai nhanh chứng minh những lợi ích được đề xuất cho người dùng cuối, nhanh chóng dẫn đến sự thay đổi trong chiến lược bảo trì từ phản ứng dựa trên con người (khắc phục sự cố) sang chủ động dựa trên máy móc, dựa trên dữ liệu (ngăn chặn thời gian ngừng hoạt động).
Kết luận
Sự hợp tác giữa Airis, CloudRail, Northbay Solutions và AWS đã dẫn đến thành tựu mới tại Sân bay Quốc tế King Khalid (xem thông cáo báo chí để biết thêm chi tiết). Là một phần trong chiến lược chuyển đổi kỹ thuật số của họ, Sân bay Riyadh có kế hoạch triển khai thêm để bao gồm các hệ thống cơ điện khác như cầu lên máy bay chở khách và hệ thống HVAC.
Nếu bạn có nhận xét về bài đăng này, vui lòng gửi chúng trong phần nhận xét. Nếu bạn có thắc mắc về giải pháp này hoặc việc triển khai nó, vui lòng bắt đầu một chủ đề mới trên lại:Đăng, nơi các chuyên gia AWS và cộng đồng rộng lớn hơn có thể hỗ trợ bạn.
Giới thiệu về tác giả
Moulham Zahabi là một chuyên gia hàng không với hơn 11 năm kinh nghiệm trong việc thiết kế và quản lý các dự án hàng không cũng như quản lý các tài sản sân bay quan trọng trong khu vực GCC. Ông cũng là một trong những người đồng sáng lập Airis-Solutions.ai, nhằm dẫn dắt quá trình chuyển đổi kỹ thuật số của ngành hàng không thông qua các giải pháp AI/ML sáng tạo cho các sân bay và trung tâm hậu cần. Hiện nay, Moulham đang đứng đầu Ban Giám đốc Quản lý Tài sản tại Công ty Cổ phần Hàng không Dân dụng Ả Rập Xê Út (Matarat).
Fauzan Khan là Kiến trúc sư giải pháp cấp cao làm việc với các khách hàng thuộc khu vực công, cung cấp hướng dẫn thiết kế, triển khai và quản lý khối lượng công việc và kiến trúc AWS của họ. Fauzan đam mê giúp khách hàng áp dụng các công nghệ đám mây đổi mới trong lĩnh vực HPC và AI/ML để giải quyết các thách thức kinh doanh. Ngoài công việc, Fauzan thích dành thời gian cho thiên nhiên.
Michael Hoarau là Kiến trúc sư giải pháp chuyên gia AI/ML tại AWS, người luân phiên giữa nhà khoa học dữ liệu và kiến trúc sư máy học, tùy thuộc vào thời điểm. Anh ấy đam mê mang sức mạnh AI/ML đến các tầng cửa hàng của các khách hàng công nghiệp của mình và đã làm việc trên nhiều trường hợp sử dụng ML, từ phát hiện điểm bất thường đến dự đoán chất lượng sản phẩm hoặc tối ưu hóa sản xuất. Anh ấy đã xuất bản một cuốn sách về phân tích chuỗi thời gian vào năm 2022 và thường xuyên viết về chủ đề này trên LinkedIn và Trung bình. Khi không giúp khách hàng phát triển trải nghiệm học máy tốt nhất tiếp theo, anh ấy thích quan sát các vì sao, đi du lịch hoặc chơi piano.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :là
- $ LÊN
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- Có khả năng
- Giới thiệu
- đẩy nhanh tiến độ
- truy cập
- cho phù hợp
- Tài khoản
- Kế toán
- chính xác
- chính xác
- chính xác
- Đạt được
- thành tích
- đạt được
- có được
- ngang qua
- Hành động
- Hoạt động
- hành động
- hoạt động
- hành vi
- Ngoài ra
- thêm vào
- Ngoài ra
- địa chỉ
- giải quyết
- nhận nuôi
- Sau
- AI
- AI / ML
- AIDS
- Mục tiêu
- sân bay
- Sân bay
- Cảnh báo
- liên kết
- Tất cả
- Cho phép
- cho phép
- đàn bà gan dạ
- Amazon Lookout cho thiết bị
- phân tích
- phân tích
- phân tích
- phân tích
- và
- Hàng năm
- phát hiện bất thường
- xuất hiện
- Các Ứng Dụng
- các ứng dụng
- phương pháp tiếp cận
- cách tiếp cận
- thích hợp
- kiến trúc
- LÀ
- KHU VỰC
- xung quanh
- đến
- AS
- tài sản
- quản lý tài sản
- Tài sản
- At
- Tự động
- tự động
- sẵn có
- hàng không
- AWS
- túi
- thanh
- dựa
- BE
- bởi vì
- trước
- Lợi ích
- BEST
- Hơn
- giữa
- tỷ
- Khối
- lên máy bay
- cuốn sách
- đáy
- Giới hạn
- Breakdown
- nghỉ giải lao
- cầu
- Đưa
- rộng hơn
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- kinh doanh thông minh
- by
- gọi là
- CAN
- nắm bắt
- carousel
- trường hợp
- trường hợp
- Nguyên nhân
- Trung tâm
- tập trung
- nhất định
- chuỗi
- thách thức
- thách thức
- thách thức
- thay đổi
- Những thay đổi
- Bảng xếp hạng
- kiểm tra
- đóng cửa
- gần gũi hơn
- đám mây
- đồng sáng lập
- thu thập
- Thu
- đến
- Bình luận
- Chung
- Giao tiếp
- cộng đồng
- công ty
- so sánh
- so
- hoàn toàn
- phức tạp
- phức tạp
- thành phần
- các thành phần
- Tính
- khái niệm
- điều kiện
- điều kiện
- sự tự tin
- XÁC NHẬN
- Kết nối
- kết nối
- liên quan
- Kết nối
- xem xét
- thích hợp
- chứa
- bối cảnh
- tiếp tục
- tiếp tục
- liên tục
- liên tục
- Ngược lại
- điều khiển
- kiểm soát
- điều khiển
- hợp tác
- Trung tâm
- Tương quan
- Phí Tổn
- Chi phí
- có thể
- Counter
- Khóa học
- che
- tạo
- quan trọng
- khách hàng
- Sự hài lòng của khách hàng
- khách hàng
- chu kỳ
- bảng điều khiển
- dữ liệu
- Hồ dữ liệu
- điểm dữ liệu
- khoa học dữ liệu
- nhà khoa học dữ liệu
- trực quan hóa dữ liệu
- hướng dữ liệu
- Ngày
- ngày
- Ngày
- quyết định
- Ra quyết định
- quyết định
- sâu sắc hơn
- cung cấp
- giao
- giao hàng
- phụ thuộc
- Tùy
- phụ thuộc
- triển khai
- triển khai
- triển khai
- triển khai
- triển khai
- chiều sâu
- mô tả
- mô tả
- Thiết kế
- được chỉ định
- thiết kế
- chi tiết
- phát hiện
- Phát hiện
- Xác định
- xác định
- phát triển
- phát triển
- Phát triển
- thiết bị
- Thiết bị (Devices)
- khác nhau
- khó khăn
- kỹ thuật số
- chuyển đổi kỹ thuật số
- trực tiếp
- phát hiện
- Làm gián đoạn
- Gián đoạn
- sự gián đoạn
- khoảng cách
- phân phối
- Không
- miền
- dont
- xuống
- thời gian chết
- quyết liệt
- Rơi
- Giọt
- suốt trong
- năng động
- mỗi
- Đầu
- dễ dàng hơn
- dễ dàng
- Cạnh
- hiệu quả
- hay
- thành phần
- các yếu tố
- trường hợp khẩn cấp
- cho phép
- cho phép
- đảm bảo
- đảm bảo
- Toàn bộ
- Môi trường
- môi trường
- Trang thiết bị
- lôi
- lỗi
- Ngay cả
- Sự kiện
- sự kiện
- Mỗi
- mọi người
- ví dụ
- ví dụ
- quá
- Xuất sắc
- hiện tại
- mở rộng
- mong đợi
- dự kiến
- chi phí
- kinh nghiệm
- Kinh nghiệm
- trải qua
- chuyên gia
- các chuyên gia
- tiếp xúc
- Tiếp xúc
- ngoài
- trích xuất
- Không
- làm quen
- NHANH
- nhanh hơn
- mệt mỏi
- Fed
- vài
- Hình
- Cuối cùng
- Tìm kiếm
- Tên
- được gắn cờ
- VÒI
- Các chuyến bay
- dòng chảy
- đang bay
- Tập trung
- tiếp theo
- Trong
- Dự báo
- định dạng
- Forward
- tìm thấy
- tươi
- xích mích
- từ
- đầy đủ
- chức năng
- chức năng
- xa hơn
- tương lai
- Thu được
- cửa ngõ
- GCC
- Khu vực GCC
- Tiếng Đức
- được
- được
- Toàn cầu
- Toàn cầu
- GMBH
- tốt
- tuyệt vời
- Khách
- Bài đăng của Khách
- hướng dẫn
- xử lý
- Xử lý
- xảy ra
- đã xảy ra
- Có
- có
- Nhóm
- nặng nề
- giúp đỡ
- giúp đỡ
- giúp
- Cao
- cao hơn
- lịch sử
- lịch sử
- Đánh
- tổ chức
- GIỜ LÀM VIỆC
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- hpc
- HTTPS
- giống hệt nhau
- xác định
- xác định
- hình ảnh
- hình ảnh
- mất cân bằng
- ngay
- Va chạm
- thực hiện
- thực hiện
- áp đặt
- nâng cao
- cải thiện
- in
- bao gồm
- Incoming
- kết hợp
- Hợp nhất
- Tăng lên
- tăng
- tăng
- Các chỉ số
- công nghiệp
- của ngành
- bị ảnh hưởng
- báo
- thông tin
- thông báo
- Cơ sở hạ tầng
- ban đầu
- sáng tạo
- những hiểu biết
- cài đặt
- ví dụ
- tích hợp
- hội nhập
- Sự thông minh
- ý định
- tương tác
- Giao thức
- giao thoa
- Quốc Tế
- Internet
- Internet của sự vật
- hàng tồn kho
- iốt
- thiết bị iot
- các vấn đề
- IT
- ITS
- cuộc hành trình
- jpg
- Key
- Vua
- Biết
- kiến thức
- hồ
- Ngôn ngữ
- Độ trễ
- mới nhất
- phóng
- dẫn
- hàng đầu
- LEARN
- học
- học tập
- Led
- Chiều dài
- Bài học
- Bài học kinh nghiệm
- cho phép
- Cấp
- niveaux
- Cuộc sống
- vòng đời
- Lượt thích
- Có khả năng
- Hạn chế
- Dòng
- LINK
- sống
- Dữ liệu trực tiếp
- tại địa phương
- . Các địa điểm
- Xem
- tìm kiếm
- mất
- Thấp
- máy
- học máy
- Macro
- Chủ yếu
- duy trì
- Duy trì
- bảo trì
- làm cho
- LÀM CHO
- Làm
- quản lý
- quản lý
- quản lý
- quản lý
- quản lý
- sản xuất
- nhiều
- lớn
- phù hợp
- Có thể..
- có nghĩa
- đo
- đo
- đo lường
- cơ chế
- trung bình
- tin nhắn
- tin nhắn
- phương pháp
- Metrics
- triệu
- hàng triệu
- Tư duy
- ML
- kiểu mẫu
- mô hình
- hiện đại
- chế độ
- thời điểm
- Màn Hình
- giám sát
- tháng
- tháng
- chi tiết
- hầu hết
- động cơ
- Motors
- di chuyển
- nhiều
- Tự nhiên
- Thiên nhiên
- cần thiết
- Cần
- nhu cầu
- Mới
- tiếp theo
- Tiếng ồn
- bình thường
- được
- of
- on
- onboard
- ONE
- hoạt động
- vận hành
- hoạt động
- hoạt động
- hoạt động
- hoạt động
- Hoạt động
- khai thác
- Cơ hội
- tối ưu
- tối ưu hóa
- Tối ưu hóa
- trái cam
- cơ quan
- Nền tảng khác
- bên ngoài
- tổng thể
- tổng quan
- một phần
- đối tác
- các bộ phận
- đam mê
- qua
- Các bản vá lỗi
- mô hình
- hiệu suất
- thời gian
- Nhân viên
- giai đoạn
- vật lý
- Thể chất
- miếng
- đường ống dẫn
- kế hoạch
- lập kế hoạch
- kế hoạch
- nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- chơi
- xin vui lòng
- điểm
- Portal
- tích cực
- có thể
- Bài đăng
- quyền lực
- -
- thực hành
- Chính xác
- Dự đoán
- Đoán trước Analytics
- Thủ tướng
- nhấn
- thịnh hành
- ngăn chặn
- Chủ động
- thăm dò
- Vấn đề
- vấn đề
- quá trình
- Sản phẩm
- Chất lượng sản phẩm
- Sản lượng
- tiến bộ
- dự án
- bằng chứng
- bằng chứng về khái niệm
- đúng
- đề xuất
- giao thức
- tạo mẫu
- chứng minh
- cho
- cung cấp
- nhà cung cấp
- cung cấp
- cung cấp
- công khai
- công bố
- mục đích
- chất lượng
- Câu hỏi
- Mau
- nâng cao
- phạm vi
- khác nhau,
- Tỷ lệ
- Giá
- Nguyên
- tạo ra phản ứng
- thực
- đời thực
- thời gian thực
- thực tế
- lý do
- giới thiệu
- khuyến nghị
- giảm
- giảm
- khu
- thường xuyên
- Mối quan hệ
- tương đối
- đáng tin cậy
- vẫn còn
- thay thế
- yêu cầu
- cần phải
- đòi hỏi
- Kết quả
- tái sử dụng
- tăng
- Nguy cơ
- Cán
- nguồn gốc
- Route
- chạy
- SaaS
- an toàn
- tương tự
- sự hài lòng
- Saudi
- quy mô
- kịch bản
- lịch trình
- Khoa học
- Nhà khoa học
- liền mạch
- trung học
- giây
- Phần
- ngành
- an toàn
- an toàn
- an ninh
- dường như
- phân đoạn
- chọn
- gửi
- cao cấp
- cảm biến
- Loạt Sách
- Các máy chủ
- dịch vụ
- các nhà cung cấp dịch vụ
- DỊCH VỤ
- định
- một số
- hình dạng
- thay đổi
- Cửa hàng
- sự thiếu
- hiển thị
- thể hiện
- Chương trình
- tắt máy
- Thị giác
- tín hiệu
- đáng kể
- tương tự
- duy nhất
- khá lớn
- kích thước
- kỹ năng
- nhỏ
- thông minh
- Hút thuốc
- Phần mềm
- phần mềm như là một dịch vụ
- giải pháp
- Giải pháp
- Giải quyết
- một số
- tinh vi
- chuyên gia
- riêng
- tốc độ
- Chi
- Sao
- Bắt đầu
- bắt đầu
- Tiểu bang
- nhà nước-of-the-art
- Dừng
- là gắn
- chiến lược
- Chiến lược
- hợp lý hóa
- trình
- thành công
- Thành công
- như vậy
- cung cấp
- chuỗi cung ứng
- hỗ trợ
- Hỗ trợ
- hệ thống
- hệ thống
- bàn
- nhắm mục tiêu
- nhóm
- đội
- Công nghệ
- Công nghệ
- Thiết bị đầu cuối
- thử nghiệm
- Kiểm tra
- việc này
- Sản phẩm
- Khu vực
- Tương lai
- cung cấp their dịch
- Them
- tự
- vì thế
- nhiệt
- Kia là
- điều
- nghĩ
- hàng ngàn
- Thông qua
- khắp
- thông lượng
- thời gian
- Chuỗi thời gian
- thời gian
- thời gian
- đến
- bây giờ
- chủ đề
- đối với
- truyền thống
- Train
- đào tạo
- Hội thảo
- Chuyển đổi
- Chiến lược chuyển đổi
- Đi du lịch
- Xu hướng
- kích hoạt
- trillions
- XOAY
- điển hình
- thường
- cơ bản
- hiểu
- Bất ngờ
- độc đáo
- đơn vị
- vô hạn
- us
- sử dụng
- người sử dang
- Người sử dụng
- thường
- sử dụng
- HIỆU LỰC
- giá trị
- Các giá trị
- khác nhau
- Thành phố Velo
- thông qua
- Xem
- hình dung
- quan trọng
- Dễ bay hơi
- khối lượng
- vs
- chờ đợi
- cảnh báo
- Đường..
- Thời tiết
- tuần
- Điều gì
- liệu
- cái nào
- trong khi
- CHÚNG TÔI LÀ
- rộng
- Phạm vi rộng
- sẽ
- với
- ở trong
- không có
- Công việc
- làm việc
- Lực lượng lao động
- đang làm việc
- giá trị
- sẽ
- năm
- năm
- Bạn
- trên màn hình
- zephyrnet