制造生产线、仓库和工业厂房等工业环境中的可靠性经理和技术人员热衷于改善设备的健康状况和正常运行时间,以最大限度地提高产品产量和质量。 机器和过程故障通常通过事件发生后的反应性活动或昂贵的预防性维护来解决,在这种情况下,您可能会面临过度维护设备或遗漏定期维护周期之间可能发生的问题的风险。 预测性基于状态的维护是一种主动策略,优于被动或预防性策略。 事实上,这种方法结合了持续监控、预测分析和及时行动。 这使得维护和可靠性团队仅在必要时根据实际设备状况维修设备。
基于状态的监控在为大型工业资产车队生成可操作的见解方面面临着共同的挑战。 这些挑战包括但不限于:构建和维护复杂的传感器基础设施,从现场收集数据,获得可靠的工业资产车队高级摘要,有效管理故障警报,识别异常的可能根本原因,并有效地可视化工业资产的规模状况。
亚马逊Monitron 是一种端到端状态监控解决方案,使您能够在几分钟内借助机器学习 (ML) 开始监控设备运行状况,从而实施预测性维护并减少计划外停机时间。 它包括用于捕获振动和温度数据的传感器设备、用于将数据安全传输到 AWS 云的网关设备、使用 ML 分析数据异常的 Amazon Monitron 服务,以及用于跟踪机器中潜在故障的配套移动应用程序。 您的现场工程师和操作员可以直接使用该应用程序来诊断和规划工业资产的维护。
从运营技术 (OT) 团队的角度来看,使用 Amazon Monitron 数据还开辟了新的方式来改进他们借助 AI 运营大型工业资产车队的方式。 OT 团队可以通过构建跨多个层次结构(资产、站点和工厂)的统一视图来加强其组织的预测性维护实践。 他们可以将实际测量和 ML 推理结果与未确认的警报、传感器或逃逸连接状态或资产状态转换结合起来,为他们关注的范围(资产、站点、项目)构建高级摘要。
随着最近推出的 Amazon Monitron Kinesis 数据导出 v2 功能,您的 OT 团队可以通过 Amazon Monitron 流式传输传入的测量数据和推理结果 亚马逊Kinesis 到 AWS 简单的存储服务 (Amazon S3) 构建物联网 (IoT) 数据湖。 通过利用 最新的数据导出模式,您可以获得传感器连接状态、网关连接状态、测量分类结果、关闭原因代码和资产状态转换事件的详细信息。
用例概述
Amazon Monitron 现在公开的丰富数据流使您能够实施多个关键用例,例如自动创建工作订单、丰富可操作的单一管理平台或自动化故障报告。 让我们深入研究这些用例。
您可以使用 Amazon Monitron Kinesis 数据导出 v2 在企业资产管理 (EAM) 系统(例如 Infor EAM、SAP 资产管理或 IBM Maximo)中创建工作订单。 例如,在视频中 通过预测性维护和 Amazon Monitron 避免机械问题,您可以了解我们的亚马逊运营中心如何通过与第三方软件(例如亚马逊使用的 EAM)以及聊天室技术人员集成的 Amazon Monitron 传感器避免传送带上的机械问题。 这表明您可以如何自然地将 Amazon Monitron 见解集成到您现有的工作流程中。 在接下来的几个月中,请继续关注本系列的下一部分,了解此集成工作的实际实现。
您还可以使用数据流将 Amazon Monitron 洞察提取回车间系统,例如监督控制和数据采集 (SCADA) 或 Historian。 当有关其资产和流程的所有见解都在单一管理平台中提供时,车间操作员的效率会更高。 在这个概念中,Amazon Monitron 不再成为技术人员必须监控的另一个工具,而是另一个数据源,在他们已经习惯的单一视图中提供洞察力。 今年晚些时候,我们还将介绍一种架构,您可以使用它来执行此任务并将 Amazon Monitron 反馈发送给主要的第三方 SCADA 系统和 Historians。
最后但同样重要的是,来自 Amazon Monitron 的新数据流包括用户在确认警报(触发向新状态的转换)时提供的资产状态转换和关闭代码。 借助这些数据,您可以自动构建可视化效果,实时报告故障和在运营资产时采取的措施。
然后,您的团队可以使用我们在本文中描述的关键 AWS 服务,将此资产状态数据与 Amazon Monitron 测量数据以及大型工业资产车队中的其他物联网数据相结合,从而构建更广泛的数据分析仪表板来支持您的工业车队管理实践。 我们解释了如何构建 IoT 数据湖、生成和使用数据的工作流程,以及用于可视化 Amazon Monitron 传感器数据和推理结果的摘要控制面板。 我们使用来自安装在工业仓库中的大约 780 个传感器的 Amazon Monitron 数据集,该数据集已经运行了 1 年多。 有关详细的 Amazon Monitron 安装指南,请参阅 开始使用 Amazon Monitron.
解决方案概述
Amazon Monitron 提供资产健康状态的 ML 推断 ML 模型训练期 21 天后 对于每个资产。 在此解决方案中,来自这些传感器的测量数据和 ML 推理通过以下方式导出到 Amazon S3 Amazon Kinesis数据流 通过使用 最新的 Amazon Monitron 数据导出功能. 一旦 Amazon S3 中提供了 Amazon Monitron IoT 数据,就会在中创建一个数据库和表 亚马逊雅典娜 通过使用 AWS Glue搜寻器. 您可以使用 Athena 通过 AWS Glue 表查询 Amazon Monitron 数据,并使用可视化测量数据和 ML 推理 亚马逊托管 Grafana. 借助 Amazon Managed Grafana,您可以创建、探索并与您的团队共享可观察性控制面板,并减少管理 Grafana 基础设施的时间。 在本文中,您将 Amazon Managed Grafana 连接到 Athena,并学习如何使用 Amazon Monitron 数据构建数据分析控制面板,以帮助您大规模规划工业资产运营。
以下屏幕截图是您可以在本文末尾实现的示例。 该仪表板分为三个部分:
- 厂景 – 来自工厂所有传感器的分析信息; 例如,传感器各种状态(健康、警告或警报)的总体计数、未确认和已确认警报的数量、网关连接以及平均维护时间
- 站点视图 – 站点级统计数据,例如每个站点的资产状态统计数据、警报未被确认的总天数、每个站点的表现最好/最差的资产等等
- 资产视图 – 资产级别的 Amazon Monitron 项目摘要信息,例如未确认警报的警报类型(ISO 或 ML)、警报的时间线等
这些面板是可以帮助战略运营规划的示例,但它们并不是唯一的。 您可以使用类似的工作流程根据您的目标 KPI 自定义仪表板。
架构概述
您将在本文中构建的解决方案结合了 Amazon Monitron、Kinesis Data Streams、 亚马逊 Kinesis 数据流水线、Amazon S3、AWS Glue、Athena 和 Amazon Managed Grafana。
下图说明了解决方案架构。 Amazon Monitron 传感器测量和检测设备的异常情况。 测量数据和 ML 推理输出都以每小时一次的频率导出到 Kinesis 数据流,并通过 Kinesis Data Firehose 以 3 分钟的缓冲区传送到 Amazon S1。 导出的 Amazon Monitron 数据为 JSON 格式。 AWS Glue 爬虫以选定的每小时一次的频率分析 Amazon S3 中的 Amazon Monitron 数据,构建元数据架构,并在 Athena 中创建表。 最后,Amazon Managed Grafana 使用 Athena 查询 Amazon S3 数据,允许构建仪表板以可视化测量数据和设备运行状况。
要构建此解决方案,您需要完成以下高级步骤:
- 从 Amazon Monitron 启用 Kinesis Data Stream 导出并创建数据流。
- 配置 Kinesis Data Firehose 以将数据从数据流传输到 S3 存储桶。
- 构建 AWS Glue 爬网程序以在 Athena 中创建 Amazon S3 数据表。
- 使用 Amazon Managed Grafana 创建 Amazon Monitron 设备的控制面板。
先决条件
对于本演练,您应该具有以下先决条件:
此外,请确保您部署的所有资源都在同一区域中。
从 Amazon Monitron 启用 Kinesis 数据流导出并创建数据流
要配置数据流导出,请完成以下步骤:
- 在 Amazon Monitron 控制台上,从您的项目主页选择 开始实时数据导出.
- 下 选择 Amazon Kinesis 数据流,选择 创建一个新的数据流.
- 下 数据流配置, 输入您的数据流名称。
- 针对 数据流容量,选择 按需.
- 创建数据流.
请注意,4 年 2023 月 2 日之后启用的任何实时数据导出都将按照 Kinesis Data Streams v1 架构流式传输数据。 如果您有在此日期之前启用的现有数据导出,则架构将遵循 vXNUMX 格式。
您现在可以使用指定的 Kinesis 数据流在 Amazon Monitron 控制台上查看实时数据导出信息。
配置 Kinesis Data Firehose 以将数据传输到 S3 存储桶
要配置您的 Firehose 传输流,请完成以下步骤:
- 在 Kinesis 控制台上,选择 交付流 在导航窗格中。
- 创建传递流.
- 针对 来源, 选择 Amazon Kinesis数据流.
- 针对 目的地, 选择 Amazon S3.
- 下 源设置,为 运动数据流,输入您的 Kinesis 数据流的 ARN。
- 下 传输流名称,输入您的 Kinesis 数据流的名称。
- 下 目的地设置,选择 S3 存储桶或输入存储桶 URI。 您可以使用现有的 S3 存储桶来存储 Amazon Monitron 数据,也可以创建新的 S3 存储桶。
- 使用 JSON 的内联解析启用动态分区:
- 启用 动态分区.
- 启用 JSON 的内联解析.
- 下 动态分区键, 添加以下分区键:
项名称 | JQ表情 |
项目 | .projectName| "project=(.)" |
网站 | .eventPayload.siteName| "site=(.)" |
财富 | .eventPayload.assetName| "asset=(.)" |
位置 | .eventPayload.positionName| "position=(.)" |
次 | .timestamp| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")| "time=(.)" |
- 应用动态分区键 并确认生成的 S3 桶前缀是:
- 输入前缀 S3 存储桶错误输出前缀. 任何不包含前面描述的键的 JSON 负载都将在此前缀中传递。 例如,
gatewayConnected
和gatewayDisconnected
事件与给定的资产或头寸无关。 因此,它们不会包含assetName
和positionName
领域。 在此处指定此可选前缀允许您监视此位置并相应地处理这些事件。 - 创建传递流.
您可以检查 S3 存储桶中的 Amazon Monitron 数据。 请注意,Amazon Monitron 数据将以每小时一次的频率导出实时数据,因此请等待 1 小时以检查数据。
此 Kinesis Data Firehose 设置启用动态分区,交付的 S3 对象将使用以下密钥格式:
构建 AWS Glue 爬虫以在 Athena 中创建 Amazon S3 数据表
实时数据导出到 Amazon S3 后,我们使用 AWS Glue 爬虫生成元数据表。 在本文中,我们使用 AWS Glue 爬虫从 Amazon S3 中导出的 Amazon Monitron 数据自动推断数据库和表架构,并将关联的元数据存储在 AWS Glue 数据目录中。 然后,Athena 使用数据目录中的表元数据来查找、读取和处理 Amazon S3 中的数据。 完成以下步骤以创建数据库和表架构:
- 在 AWS Glue 控制台上,选择 爬行 在导航窗格中。
- 创建爬虫.
- 输入爬网程序的名称(例如,
XXX_xxxx_monitron
). - 下一页.
- 针对 您的数据是否已经映射到 Glue 表,选择 未.
- 针对 数据源,选择 S3.
- 针对 S3 数据的位置,选择 在这个帐户中, 然后输入您在上一节中设置的 S3 存储桶目录的路径 (
s3://YourBucketName
). - 针对 重复爬取 S3 数据存储, 选择 抓取所有子文件夹.
- 最后选择 下一页.
- 选择 创建新的 IAM 角色 并输入角色的名称。
- 下一页.
- 选择 添加数据库, 并输入数据库的名称。 这将在爬虫完成后创建元数据表所在的 Athena 数据库。
- 针对 履带时间表,选择一个首选的基于时间的调度程序(例如,每小时)来刷新数据库中的 Amazon Monitron 数据,然后选择 下一页.
- 查看爬虫详细信息并选择 创建.
- 点击 爬行 AWS Glue 控制台的页面,选择您创建的爬虫并选择 运行搜寻器.
您可能需要等待几分钟,具体取决于数据的大小。 完成后,爬虫的状态显示为 各就各位. 要查看元数据表,请导航到您的数据库 数据库 页面并选择 表 在导航窗格中。
您还可以通过选择查看数据 表数据 在控制台上。
您将被重定向到 Athena 控制台以查看 Amazon S10 中 Amazon Monitron 数据的前 3 条记录。
使用 Amazon Managed Grafana 创建 Amazon Monitron 设备的控制面板
在本节中,我们使用 Amazon Managed Grafana 构建自定义控制面板以可视化 Amazon S3 中的 Amazon Monitron 数据,以便 OT 团队可以简化访问整个 Amazon Monitron 传感器队列中的警报资产。 这将使 OT 团队能够根据异常的可能根本原因来计划下一步行动。
至 创建一个 Grafana 工作区,请完成以下步骤:
- 确保您的用户角色是管理员或编辑。
- 在 Amazon Managed Grafana 控制台上,选择 创建工作区.
- 针对 工作区名称, 输入工作区的名称。
- 下一页.
- 针对 认证访问, 选择 AWS IAM 身份中心 (AWS 单点登录的后继者). 你可以使用相同的 AWS IAM 身份中心用户 您用来设置 Amazon Monitron 项目的文件。
- 下一页.
- 对于第一个工作区,确认 服务管理 被选中 权限类型. 此选择使 Amazon Managed Grafana 能够自动预置您用于此工作区的 AWS 数据源所需的权限。
- 经常账户.
- 下一页.
- 确认工作区详细信息,然后选择 创建工作区. 出现工作区详细信息页面。 最初,状态是 创作.
- 等到状态为 ACTIVE 继续下一步。
要配置 Athena 数据源,请完成以下步骤:
- 在 Amazon Managed Grafana 控制台上,选择您要使用的工作区。
- 点击 资料来源 标签,选择 亚马逊雅典娜,并选择 操作,启用服务托管策略.
- 在 Grafana 中配置 ,在 亚马逊雅典娜 行。
- 如有必要,使用 IAM Identity Center 登录到 Grafana 工作区控制台。 用户应将 Athena 访问策略附加到用户或角色才能访问 Athena 数据源。 看 AWS 托管策略:AmazonGrafanaAthenaAccess 获取更多信息。
- 在 Grafana 工作区控制台的导航窗格中,选择下方的 AWS 图标(有两个),然后选择 雅典娜 在 资料来源 菜单。
- 选择您希望 Athena 数据源从中查询的默认区域,选择您想要的账户,然后选择 添加数据源.
- 请按照以下步骤操作 配置 Athena 详细信息.
如果您在 Athena 中的工作组尚未配置输出位置,您需要指定一个 S3 存储桶和文件夹以用于查询结果。 设置数据源后,您可以在 配置 窗格。
在以下小节中,我们演示了在 Amazon Managed Grafana 中构建的 Amazon Monitron 控制面板中的几个面板,以获取操作见解。 Athena 数据源提供了一个标准的 SQL 查询编辑器,我们将使用它来分析 Amazon Monitron 数据以生成所需的分析。
首先,如果Amazon Monitron 项目中有很多传感器,并且它们处于不同的状态(健康、警告、警报和需要维护),OT 团队希望直观地看到传感器处于各种状态的位置数。 您可以通过以下 Athena 查询获取 Grafana 中的饼图小部件等信息:
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;
以下屏幕截图显示了一个面板,其中包含 Amazon Monitron 传感器状态的最新分布。
要格式化 Amazon Monitron 数据的 SQL 查询,请参阅 了解数据导出架构.
接下来,您的运营技术团队可能希望根据处于警报状态的资产来规划预测性维护,因此他们希望快速了解已确认警报与未确认警报的总数。 您可以在 Grafana 中将警报状态的摘要信息显示为简单的统计面板:
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';
以下面板显示已确认和未确认的警报。
OT 团队还可以查询传感器保持警报状态的时间,以便他们可以决定维护优先级:
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;
该分析的输出可以在 Grafana 中通过条形图可视化,并且可以轻松可视化处于报警状态的警报,如下面的屏幕截图所示。
要根据资产处于警报或需要维护状态的总时间来分析最高/最低资产性能,请使用以下查询:
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;
下面的条形图用于可视化前面的查询输出,表现最好的资产显示 0 天的警报状态,表现最差的资产显示过去一年累积的警报状态。
为了帮助 OT 团队了解异常的可能根本原因,可以使用以下查询显示仍处于警报状态的这些资产的警报类型:
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');
您可以将此分析可视化为 Grafana 中的表格。 在这个 Amazon Monitron 项目中,两个警报由用于振动测量的 ML 模型触发。
此处显示 Amazon Managed Grafana 控制面板用于说明目的。 您可以根据自己的业务需求调整仪表板设计。
故障报告
当用户在 Amazon Monitron 应用程序中确认警报时,相关资产会转换为新状态。 用户还有机会提供有关此警报的一些详细信息:
- 故障原因 – 这可以是以下之一:管理、设计、制造、维护、操作、其他、质量、磨损或未确定
- 故障模式 – 这可以是以下之一:NO_ISSUE、BLOCKAGE、CAVITATION、CORROSION、DEPOSIT、IMBALANCE、LUBRICATION、MISALIGNMENT、OTHER、RESONANCE、ROTATING_LOOSENESS、STRUCTURAL_LOOSENESS、TRANSMITTED_FAULT 或 UNDETERMINED
- 采取的行动 – 这可以是调整、清洁、润滑、修改、大修、更换、不采取行动或其他
与资产状态转换关联的事件负载包含所有这些信息、资产的先前状态和资产的新状态。 请继续关注这篇文章的更新,其中包含有关如何在额外的 Grafana 面板中使用此信息来构建最常见故障和对资产采取的操作的帕累托图的更多详细信息。
结论
Amazon Monitron 的企业客户正在寻找一种解决方案来使用 Amazon Monitron 的实时数据构建物联网数据湖,以便他们可以管理多个 Amazon Monitron 项目和资产,并生成跨多个 Amazon Monitron 项目的分析报告。 这篇文章详细介绍了使用最新的构建此 IoT 数据湖的解决方案 Amazon Monitron Kinesis 数据导出 v2 功能. 该解决方案还展示了如何使用其他 AWS 服务(例如 AWS Glue 和 Athena)来查询数据、生成分析输出,并通过频繁刷新的 Amazon Managed Grafana 可视化此类输出。
下一步,您可以通过将 ML 推理结果发送到您可能用于工作订单管理的其他 EAM 系统来扩展此解决方案。 这将使您的运营团队能够将 Amazon Monitron 与其他企业应用程序集成,并提高他们的运营效率。 您还可以开始通过处理资产状态转换和关闭代码(现在是 Kinesis 数据流有效负载的一部分)对您的故障模式和采取的操作建立更深入的见解。
关于作者
朱莉娅胡 是 Amazon Web Services 的高级 AI/ML 解决方案架构师。 她在物联网架构和应用数据科学方面拥有丰富的经验,并且是机器学习和物联网技术领域社区的成员。 她与从初创企业到企业的客户合作,在边缘和云端开发 AWSome IoT 机器学习 (ML) 解决方案。 她喜欢利用最新的物联网和大数据技术来扩展她的 ML 解决方案、减少延迟并加速行业采用。
比什尔塔巴 是 Amazon Web Services 的解决方案架构师。 Bishr 专注于帮助客户开发机器学习、安全性和可观察性应用程序。 工作之余,他喜欢打网球、烹饪和与家人共度时光。
莎莉卡·帕加尔 是 Amazon Web Services 的产品经理。 Shalika 专注于为工业客户构建人工智能产品和服务。 她在产品、工业和业务开发的交叉领域带来了丰富的经验。 她最近分享 Monitron 的成功故事 在重塑 2022 年。
加里·加林斯基 是支持 Amazon on AWS 的首席解决方案架构师。 自 Monitron 首次亮相以来,他一直参与其中,并帮助将该解决方案集成和部署到亚马逊的全球履行网络中。 他最近分享了亚马逊的 立创成功案例 在 re:Invent 2022。
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。
- 与 Adryenn Ashley 一起铸造未来。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/generate-actionable-insights-for-predictive-maintenance-management-with-amazon-monitron-and-amazon-kinesis/
- :具有
- :是
- :不是
- $UP
- 1
- 10
- 100
- 200
- 2022
- 2023
- 7
- 8
- 9
- a
- 关于
- 加快
- ACCESS
- 根据
- 因此
- 账户
- 积累
- 获得
- 横过
- 操作
- 行动
- 活动
- 适应
- 额外
- 管理员
- 管理
- 采用
- 后
- AI
- AI / ML
- 援助
- 报警
- 通知
- 所有类型
- 允许
- 允许
- 已经
- 还
- Amazon
- 亚马逊Kinesis
- 亚马逊托管 Grafana
- 亚马逊网络服务
- 量
- an
- 分析
- 分析
- 分析
- 分析
- 分析
- 和
- 异常检测
- 另一个
- 任何
- 应用
- 应用领域
- 应用的
- 的途径
- 四月
- 架构
- 保健
- AS
- 财富
- 资产管理
- 办公室文员:
- 相关
- At
- 自动化
- 自动
- 自动化
- 可使用
- 避免
- AWS
- AWS胶水
- 背部
- 酒吧
- 基于
- BE
- 成为
- 很
- before
- 最佳
- 更好
- 之间
- 大
- 大数据运用
- 书
- 都
- 半身裙/裤
- 瞻
- 带来
- 更广泛
- 缓冲
- 建立
- 建筑物
- 建立
- 建
- 商业
- 业务发展
- 但是
- by
- CAN
- 可以得到
- 捕获
- 案件
- 例
- 检索目录
- 原因
- 原因
- Center
- 中心
- 挑战
- 图表
- 图表
- 聊天室
- 选择
- 选择
- 分类
- 关闭
- 云端技术
- 码
- 收藏
- 结合
- 结合
- 结合
- 未来
- 相当常见
- 社体的一部分
- 完成
- 复杂
- 概念
- 流程条件
- 确认
- 分享链接
- 连接方式
- 安慰
- 消耗
- 包含
- 包含
- 连续
- 控制
- 可以
- 履带
- 创建信息图
- 创建
- 创建
- 创建
- 合作伙伴
- 定制
- 定制
- 周期
- XNUMX月XNUMX日
- data
- 数据分析
- 数据湖
- 数据科学
- 数据科学家
- 数据库
- 日期
- 一年中的
- 首次亮相
- 决定
- 默认
- 交付
- 提升
- 交货
- 演示
- 根据
- 部署
- 定金
- 描述
- 描述
- 设计
- 期望
- 详细
- 详情
- 检测
- 开发
- 研发支持
- 设备
- 设备
- 不同
- 直接
- 通过各种方式找到
- 分配
- 分
- 不会
- 停机
- 动态
- 每
- 此前
- 容易
- 边缘
- 编辑
- 只
- 效率
- 高效
- 有效
- 或
- enable
- 启用
- 使
- 端至端
- 工程师
- 丰富
- 充实
- 输入
- 企业
- 企业
- 环境中
- 设备
- 错误
- 活动
- 事件
- 例子
- 例子
- 独家
- 现有
- 扩大
- 体验
- 体验
- 说明
- 探索
- 出口
- 广泛
- 丰富的经验
- 失败
- 家庭
- 反馈
- 少数
- 部分
- 字段
- 终于
- 找到最适合您的地方
- (名字)
- 舰队
- 地板
- 重点
- 重点
- 遵循
- 以下
- 针对
- 格式
- 频率
- 频繁
- 止
- Gain增益
- 网关
- 生成
- 产生
- 得到
- 特定
- 玻璃
- 团队
- 指南
- 发生
- 有
- he
- 健康管理
- 健康
- 帮助
- 帮助
- 帮助
- 相关信息
- 高水平
- 创新中心
- How To
- HTML
- HTTPS
- IBM
- ICON
- 鉴定
- 身分
- 失调
- 实施
- 履行
- 改善
- in
- 深入
- 包括
- 包括
- 来电
- 产业
- 行业中的应用:
- info
- 信息
- 基础设施
- 原来
- 可行的洞见
- 安装
- 分期付款
- 例
- 整合
- 集成
- 积分
- 网络
- 物联网
- 路口
- 成
- 参与
- 物联网
- ISO
- 问题
- IT
- 它的
- 加入
- JPG
- JSON
- 敏锐
- 键
- 键
- Kinesis 数据流水线
- Kinesis 数据流
- 知道
- 湖泊
- 大
- 潜伏
- 最新
- 推出
- 学习用品
- 学习
- Level
- 借力
- 极限
- 有限
- 线
- 链接
- 生活
- 实时数据
- 位于
- 圖書分館的位置
- 寻找
- 机
- 机器学习
- 机械
- 主要
- 保持
- 保养
- 主要
- 使
- 管理
- 管理
- 颠覆性技术
- 经理
- 经理
- 管理的
- 制造业
- 许多
- 生产力
- 可能..
- 衡量
- 机械
- 中等
- 菜单
- 元数据
- 可能
- 分钟
- 失踪
- ML
- 联络号码
- 移动应用
- 模型
- 模型
- 模式
- 修改
- 时刻
- 显示器
- 监控
- 个月
- 更多
- 更高效
- 最先进的
- 多
- 姓名
- 导航
- 旅游导航
- 必要
- 需求
- 需要
- 网络
- 全新
- 下页
- 现在
- 数
- 对象
- 获得
- of
- on
- 一
- 仅由
- 打开
- 操作
- 操作
- 操作
- 操作
- 运营
- 运营商
- ZAP优势
- 优化
- or
- 秩序
- 订单
- 组织
- 其他名称
- 我们的
- 产量
- 学校以外
- 超过
- 最划算
- 大修
- 己
- 页
- 面包
- 面板
- 面板
- 部分
- 多情
- 过去
- 径
- 演出
- 性能
- 执行
- 定期
- 允许
- 权限
- 计划
- 规划行程
- Plants
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 政策
- 位置
- 职位
- 可能
- 帖子
- 潜力
- 功率
- 在练习上
- 预测分析
- 首选
- 先决条件
- 以前
- 校长
- 优先
- 主动
- 过程
- 过程
- 处理
- 生产
- 产品
- 产品经理
- 产品质量
- 生产
- 核心产品
- 项目
- 项目
- 提供
- 提供
- 提供
- 规定
- 出版
- 目的
- 质量
- 很快
- 范围
- 范围
- RE
- 阅读
- 实时的
- 原因
- 最近
- 记录
- 减少
- 地区
- 经常
- 加强
- 可靠性
- 可靠
- 留
- 遗迹
- 更换
- 报告
- 业务报告
- 谐振
- 资源
- 成果
- 风险
- 角色
- 房间数
- 根
- 行
- 运行
- 运行
- s
- 同
- 树液
- 鳞片
- 科学
- 科学家
- 范围
- 部分
- 部分
- 安全
- 保安
- 选
- 选择
- 发送
- 传感器
- 系列
- 服务
- 特色服务
- 集
- 设置
- 格局
- 几个
- Share
- 共用的,
- 商城
- 应该
- 显示
- 如图
- 作品
- 显著
- 类似
- 简易
- 自
- 单
- 网站
- 网站
- 尺寸
- So
- 软件
- 方案,
- 解决方案
- 一些
- 来源
- 来源
- 专家
- 专业
- 指定
- 花
- 花费
- 标准
- 明星
- 开始
- 初创公司
- 开始
- 州/领地
- 州
- 统计
- 统计
- Status
- 留
- 步
- 步骤
- 仍
- 存储
- 商店
- 善用
- 策略
- 流
- 精简
- 流
- 成功
- 这样
- 概要
- SUPPORT
- 支持
- 系统
- 产品
- 表
- 针对
- 任务
- 团队
- 队
- 文案
- 专业技术
- 比
- 谢谢
- 这
- 国家
- 其
- 那里。
- 因此
- 博曼
- 他们
- 事
- 第三方
- Free Introduction
- 今年
- 三
- 次
- 时间序列
- 时间表
- 时间戳
- 至
- 工具
- 最佳
- 返回顶部
- 主题
- 合计
- 跟踪时
- 产品培训
- 转让
- 过渡
- 转换
- 旅游
- 触发
- 引发
- 类型
- 理解
- 更新
- 正常运行时间
- 使用
- 用过的
- 用户
- 用户
- 运用
- v1
- 各个
- 通过
- 视频
- 查看
- vs
- 等待
- 演练
- 警告
- 是
- 方法
- we
- 卷筒纸
- Web服务
- 井
- 为
- 什么是
- 这
- 而
- WHO
- 全
- 宽
- 大范围
- 将
- 工作
- 工作
- 工作流程
- 工作组
- 合作
- 全世界
- 年
- 完全
- 您一站式解决方案
- YouTube的
- 和风网