这是一篇与来自 Matarat 的 Moulham Zahabi 共同撰写的客座文章。
大概每个人坐飞机都托运过自己的行李,焦急地等待着自己的行李出现在转盘处。 行李的成功和及时交付取决于称为行李处理系统 (BHS) 的庞大基础设施。 这种基础设施是机场成功运营的关键功能之一。 成功处理出发和到达航班的行李和货物对于确保客户满意度和实现机场卓越运营至关重要。 此功能在很大程度上取决于 BHS 的连续运行和维护操作的有效性。 作为机场的生命线,BHS 是一种线性资产,长度可以超过 34,000 米(对于单个机场),每年处理超过 70 万件行李,使其成为最复杂的自动化系统之一,也是机场运营的重要组成部分。
行李处理系统的计划外停机,无论是传送带、转盘还是分拣装置,都可能扰乱机场运营。 这种干扰势必会给乘客带来不愉快的体验,并可能对机场服务提供商造成处罚。
维护行李处理系统的普遍挑战是如何连续运行一个包含超过 7,000 个资产和超过一百万个设定点的集成系统。 这些系统还可以处理数百万个不同形状和大小的袋子。 可以安全地假设行李处理系统容易出错。 由于元件在闭环中发挥作用,如果一个元件出现故障,则会影响整条生产线。 传统的维护活动依赖于操作员在发生操作故障时派遣的分布在 BHS 沿线关键位置的大量劳动力。 维护团队还严重依赖供应商的建议来安排停机时间以进行预防性维护。 确定预防性维护活动是否得到正确实施或监控此类资产的性能可能不可靠,并且不会降低意外停机的风险。
备件管理是一个额外的挑战,因为全球供应链中断导致交货时间增加,但库存补货决策是基于历史趋势。 此外,这些趋势并未考虑随着 BHS 资产老化而产生的波动动态环境。 为了应对这些挑战,维护策略需要发生翻天覆地的变化——从被动思维转变为主动思维。 这种转变要求运营商利用最新技术来简化维护活动、优化运营并最大限度地减少运营费用。
在本文中,我们描述了 AWS 合作伙伴 Airis Solutions 如何使用 亚马逊对设备的监视、AWS 物联网 (IoT) 服务,以及 云轨 传感器技术提供最先进的解决方案来应对这些挑战。
行李处理系统概述
下图和表格说明了在利雅得哈立德国王国际机场对典型旋转木马进行的测量。
在图中所示的不同位置收集数据。
传感器类型 | 商业价值 | 数据集 | 地理位置 |
IO 链路速度传感器 | 均匀转盘速度 | PDV1(每分钟 1 个) | C |
集成振动传感器 温度传感器 |
螺丝松动, 轴未对准, 轴承损坏, 电机绕组损坏 |
疲劳 (v-RMS) (m/s) 影响(a-峰值)(m/s^2) 摩擦力 (a-RMS) (m/s^2) 温度(℃) 佳洁士 |
A和b |
距离 PEC 传感器 | 行李吞吐量 | 距离(厘米) | D |
下图显示了各种测量的环境和监控设备。
解决方案概述
用于行李处理系统的预测性维护系统 (PdMS) 是一种参考架构,可帮助机场维护操作员在他们的旅程中获得数据,作为改善计划外停机时间的推动因素。 它包含用于加速连接传感器和服务的开发和部署的构建块。 PdMS 包括 AWS 服务,用于安全管理边缘计算设备和 BHS 资产的生命周期、云数据摄取、存储、机器学习 (ML) 推理模型,以及支持云中主动设备维护的业务逻辑。
该架构是根据多年与机场运营合作的经验教训构建的。 拟议的解决方案是在 AWS 顶级合作伙伴 Northbay Solutions 的支持下开发的,可以在 90 天内部署到各种规模的机场和数千个连接设备。
以下架构图公开了用于构建预测性维护解决方案的底层组件:
我们使用以下服务来组装我们的架构:
- CloudRail.DMC 是德国物联网专家 CloudRail GmbH 的软件即服务 (SaaS) 解决方案。 该组织管理全球分布的边缘网关车队。 借助这项服务,只需单击几下,工业传感器、智能仪表和 OPC UA 服务器就可以连接到 AWS 数据湖。
- AWS IoT核心 让您可以连接数十亿个 IoT 设备并将数万亿条消息路由到 AWS 服务,而无需管理基础设施。 它以低延迟和高吞吐量安全地将消息传输到您的所有 IoT 设备和应用程序以及从中传输消息。 我们使用 AWS IoT Core 连接到 CloudRail 传感器并将它们的测量值转发到 AWS 云。
- AWS 物联网分析 是一项完全托管的服务,可以轻松地对海量物联网数据运行和实施复杂的分析,而无需担心构建物联网分析平台通常所需的成本和复杂性。 这是对 IoT 数据运行分析以获得准确见解的简单方法。
- 亚马逊对设备的监视 分析来自设备传感器的数据,根据资产特定数据自动为您的设备创建机器学习模型——无需数据科学技能。 Lookout for Equipment 实时分析传入的传感器数据,并准确识别可能导致意外停机的预警信号。
- 亚马逊QuickSight 允许组织中的每个人通过使用自然语言提问、通过交互式仪表板可视化信息以及自动查找由 ML 提供支持的模式和异常值来理解数据。
如下图所示,此架构使传感器数据能够流向运营洞察力。
使用 IO-Link 传感器收集数据点:IO-Link 是一种标准化接口,可实现从工业资产(在我们的案例中为行李处理系统)的控制层到传感器层的无缝通信。 该协议用于将传感器数据馈送到 CloudRail 边缘网关并加载到 AWS IoT Core。 后者然后向 ML 模型提供设备数据以识别操作和设备问题,这些问题可用于确定资产维护或更换的最佳时间,而不会产生不必要的成本。
数据收集
将现有资产及其控制系统改造到云端对于设备操作员来说仍然是一种具有挑战性的方法。 添加辅助传感器提供了一种快速、安全的方式来获取必要的数据,同时不会干扰现有系统。 因此,与直接连接机器的 PLC 相比,它更容易、更快速且非侵入式。 此外,可以选择改装的传感器来精确测量特定故障模式所需的数据点。
借助 CloudRail,每个工业 IO-Link 传感器都可以连接到 AWS 服务,例如 AWS IoT Core、 AWS IoT SiteWise或 AWS IoT Greengrass 在几秒钟内通过基于云的设备管理门户 (CloudRail.DMC)。 这使物联网专家能够在集中位置和全球分布的机载物理系统上工作。 该解决方案通过简单的即插即用机制解决了预测性维护系统的数据连接挑战。
网关充当设备 (OT) 和云服务 (IT) 之间的工业隔离区 (IDMZ)。 通过集成的车队管理应用程序,CloudRail 可确保将最新的安全补丁自动部署到数千个安装中。
下图显示了一个 IO-Link 传感器和 CloudRail 边缘网关(橙色):
训练异常检测模型
大多数工业部门的组织都看到现代维护策略正在从运行到故障、反应性方法转变为更具预测性的方法。 然而,转向基于状态或预测性维护方法需要从安装在整个设施中的传感器收集数据。 将这些传感器捕获的历史数据与分析结合使用有助于识别设备故障的前兆,从而使维护人员能够在故障发生前采取相应的行动。
预测性维护系统依赖于识别何时可能发生故障的能力。 设备原始设备制造商通常会为其设备提供数据表,并建议根据近乎完美的条件监控某些操作指标。 但是,由于资产的自然磨损、资产运行所处的环境条件、过去的维护历史或实现业务成果所需的运行方式,这些条件很少是现实的。 例如,两个相同的电机(制造商、型号、生产日期)被安装在同一个旋转木马中以进行此概念验证。 由于不同的天气条件(传送带的一部分在机场航站楼内部,另一部分在机场航站楼外部),这些电机在不同的温度范围内运行。
电机 1 在 32–35°C 的温度范围内运行。 振动速度 RMS 可能会因电机疲劳而发生变化(例如,对准误差或不平衡问题)。 如下图所示,该电机的疲劳程度介于 2–6 之间,部分峰值为 9。
电机 2 在较冷的环境中运行,温度介于 20–25°C 之间。 在这种情况下,电机 2 显示疲劳程度在 4-8 之间,一些峰值为 10:
大多数 ML 方法都需要非常具体的领域知识和信息(通常很难获得),这些知识和信息必须从您操作和维护每项资产的方式中提取(例如,故障降级模式)。 每次您想要监控新资产时,或者资产状况发生重大变化时(例如更换零件时),都需要执行这项工作。 这意味着在原型设计阶段交付的出色模型在其他资产上推出时可能会受到性能影响,从而大大降低系统的准确性,最终失去最终用户的信心。 这也可能导致许多误报,您需要具备必要的技能才能在所有噪音中找到有效信号。
Lookout for Equipment 仅分析您的时间序列数据以了解信号之间的正常关系。 然后,当这些关系开始偏离正常操作条件(在训练状态下捕获)时,服务将标记异常。 我们发现,严格使用每项资产的历史数据可以让您专注于能够了解给定资产在其运行环境中独有的运行条件的技术。这可以让您提供支持根本原因分析和预测性维护实践的预测在细粒度、每个资产级别和宏观级别(通过组装适当的仪表板让您一次获得多个资产的概览)。 这就是我们采用的方法,也是我们决定使用 Lookout for Equipment 的原因。
培训策略:应对冷启动挑战
我们针对的 BHS 最初并未进行检测。 我们安装了 CloudRail 传感器以开始从我们的系统收集新的测量值,但这意味着我们只有有限的历史深度来训练我们的 ML 模型。 我们通过认识到我们正在构建一个不断改进的系统来应对这种情况下的冷启动挑战。 安装传感器后,我们收集了一个小时的数据并复制了这些信息,以便尽快开始使用 Lookout for Equipment 并测试我们的整体管道。
正如预期的那样,最初的结果非常不稳定,因为 ML 模型的运行时间非常短。 这意味着任何在第一个小时内未出现的新行为都会被标记出来。 在查看排名靠前的传感器时,其中一个电机的温度似乎是主要嫌疑人(T2_MUC_ES_MTRL_TMP
下图中的橙色部分)。 由于最初的数据捕获时间非常短(1 小时),因此在一天中,主要变化来自温度值(与当时的环境条件一致)。
当将其与该特定传送带周围的环境条件进行匹配时,我们确认外部温度严重升高,这反过来又增加了该传感器测量的温度。 在这种情况下,在新数据(考虑到外部温度升高)被纳入训练数据集后,它将成为 Lookout for Equipment 捕获的正常行为的一部分,并且未来类似的行为将不太可能引发任何事件。
5 天后,模型被重新训练,误报率立即大幅下降:
虽然这个冷启动问题是获得可操作见解的最初挑战,但我们利用这个机会构建了一个最终用户可以轻松触发的再培训机制。 实验一个月后,我们通过将一个月的传感器数据复制到 3 个月来训练新模型。 随着模型暴露在更广泛的条件下,这继续降低了误报率。 在这次再培训之后,类似的误报率下降了:系统建模的情况更接近用户在现实生活中所经历的情况。 3 个月后,我们终于有了一个可以在不使用这种复制技巧的情况下使用的数据集。
从现在开始,我们将每 3 个月进行一次再培训,并尽快使用最多 1 年的数据来说明环境条件的季节性。 在其他资产上部署此系统时,我们将能够重用此自动化过程并使用初始培训来验证我们的传感器数据管道。
训练完模型后,我们部署了模型并开始将实时数据发送到 Lookout for Equipment。 Lookout for Equipment 可让您配置定期(例如,每小时)唤醒的调度程序,以将新数据发送到经过训练的模型并收集结果。
现在我们知道如何训练、改进和部署模型,让我们看看为最终用户实施的操作仪表板。
数据可视化和洞察力
最终用户需要一种方法来从他们的运营数据中提取更多价值,以更好地提高他们的资产利用率。 借助 QuickSight,我们将仪表板连接到 IoT 系统提供的原始测量数据,使用户能够比较和对比给定 BHS 上的关键设备。
在下面的仪表板中,用户可以检查用于监控 BHS 状况的关键传感器并获取周期性指标变化。
在前面的图中,用户可以看到每个电机的任何意外测量不平衡(温度、疲劳、振动、摩擦和冲击的左右图)。 在底部,总结了关键绩效指标,并指出了预测和期间趋势。
最终用户可以出于以下目的访问信息:
- 以 2 小时到 24 小时的间隔查看历史数据。
- 通过 CSV 格式提取原始数据以进行外部集成。
- 可视化一段时间内的资产性能。
- 为运营规划提供见解并提高资产利用率。
- 进行相关性分析。 在下图中,用户可以可视化多个测量值(例如电机疲劳与温度,或行李吞吐量与传送带速度),并使用此仪表板更好地通知下一个最佳维护操作。
消除数据中的噪音
几周后,我们注意到 Lookout for Equipment 发出了一些被认为是误报的事件。
在分析这些事件时,我们发现转盘电机的速度不规则下降。
我们会见了维护团队,他们告诉我们这些停止是紧急停止或计划停机维护活动。 有了这些信息,我们将紧急停止标记为异常并将它们提供给 Lookout for Equipment,而计划的停机时间被认为是该传送带的正常行为。
了解异常数据可能受到受控外部操作影响的场景对于提高异常检测模型的准确性至关重要。
烟雾测试
在重新训练模型并实现相对无异常的几个小时后,我们的团队对资产进行了物理压力,系统立即检测到这一点。 这是用户的常见请求,因为他们需要熟悉系统及其反应方式。
我们构建了仪表板,以允许最终用户无限期地可视化历史异常。 使用商业智能服务让他们随意组织数据,我们发现 24 小时的条形图或饼图是了解 BHS 状况的最佳方式。 除了用户可以在需要时随时查看的仪表板之外,我们还设置了发送到指定电子邮件地址和通过短信发送的自动警报。
从异常检测模型中提取更深入的见解
将来,我们打算从使用 Lookout for Equipment 训练的异常检测模型中提取更深入的见解。 我们将继续使用 QuickSight 来构建一组扩展的小部件。 例如,我们发现在 Lookout for Equipment 的 GitHub 示例 使我们能够从模型的原始输出中提取更多见解。
成果
行李处理系统的被动维护转化为以下内容:
- 由于等待时间过长或行李损坏,乘客满意度较低
- 由于计划外故障和关键备件库存短缺导致资产可用性降低
- 由于库存水平上升以及维护成本增加,运营费用增加
改进您的维护策略以将可靠的预测分析纳入决策周期,旨在改善资产运营并帮助避免强制停机。
监控设备在 1 天内在本地安装,并由物联网专家完全远程配置。 解决方案概述中描述的云架构随后在 90 天内成功部署。 快速的实施时间证明了为最终用户带来的好处,从而迅速导致维护策略从基于人的反应(修复故障)转变为基于机器、数据驱动的主动(防止停机)。
结论
Airis、CloudRail、Northbay Solutions 和 AWS 之间的合作在哈立德国王国际机场取得了新成就(参见 新闻稿 更多细节)。 作为其数字化转型战略的一部分,利雅得机场计划进一步部署以涵盖其他机电系统,如旅客登机桥和 HVAC 系统。
如果您对这篇文章有任何意见,请在评论部分提交。 如果您对此解决方案或其实施有疑问,请在 回复:发布,AWS 专家和更广泛的社区可以为您提供支持。
关于作者
穆勒姆扎哈比 是一名航空专家,在设计和管理航空项目以及管理海湾合作委员会地区的关键机场资产方面拥有超过 11 年的经验。 他还是 Airis-Solutions.ai 的联合创始人之一,该公司旨在通过为机场和物流中心提供创新的 AI/ML 解决方案来引领航空业的数字化转型。 如今,穆勒姆领导着沙特民航控股公司 (Matarat) 的资产管理委员会。
法赞汗 是一名高级解决方案架构师,与公共部门客户合作,为设计、部署和管理他们的 AWS 工作负载和架构提供指导。 Fauzan 热衷于帮助客户在 HPC 和 AI/ML 领域采用创新的云技术来应对业务挑战。 工作之余,Fauzan 喜欢亲近大自然。
米歇尔·霍劳(MichaëlHoarau) 是 AWS 的 AI/ML 专家解决方案架构师,视情况在数据科学家和机器学习架构师之间交替。 他热衷于将 AI/ML 的力量带到他的工业客户的车间,并致力于广泛的 ML 用例,从异常检测到预测产品质量或制造优化。 他发表了 一本关于时间序列分析的书 2022 年并定期在 LinkedIn 和 M中号. 在不帮助客户开发下一个最佳机器学习体验时,他喜欢观察星星、旅行或弹钢琴。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- 柏拉图区块链。 Web3 元宇宙智能。 知识放大。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :是
- $UP
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- Able
- 关于
- 加快
- ACCESS
- 因此
- 账号管理
- 基本会计和财务报表
- 精准的
- 准确
- 成就
- 实现
- 获得
- 横过
- 法案
- 操作
- 行动
- 活动
- 行为
- 增加
- 额外
- 另外
- 地址
- 解决
- 采用
- 后
- AI
- AI / ML
- 艾滋病
- 目标
- 机场
- 机场
- 通知
- 对准
- 所有类型
- 允许
- 允许
- Amazon
- 亚马逊对设备的监视
- 分析
- 分析
- 分析
- 分析
- 和
- 每年
- 异常检测
- 出现
- 应用领域
- 应用领域
- 的途径
- 方法
- 适当
- 架构
- 保健
- 国家 / 地区
- 围绕
- 抵达
- AS
- 财富
- 资产管理
- 办公室文员:
- At
- 自动化
- 自动
- 可用性
- 航空
- AWS
- 包袋
- 酒吧
- 基于
- BE
- 因为
- before
- 好处
- 最佳
- 更好
- 之间
- 十亿美元
- 吹氣梢
- 登机
- 书
- 半身裙/裤
- 界
- 击穿
- 休息
- 桥梁
- 瞻
- 更广泛
- 建立
- 建筑物
- 建
- 商业
- 商业智能
- by
- 被称为
- CAN
- 捕获
- 旋转木马
- 案件
- 例
- 原因
- 中心
- 集中
- 一定
- 链
- 挑战
- 挑战
- 挑战
- 更改
- 更改
- 图表
- 查
- 关闭
- 接近
- 云端技术
- 联合创始人
- 收集
- 收藏
- 未来
- 注释
- 相当常见
- 沟通
- 社体的一部分
- 公司
- 比较
- 相比
- 完全
- 复杂
- 复杂
- 元件
- 组件
- 计算
- 概念
- 流程条件
- 条件
- 信心
- CONFIRMED
- 分享链接
- 已联繫
- 地都
- 连接方式
- 考虑
- 一贯
- 包含
- 上下文
- 继续
- 持续
- 连续
- 一直
- 对比
- 控制
- 受控
- 控制
- 合作
- 核心
- 相关
- 价格
- 成本
- 可以
- Counter
- 套餐
- 外壳
- 创建信息图
- 危急
- 顾客
- 客户满意度
- 合作伙伴
- 周期
- XNUMX月XNUMX日
- data
- 数据湖
- 数据点
- 数据科学
- 数据科学家
- 数据可视化
- 数据驱动
- 日期
- 天
- 一年中的
- 决定
- 决策
- 决定
- 更深
- 交付
- 提升
- 交货
- 依赖的
- 根据
- 依靠
- 部署
- 部署
- 部署
- 部署
- 部署
- 深度
- 描述
- 描述
- 设计
- 指定
- 设计
- 详情
- 检测
- 检测
- 确定
- 确定
- 开发
- 发达
- 研发支持
- 设备
- 设备
- 不同
- 难
- 数字
- 数字化改造
- 直接
- 发现
- 破坏
- 瓦解
- 中断
- 距离
- 分布
- 不会
- 域
- 别
- 向下
- 停机
- 大幅
- 下降
- 滴
- ,我们将参加
- 动态
- 每
- 早
- 更容易
- 容易
- 边缘
- 效用
- 或
- element
- 分子
- 邮箱地址
- 紧急
- enable
- 使
- 确保
- 确保
- 整个
- 环境
- 环境的
- 设备
- 错误
- 故障
- 甚至
- 活动
- 事件
- 所有的
- 每个人
- 例子
- 例子
- 超过
- 追求卓越
- 现有
- 扩大
- 期望
- 预期
- 开支
- 体验
- 体验
- 经历
- 技术专家
- 专家
- 裸露
- 曝光
- 外部
- 提取
- 失败
- 熟悉
- 高效率
- 快
- 疲劳
- 美联储
- 少数
- 数字
- 终于
- 找到最适合您的地方
- (名字)
- 已标记
- 舰队
- 机票
- 流
- 飞行
- 专注焦点
- 以下
- 针对
- 收益预测
- 格式
- 向前
- 发现
- 新鲜
- 摩擦
- 止
- 充分
- 功能
- 功能
- 进一步
- 未来
- Gain增益
- 网关
- GCC
- 海合会地区
- 德语
- 得到
- 特定
- 全球
- 在全球范围内
- 有限公司
- 非常好
- 大
- 客人
- 游客发表
- 指导
- 处理
- 处理
- 发生
- 发生
- 有
- 有
- 标题
- 严重
- 帮助
- 帮助
- 帮助
- 高
- 更高
- 历史的
- 历史
- 击中
- 保持
- HOURS
- 创新中心
- How To
- 但是
- HPC
- HTTPS
- 相同
- 识别
- 鉴定
- 图片
- 图片
- 失调
- 立即
- 影响力故事
- 履行
- 实施
- 征收
- 改善
- 改善
- in
- 包括
- 来电
- 合并
- 成立
- 增加
- 增加
- 增加
- 指标
- 产业
- 行业的
- 影响
- 通知
- 信息
- 通知
- 基础设施
- 初始
- 创新
- 可行的洞见
- 安装
- 例
- 集成
- 积分
- 房源搜索
- 打算
- 互动
- 接口
- 干扰
- 国际
- 网络
- 物联网
- 库存
- 物联网
- 物联网设备
- 问题
- IT
- 它的
- 旅程
- JPG
- 键
- 国王
- 知道
- 知识
- 湖泊
- 语言
- 潜伏
- 最新
- 发射
- 铅
- 领导
- 学习用品
- 知道
- 学习
- 导致
- 长度
- 教训
- 经验教训
- 让
- Level
- 各级
- 生活
- 生命周期
- 喜欢
- 容易
- 有限
- Line
- 友情链接
- 生活
- 实时数据
- 当地
- 地点
- 看
- 寻找
- 失去
- 低
- 机
- 机器学习
- 宏
- 主要
- 保持
- 维护
- 保养
- 使
- 制作
- 制作
- 管理
- 管理
- 颠覆性技术
- 管理
- 管理的
- 制造业
- 许多
- 大规模
- 匹配
- 可能..
- 手段
- 衡量
- 测量
- 测量
- 机制
- 中等
- 的话
- 条未读消息
- 方法
- 指标
- 百万
- 百万
- 思维定势
- ML
- 模型
- 模型
- 现代
- 模式
- 时刻
- 显示器
- 监控
- 月
- 个月
- 更多
- 最先进的
- 电机
- 电机
- 移动
- 多
- 自然
- 自然
- 必要
- 需求
- 需要
- 全新
- 下页
- 噪声
- 正常
- 获得
- of
- on
- 板载
- 一
- 操作
- 操作
- 运营
- 操作
- 操作
- 操作
- 运营
- 运营商
- ZAP优势
- 最佳
- 优化
- 优化
- 橘色
- 组织
- 其他名称
- 学校以外
- 最划算
- 简介
- 部分
- 合伙人
- 部分
- 多情
- 过去
- 补丁
- 模式
- 性能
- 期间
- 人员
- 相
- 的
- 物理
- 件
- 管道
- 计划
- 规划行程
- 计划
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 请
- 点
- 门户网站
- 积极
- 可能
- 帖子
- 功率
- 供电
- 做法
- 恰恰
- 预测
- 预测分析
- 总理
- express
- 流行
- 预防
- 主动
- 探测器
- 市场问题
- 问题
- 过程
- 产品
- 产品质量
- 生产
- 进展
- 项目
- 证明
- 概念验证
- 正确
- 建议
- 协议
- 原型
- 证明
- 提供
- 提供
- 供应商
- 提供
- 优
- 国家
- 出版
- 目的
- 质量
- 有疑问吗?
- 很快
- 提高
- 范围
- 范围
- 率
- 价格表
- 原
- 反应
- 真实
- 现实生活
- 实时的
- 现实
- 原因
- 建议
- 建议
- 减少
- 减少
- 地区
- 经常
- 关系
- 相对
- 可靠
- 遗迹
- 更换
- 请求
- 必须
- 需要
- 成果
- 重用
- 上升
- 风险
- 轧制
- 根
- 路线
- 运行
- SaaS的
- 安全
- 同
- 满意
- 沙特
- 秤
- 情景
- 始你
- 科学
- 科学家
- 无缝的
- 次
- 秒
- 部分
- 扇形
- 安全
- 安全
- 保安
- 似乎
- 中模板
- 选
- 发送
- 前辈
- 传感器
- 系列
- 服务器
- 服务
- 服务供应商
- 特色服务
- 集
- 几个
- 形状
- 转移
- 商城
- 短缺
- 显示
- 如图
- 作品
- 关闭
- 视力
- 信号
- 显著
- 类似
- 单
- 可观
- 尺寸
- 技能
- 小
- 智能
- 烟雾
- 软件
- 软件作为一种服务
- 方案,
- 解决方案
- 解决
- 一些
- 极致
- 专家
- 具体的
- 速度
- 花费
- 明星
- 开始
- 开始
- 州/领地
- 国家的最先进的
- 车站
- 存储
- 策略
- 策略
- 精简
- 提交
- 成功
- 顺利
- 这样
- 供应
- 供应链
- SUPPORT
- 支持
- 系统
- 产品
- 表
- 针对
- 团队
- 队
- 技术
- 专业技术
- 终端
- test
- 测试
- 这
- 区域
- 未来
- 其
- 他们
- 他们自己
- 因此
- 热
- 博曼
- 事
- 思想
- 数千
- 通过
- 始终
- 吞吐量
- 次
- 时间序列
- 时
- 定时
- 至
- 今晚
- 主题
- 向
- 传统
- 培训
- 熟练
- 产品培训
- 转型
- 转型策略
- 旅游
- 趋势
- 触发
- 万亿
- 转
- 普遍
- 一般
- 相关
- 理解
- 意外
- 独特
- 单元
- 无限
- us
- 使用
- 用户
- 用户
- 平时
- 利用
- 验证
- 折扣值
- 价值观
- 各个
- 速度
- 通过
- 查看
- 可视化
- 重要
- 挥发物
- 卷
- vs
- 等待
- 警告
- 方法..
- 天气
- 周
- 什么是
- 是否
- 这
- 而
- WHO
- 宽
- 大范围
- 将
- 中
- 也完全不需要
- 工作
- 工作
- 劳动力
- 加工
- 价值
- 将
- 年
- 年
- 完全
- 您一站式解决方案
- 和风网