Ennustav hooldus on andmepõhine hooldusstrateegia tööstusvarade jälgimiseks, et tuvastada seadmete töös ja tervises esinevaid kõrvalekaldeid, mis võivad põhjustada seadmete rikkeid. Vara seisukorra ennetava jälgimise abil saab hoolduspersonali hoiatada enne probleemide ilmnemist, vältides sellega kulukaid planeerimata seisakuid, mis omakorda suurendab seadmete üldist tõhusust (OEE).
Ennustatavaks hoolduseks vajalike masinõppemudelite (ML) loomine on aga keeruline ja aeganõudev. See nõuab mitut etappi, sealhulgas andmete eeltöötlemist, loomist, koolitust, hindamist ja seejärel mitme ML-mudeli peenhäälestamist, mis suudavad teie vara andmetes anomaaliaid usaldusväärselt ennustada. Valmis ML-mudelid tuleb seejärel kasutusele võtta ja varustada reaalajas andmetega veebipõhiste prognooside tegemiseks (järelduste tegemiseks). Selle protsessi skaleerimine mitmele erinevat tüüpi ja erinevat tüüpi tegevusprofiiliga varadele on sageli liiga ressursimahukas, et muuta prognoositava hoolduse laiem kasutuselevõtt elujõuliseks.
koos Amazon Lookout seadmete jaoks, saate oma tööstusseadmete andurite andmeid sujuvalt analüüsida, et tuvastada masina ebanormaalne käitumine – ilma ML-i kogemuseta.
Kui kliendid rakendavad rakendusega Lookout for Equipment ennustavaid hoolduskasutusjuhtumeid, valivad nad projekti elluviimiseks tavaliselt kolme võimaluse vahel: ehitage see ise, tehke koostööd AWS-i partneriga või kasutage AWS-i professionaalseid teenuseid. Enne sellistele projektidele pühendumist soovivad otsustajad, nagu tehaste juhid, töökindlus- või hooldusjuhid ja liinijuhid, näha tõendeid potentsiaalse väärtuse kohta, mida ennustav hooldus võib nende ärivaldkondades avastada. Selline hindamine viiakse tavaliselt läbi kontseptsiooni tõestamise (POC) osana ja see on ärijuhtumi aluseks.
See postitus on suunatud nii tehnilistele kui ka mittetehnilistele kasutajatele: see pakub tõhusat lähenemisviisi Lookout for Equipmenti hindamiseks teie enda andmete põhjal, võimaldades teil hinnata selle pakutavat ärilist väärtust teie prognoositavatele hooldustoimingutele.
Lahenduse ülevaade
Selles postituses juhendame teid seadmetes Lookout for Equipment andmestiku sissevõtmiseks, andurite andmete kvaliteedi ülevaatamiseks, mudeli koolitamiseks ja mudeli hindamiseks. Nende sammude täitmine aitab saada teavet teie seadmete seisundi kohta.
Eeldused
Kõik, mida vajate alustamiseks, on AWS-i konto ja anduriandmete ajalugu varade jaoks, mis võivad ennustavast hooldusviisist kasu saada. Anduri andmed tuleks salvestada CSV-failidena Amazoni lihtne salvestusteenus (Amazon S3) ämber teie kontolt. Teie IT-meeskond peaks suutma need eeldused täita, viidates Teie andmete vormindamine. Asjade lihtsuse huvides on kõige parem salvestada kõik andurite andmed ühte CSV-faili, kus read on ajatemplid ja veerud üksikud andurid (kuni 300).
Kui olete oma andmestiku Amazon S3-s saadaval, saate ülejäänud postitust jälgida.
Andmestiku lisamine
Lookout for Equipment kasutab projekte, et korraldada ressursse tööstusseadmete tükkide hindamiseks. Uue projekti loomiseks toimige järgmiselt.
- Valige konsoolil Lookout for Equipment Loo projekt.
- Sisestage projekti nimi ja valige Loo projekt.
Pärast projekti loomist saate alla laadida andmestiku, mida kasutatakse anomaaliate tuvastamise mudeli koolitamiseks ja hindamiseks.
- Valige projekti lehel Andmestiku lisamine.
- eest S3 asukoht, sisestage oma andmete S3 asukoht (välja arvatud failinimi).
- eest Skeemi tuvastamise meetodvalige Failinime järgi, mis eeldab, et kõik vara anduriandmed sisalduvad ühes CSV-failis määratud S3 asukohas.
- Jätke muud sätted vaikeseadeteks ja valige Alusta allaneelamist allaneelamisprotsessi alustamiseks.
Allaneelamine võib võtta umbes 10–20 minutit. Taustal täidab Lookout for Equipment järgmisi ülesandeid.
- See tuvastab andmete struktuuri, näiteks andurite nimed ja andmetüübid.
- Andurite vahelised ajatemplid joondatakse ja puuduvad väärtused täidetakse (kasutades viimast teadaolevat väärtust).
- Dubleerivad ajatemplid eemaldatakse (säilitatakse ainult iga ajatempli viimane väärtus).
- Lookout for Equipment kasutab ML-anomaalia tuvastamise mudeli koostamiseks mitut tüüpi algoritme. Allaneelamise faasis valmistab see andmed ette, et neid saaks kasutada nende erinevate algoritmide treenimiseks.
- See analüüsib mõõteväärtusi ja hindab iga anduri kõrge, keskmise või madala kvaliteediga.
- Kui andmestiku allaneelamine on lõpetatud, kontrollige seda valides Kuva andmestik projekti lehe 2. sammu all.
Anomaaliate tuvastamise mudeli loomisel on parimate andurite (need, mis sisaldavad kõrgeima andmekvaliteediga) valimine sageli kriitilise tähtsusega koolitusmudelite jaoks, mis annavad praktilisi teadmisi. The Andmestiku üksikasjad jaotis näitab andurite klasside jaotust (kõrge, keskmise ja madala vahel), samas kui tabelis kuvatakse teave iga anduri kohta eraldi (sh anduri nimi, kuupäevavahemik ja anduri andmete klassifikatsioon). Selle üksikasjaliku aruande abil saate teha teadliku otsuse selle kohta, milliseid andureid oma mudelite koolitamiseks kasutate. Kui suur osa teie andmestiku anduritest on hinnatud keskmiseks või madalaks, võib tegemist olla andmetega, mis vajavad uurimist. Vajadusel saate andmefaili Amazon S3 uuesti üles laadida ja valides andmed uuesti alla laadida Asenda andmestik.
Valides üksikasjade tabelist anduri hinde kirje, saate vaadata üksikasju valideerimisvigade kohta, mille tulemuseks on antud hind. Nende üksikasjade kuvamine ja käsitlemine aitab tagada mudelile edastatava teabe kõrge kvaliteedi. Näiteks võite näha, et signaalil on ootamatult suur hulk puuduvaid väärtusi. Kas see on andmeedastuse probleem või andur ei tööta? Aeg oma andmetesse sügavamale sukelduda!
Erinevat tüüpi andurite probleemide kohta lisateabe saamiseks vaadake jaotist Lookout for Equipment aadressid andurite liigitamisel. Andurite hinnete hindamine. Arendajad saavad neid teadmisi välja võtta ka kasutades ListSensorStatistics API.
Kui olete oma andmestikuga rahul, võite liikuda järgmise sammu juurde, et välja õpetada anomaaliate ennustamise mudel.
Treeni modelli
Lookout for Equipment võimaldab treenida mudeleid konkreetsete andurite jaoks. See annab teile paindlikkuse katsetada erinevate andurite kombinatsioonidega või välistada madala klassifikatsiooniga andureid. Tehke järgmised sammud.
- aasta Üksikasjad anduri järgi Andmestiku lehe jaotises valige oma mudelisse kaasatavad andurid ja valige Loo mudel.
- eest mudeli nimi, sisestage mudeli nimi ja seejärel valige järgmine.
- aasta Koolitus- ja hindamisseaded jaotises konfigureerige mudeli sisendandmed.
Mudelite tõhusaks koolitamiseks tuleb andmed jagada eraldi koolitus- ja hindamiskomplektideks. Selles jaotises saate määrata selle jaotuse kuupäevavahemikud koos andurite diskreetimissagedusega. Kuidas te selle jaotuse valite? Kaaluge järgmist.
- Lookout for Equipment ootab treeninguvahemikus vähemalt 3 kuud andmeid, kuid optimaalse andmemahu määrab teie kasutusjuht. Mis tahes tüüpi hooajalisuse või tootmistsüklite arvessevõtmiseks võib vaja minna rohkem andmeid.
- Hindamisvahemikus ei ole piiranguid. Soovitame siiski seadistada hindamisvahemiku, mis sisaldab teadaolevaid kõrvalekaldeid. Nii saate testida, kas Lookout for Equipment suudab jäädvustada kõiki huvipakkuvaid sündmusi, mis nende kõrvalekalleteni viivad.
Valimissageduse määramisega võtab Lookout for Equipment tõhusalt alla anduriandmete diskreetid, mis võib treeninguaega oluliselt vähendada. Ideaalne proovivõtusagedus sõltub andmetes kahtlustatavate kõrvalekallete tüüpidest: aeglaselt arenevate kõrvalekallete korral on tavaliselt hea lähtepunkt valida 1–10 minutiline proovivõtusagedus. Madalamate väärtuste valimine (proovivõtusageduse suurendamine) toob kaasa pikema treeninguaja, samas kui kõrgemad väärtused (madal diskreetimissagedus) lühendavad treeninguaega, riskides sellega, et teie andmetest lõigatakse välja peamised näitajad, mis on anomaaliate ennustamiseks olulised.
Kui soovite treenida ainult oma andmete asjakohaste osade kohta, kus tööstusseade töötas, saate teha väljalülitusaja tuvastamise, valides anduri ja määrates läve, mis näitab, kas seade oli sisse- või väljalülitatud olekus. See on kriitilise tähtsusega, kuna see võimaldab Lookout for Equipmentil välja filtreerida treeninguperioodid, kui masin on välja lülitatud. See tähendab, et mudel õpib tundma ainult asjakohaseid tööolekuid, mitte ainult siis, kui masin on välja lülitatud.
- Määrake oma puhkeaja tuvastamine ja seejärel valige järgmine.
Soovi korral saate lisada andmesildid, mis näitavad hooldusperioode või teadaolevaid seadmete rikkeaegu. Kui teil on sellised andmed saadaval, saate luua CSV-faili andmetega jaotises a dokumenteeritud vormingus, laadige see Amazon S3-sse ja kasutage seda mudelitreeningutel. Siltide lisamine võib parandada koolitatud mudeli täpsust, teatades Lookout for Equipmentile, kust ta peaks teadaolevaid kõrvalekaldeid leidma.
- Määrake andmesildid ja seejärel valige järgmine.
- Viimases etapis vaadake oma seaded üle. Kui kõik tundub korras, võite alustada koolitust.
Sõltuvalt teie andmestiku suurusest, andurite arvust ja diskreetimissagedusest võib mudeli treenimine võtta mõne hetke või kuni paar tundi. Näiteks kui kasutate 1 aasta andmeid 5-minutilise diskreetimissagedusega 100 anduri ja ilma siltideta, võtab mudeli koolitamine vähem kui 15 minutit. Teisest küljest, kui teie andmed sisaldavad palju silte, võib treeninguaeg oluliselt pikeneda. Sellises olukorras saate treeninguaega lühendada, ühendades kõrvuti asetsevad sildiperioodid, et nende arvu vähendada.
Olete just välja õpetanud oma esimese anomaaliate tuvastamise mudeli ilma ML-teadmisteta! Nüüd vaatame teadmisi, mida saate koolitatud modellilt.
Hinnake koolitatud mudelit
Kui modellikoolitus on lõppenud, saate valida mudeli üksikasju Vaata mudeleid projekti lehel ja valides seejärel mudeli nime.
Lisaks üldisele teabele, nagu nimi, olek ja treeningaeg, võtab mudeli leht kokku mudeli toimivusandmed, nagu tuvastatud märgistatud sündmuste arv (eeldusel, et esitasite sildid), keskmine ettehoiatusaeg ja väljaspool sildi vahemikud. Järgmine ekraanipilt näitab näidet. Parema nähtavuse huvides visualiseeritakse tuvastatud sündmused (punased ribad lindi ülaosas) koos märgistatud sündmustega (sinised ribad lindi allosas).
Saate valida tuvastatud sündmused, valides lisateabe saamiseks ajaskaala vaates anomaaliaid tähistavad punased alad. See sisaldab:
- Sündmuse algus- ja lõppajad koos kestusega.
- Lintdiagramm anduritega, mis mudeli arvates on anomaalia põhjuse jaoks kõige asjakohasemad. Protsentuaalsed hinded näitavad arvutatud üldist panust.
Need ülevaated võimaldavad teil teha koostööd oma protsessi- või töökindluse inseneridega, et teha täiendavat sündmuste algpõhjuste hindamist ja lõppkokkuvõttes optimeerida hooldustoiminguid, vähendada planeerimata seisakuid ja tuvastada mitteoptimaalsed töötingimused.
Ennustava hoolduse toetamiseks reaalajas ülevaate (järelduste) abil toetab Lookout for Equipment võrguandmete reaalajas hindamist järelduste ajakavade kaudu. See eeldab, et andurite andmed laaditakse perioodiliselt Amazon S3-sse ja seejärel teeb Lookout for Equipment andmete põhjal koolitatud mudeliga järeldusi, pakkudes reaalajas anomaaliate hindamist. Järelduste tulemusi, sealhulgas tuvastatud anomaalsete sündmuste ajalugu, saab vaadata konsoolil Lookout for Equipment.
Tulemused kirjutatakse ka Amazon S3 failidesse, mis võimaldab integreerida teiste süsteemidega, näiteks arvutipõhise hoolduse haldussüsteemiga (CMMS), või teavitada operatiiv- ja hoolduspersonali reaalajas.
Kui suurendate oma Lookout for Equipmenti kasutuselevõttu, peate haldama suuremat hulka mudeleid ja järelduste ajakavasid. Selle protsessi lihtsamaks muutmiseks Järelduste ajakava leht loetleb kõik projekti jaoks hetkel konfigureeritud ajastajad ühes vaates.
Koristage
Kui olete teenuse Lookout for Equipment hindamise lõpetanud, soovitame kõik ressursid puhastada. Saate kustutada projekti Lookout for Equipment koos andmestiku ja kõigi loodud mudelitega, valides projekti, valides kustutamaja toimingu kinnitamine.
kokkuvõte
Selles postituses käsitlesime andmekogumi sissevõtmist teenuses Lookout for Equipment, selle mudeli väljaõpetamist ja selle toimivuse hindamist, et mõista väärtust, mida see üksikute varade jaoks võib avastada. Täpsemalt uurisime, kuidas Lookout for Equipment saab teavitada ennustavatest hooldusprotsessidest, mille tulemuseks on planeerimata seisakute vähenemine ja OEE kõrgem.
Kui jälgisite oma andmeid ja olete põnevil Lookout for Equipmenti kasutamise väljavaadetest, on järgmise sammuna alustada pilootprojektiga oma IT-organisatsiooni, peamiste partnerite või meie AWS-i professionaalsete teenuste meeskondade toel. See piloot peaks olema suunatud piiratud arvule tööstusseadmetele ja seejärel suurendama seda, et lõpuks hõlmata kõik prognoositava hoolduse ulatusse kuuluvad varad.
Autoritest
Johann Füchsl on Amazon Web Servicesi lahenduste arhitekt. Ta juhendab töötleva tööstuse ettevõttekliente AI/ML kasutusjuhtude juurutamisel, kaasaegsete andmearhitektuuride kujundamisel ja pilvepõhiste lahenduste loomisel, mis pakuvad käegakatsutavat äriväärtust. Johannil on matemaatika ja kvantitatiivse modelleerimise taust, mille ta ühendab 10-aastase IT-alase kogemusega. Töövälisel ajal meeldib talle perega aega veeta ja looduses viibida.
Michael Hoarau on AWS-i tööstusliku AI/ML spetsialisti lahenduste arhitekt, kes olenevalt hetkest töötab vaheldumisi andmeteadlase ja masinõppearhitekti vahel. Ta on kirglik tehisintellekti/ML-i võimsuse toomise vastu oma tööstusklientide poodidele ja on töötanud mitmesuguste ML-i kasutusjuhtudega, alates anomaaliate tuvastamisest kuni ennustava tootekvaliteedi või tootmise optimeerimiseni. Kui ta ei aita klientidel välja töötada parimaid masinõppekogemusi, naudib ta tähtede jälgimist, reisimist või klaverit.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/