La manutenzione predittiva è una strategia di manutenzione basata sui dati per il monitoraggio delle risorse industriali al fine di rilevare anomalie nelle operazioni e nello stato delle apparecchiature che potrebbero causare guasti alle apparecchiature. Attraverso il monitoraggio proattivo delle condizioni di un asset, il personale addetto alla manutenzione può essere avvisato prima che si verifichino problemi, evitando così costosi tempi di inattività non pianificati, che a loro volta portano a un aumento dell'efficacia complessiva dell'apparecchiatura (OEE).
Tuttavia, la creazione dei modelli di machine learning (ML) necessari per la manutenzione predittiva è complessa e richiede tempo. Richiede diversi passaggi, tra cui la pre-elaborazione dei dati, la creazione, l'addestramento, la valutazione e quindi la messa a punto di più modelli ML in grado di prevedere in modo affidabile le anomalie nei dati dell'asset. I modelli ML finiti devono quindi essere distribuiti e forniti con dati in tempo reale per le previsioni online (inferenza). La scalabilità di questo processo su più risorse di vari tipi e profili operativi richiede spesso un uso eccessivo delle risorse per consentire un'adozione più ampia della manutenzione predittiva.
Con Amazon Lookout per le attrezzature, puoi analizzare senza problemi i dati dei sensori per le tue apparecchiature industriali per rilevare comportamenti anomali della macchina, senza che sia richiesta alcuna esperienza di ML.
Quando i clienti implementano casi d'uso di manutenzione predittiva con Lookout for Equipment, in genere scelgono tra tre opzioni per consegnare il progetto: crearlo da soli, lavorare con un partner AWS o utilizzare AWS Professional Services. Prima di impegnarsi in tali progetti, i responsabili delle decisioni come i direttori di impianto, i responsabili dell'affidabilità o della manutenzione e i leader di linea vogliono vedere le prove del valore potenziale che la manutenzione predittiva può scoprire nelle loro linee di business. Tale valutazione viene solitamente eseguita come parte di un proof of concept (POC) ed è la base per un business case.
Questo post è rivolto sia agli utenti tecnici che a quelli non tecnici: fornisce un approccio efficace per valutare Lookout for Equipment con i tuoi dati, consentendoti di misurare il valore aziendale che fornisce alle tue attività di manutenzione predittiva.
Panoramica della soluzione
In questo post, ti guidiamo attraverso i passaggi per importare un set di dati in Lookout for Equipment, rivedere la qualità dei dati del sensore, addestrare un modello e valutare il modello. Il completamento di questi passaggi aiuterà a ricavare informazioni sullo stato di salute della tua attrezzatura.
Prerequisiti
Tutto ciò di cui hai bisogno per iniziare è un account AWS e una cronologia dei dati dei sensori per le risorse che possono trarre vantaggio da un approccio di manutenzione predittiva. I dati del sensore devono essere archiviati come file CSV in un file Servizio di archiviazione semplice Amazon (Amazon S3) dal tuo account. Il tuo team IT dovrebbe essere in grado di soddisfare questi prerequisiti facendo riferimento a Formattazione dei dati. Per semplificare le cose, è meglio archiviare tutti i dati del sensore in un file CSV in cui le righe sono timestamp e le colonne sono singoli sensori (fino a 300).
Una volta che il tuo set di dati è disponibile su Amazon S3, puoi seguire il resto di questo post.
Aggiungi un set di dati
Lookout for Equipment utilizza i progetti per organizzare le risorse per la valutazione di pezzi di attrezzature industriali. Per creare un nuovo progetto, completare i seguenti passaggi:
- Nella console Lookout for Equipment, scegli Crea progetto.
- Inserisci un nome per il progetto e scegli Crea progetto.
Dopo la creazione del progetto, puoi importare un set di dati che verrà usato per addestrare e valutare un modello per il rilevamento delle anomalie.
- Nella pagina del progetto, scegli Aggiungi set di dati.
- Nel Posizione S3, inserisci la posizione S3 (escluso il nome del file) dei tuoi dati.
- Nel Metodo di rilevamento dello schema, selezionare Per nome file, che presuppone che tutti i dati del sensore per un asset siano contenuti in un singolo file CSV nella posizione S3 specificata.
- Mantieni le altre impostazioni come predefinite e scegli Inizia l'ingestione per avviare il processo di ingestione.
L'ingestione può richiedere circa 10-20 minuti per essere completata. In background, Lookout for Equipment esegue le seguenti attività:
- Rileva la struttura dei dati, come i nomi dei sensori e i tipi di dati.
- I timestamp tra i sensori sono allineati e i valori mancanti sono riempiti (utilizzando l'ultimo valore noto).
- I timestamp duplicati vengono rimossi (viene mantenuto solo l'ultimo valore per ogni timestamp).
- Lookout for Equipment utilizza più tipi di algoritmi per creare il modello di rilevamento delle anomalie ML. Durante la fase di acquisizione, prepara i dati in modo che possano essere utilizzati per addestrare i diversi algoritmi.
- Analizza i valori di misurazione e classifica ciascun sensore come di alta, media o bassa qualità.
- Quando l'importazione del set di dati è completa, controllala scegliendo Visualizza set di dati nel passaggio 2 della pagina del progetto.
Quando si crea un modello di rilevamento delle anomalie, la selezione dei migliori sensori (quelli che contengono la massima qualità dei dati) è spesso fondamentale per addestrare i modelli che forniscono informazioni fruibili. IL Dettagli del set di dati La sezione mostra la distribuzione delle classificazioni dei sensori (tra alta, media e bassa), mentre la tabella mostra le informazioni su ciascun sensore separatamente (compreso il nome del sensore, l'intervallo di date e la classificazione per i dati del sensore). Con questo rapporto dettagliato, puoi prendere una decisione informata su quali sensori utilizzerai per addestrare i tuoi modelli. Se un'ampia percentuale di sensori nel tuo set di dati è classificata come media o bassa, potrebbe esserci un problema di dati che richiede un'indagine. Se necessario, puoi ricaricare il file di dati su Amazon S3 e importare nuovamente i dati scegliendo Sostituisci set di dati.
Scegliendo la voce del grado del sensore nella tabella dei dettagli, è possibile rivedere i dettagli sugli errori di convalida risultanti in un determinato grado. La visualizzazione e l'indirizzamento di questi dettagli contribuirà a garantire che le informazioni fornite al modello siano di alta qualità. Ad esempio, potresti vedere che un segnale ha grandi blocchi inaspettati di valori mancanti. Si tratta di un problema di trasferimento dati o il sensore non funziona correttamente? È ora di approfondire i tuoi dati!
Per ulteriori informazioni sui diversi tipi di problemi relativi ai sensori, Lookout for Equipment si rivolge durante la classificazione dei sensori, fare riferimento a Valutazione dei gradi del sensore. Gli sviluppatori possono anche estrarre queste informazioni utilizzando il file API ListSensorStatistics.
Quando sei soddisfatto del tuo set di dati, puoi passare alla fase successiva di addestramento di un modello per la previsione delle anomalie.
Addestra un modello
Lookout for Equipment consente l'addestramento di modelli per sensori specifici. Questo ti dà la flessibilità di sperimentare diverse combinazioni di sensori o escludere sensori con una classificazione bassa. Completa i seguenti passaggi:
- Nel Dettagli per sensore sezione nella pagina del set di dati, selezionare i sensori da includere nel modello e scegliere Crea modello.
- Nel Nome del modello, inserisci il nome di un modello, quindi scegli Avanti.
- Nel Impostazioni di formazione e valutazione sezione, configurare i dati di input del modello.
Per addestrare efficacemente i modelli, i dati devono essere suddivisi in set di addestramento e valutazione separati. È possibile definire gli intervalli di date per questa suddivisione in questa sezione, insieme a una frequenza di campionamento per i sensori. Come scegli questa divisione? Considera quanto segue:
- Lookout for Equipment prevede almeno 3 mesi di dati nell'intervallo di addestramento, ma la quantità ottimale di dati è determinata dal tuo caso d'uso. Potrebbero essere necessari più dati per tenere conto di qualsiasi tipo di stagionalità o cicli operativi attraversati dalla produzione.
- Non ci sono vincoli sull'intervallo di valutazione. Tuttavia, consigliamo di impostare un intervallo di valutazione che includa le anomalie note. In questo modo, puoi verificare se Lookout for Equipment è in grado di catturare eventuali eventi di interesse che portano a queste anomalie.
Specificando la frequenza di campionamento, Lookout for Equipment esegue efficacemente il downsampling dei dati del sensore, il che può ridurre notevolmente i tempi di addestramento. La frequenza di campionamento ideale dipende dai tipi di anomalie che si sospettano nei dati: per le anomalie a tendenza lenta, la selezione di una frequenza di campionamento compresa tra 1 e 10 minuti è in genere un buon punto di partenza. Scegliendo valori più bassi (aumentando la frequenza di campionamento) si ottengono tempi di addestramento più lunghi, mentre valori più alti (frequenza di campionamento bassa) accorciano il tempo di addestramento con il rischio di eliminare gli indicatori anticipatori dai dati rilevanti per la previsione delle anomalie.
Per l'addestramento solo su parti rilevanti dei tuoi dati in cui l'apparecchiatura industriale era in funzione, puoi eseguire il rilevamento del tempo di inattività selezionando un sensore e definendo una soglia che indichi se l'apparecchiatura era in uno stato acceso o spento. Questo è fondamentale perché consente a Lookout for Equipment di filtrare i periodi di tempo per l'addestramento quando la macchina è spenta. Ciò significa che il modello apprende solo gli stati operativi rilevanti e non solo quando la macchina è spenta.
- Specifica il tuo rilevamento del tempo libero, quindi scegli Avanti.
Facoltativamente, è possibile fornire etichette dati, che indicano i periodi di manutenzione o i tempi noti di guasto dell'apparecchiatura. Se disponi di tali dati, puoi creare un file CSV con i dati in a formato documentato, caricalo su Amazon S3 e utilizzalo per l'addestramento del modello. Fornire etichette può migliorare la precisione del modello addestrato indicando a Lookout per apparecchiature dove dovrebbe aspettarsi di trovare anomalie note.
- Specifica eventuali etichette dati, quindi scegli Avanti.
- Rivedi le tue impostazioni nel passaggio finale. Se tutto sembra a posto, puoi iniziare l'allenamento.
A seconda delle dimensioni del set di dati, del numero di sensori e della frequenza di campionamento, l'addestramento del modello può richiedere alcuni istanti o alcune ore. Ad esempio, se utilizzi 1 anno di dati a una frequenza di campionamento di 5 minuti con 100 sensori e nessuna etichetta, l'addestramento di un modello richiederà meno di 15 minuti. D'altra parte, se i dati contengono un numero elevato di etichette, il tempo di addestramento potrebbe aumentare in modo significativo. In una situazione del genere, è possibile ridurre il tempo di addestramento unendo periodi di etichette adiacenti per ridurne il numero.
Hai appena addestrato il tuo primo modello di rilevamento delle anomalie senza alcuna conoscenza ML! Ora diamo un'occhiata alle informazioni che puoi ottenere da un modello addestrato.
Valuta un modello addestrato
Al termine dell'addestramento del modello, è possibile visualizzare i dettagli del modello scegliendo Visualizza modelli nella pagina del progetto, quindi scegliendo il nome del modello.
Oltre alle informazioni generali come nome, stato e tempo di addestramento, la pagina del modello riepiloga i dati sulle prestazioni del modello come il numero di eventi etichettati rilevati (presupponendo che tu abbia fornito etichette), il tempo medio di preavviso e il numero di eventi anomali dell'apparecchiatura rilevati al di fuori di gli intervalli di etichette. Lo screenshot seguente mostra un esempio. Per una migliore visibilità, gli eventi rilevati vengono visualizzati (le barre rosse nella parte superiore del nastro) insieme agli eventi etichettati (le barre blu nella parte inferiore del nastro).
È possibile selezionare gli eventi rilevati scegliendo le aree rosse che rappresentano le anomalie nella visualizzazione della sequenza temporale per ottenere ulteriori informazioni. Ciò comprende:
- Gli orari di inizio e fine dell'evento insieme alla sua durata.
- Un grafico a barre con i sensori che il modello ritiene più rilevanti per il motivo per cui si è verificata un'anomalia. I punteggi percentuali rappresentano il contributo complessivo calcolato.
Queste informazioni ti consentono di lavorare con i tuoi ingegneri di processo o di affidabilità per eseguire un'ulteriore valutazione della causa principale degli eventi e, in ultima analisi, ottimizzare le attività di manutenzione, ridurre i tempi di inattività non pianificati e identificare condizioni operative non ottimali.
Per supportare la manutenzione predittiva con approfondimenti in tempo reale (inferenza), Lookout for Equipment supporta la valutazione in tempo reale dei dati online tramite programmi di inferenza. Ciò richiede che i dati del sensore vengano caricati periodicamente su Amazon S3, quindi Lookout for Equipment esegue l'inferenza sui dati con il modello addestrato, fornendo un punteggio delle anomalie in tempo reale. I risultati dell'inferenza, inclusa una cronologia degli eventi anomali rilevati, possono essere visualizzati nella console Lookout for Equipment.
I risultati vengono anche scritti su file in Amazon S3, consentendo l'integrazione con altri sistemi, ad esempio un sistema di gestione della manutenzione computerizzato (CMMS), o per notificare le operazioni e il personale di manutenzione in tempo reale.
Man mano che aumenti l'adozione di Lookout for Equipment, dovrai gestire un numero maggiore di modelli e pianificazioni di inferenza. Per facilitare questo processo, il Programmi di inferenza pagina elenca tutti gli schedulatori attualmente configurati per un progetto in un'unica vista.
ripulire
Quando hai finito di valutare Lookout for Equipment, ti consigliamo di ripulire tutte le risorse. È possibile eliminare il progetto Lookout for Equipment insieme al set di dati e a tutti i modelli creati selezionando il progetto, scegliendo Eliminae confermando l'azione.
Sommario
In questo post, abbiamo seguito le fasi di acquisizione di un set di dati in Lookout for Equipment, addestramento di un modello su di esso e valutazione delle sue prestazioni per comprendere il valore che può scoprire per le singole risorse. In particolare, abbiamo esplorato il modo in cui Lookout for Equipment può informare i processi di manutenzione predittiva che si traducono in tempi di inattività non pianificati ridotti e OEE più elevato.
Se hai seguito i tuoi dati e sei entusiasta delle prospettive di utilizzare Lookout for Equipment, il passaggio successivo consiste nell'avviare un progetto pilota, con il supporto della tua organizzazione IT, dei tuoi partner principali o dei nostri team di servizi professionali AWS. Questo progetto pilota dovrebbe mirare a un numero limitato di apparecchiature industriali e quindi aumentare la scala fino a includere infine tutte le risorse nell'ambito della manutenzione predittiva.
Circa gli autori
Johann Fuchsl è un architetto di soluzioni con Amazon Web Services. Guida i clienti aziendali nel settore manifatturiero nell'implementazione di casi d'uso AI/ML, nella progettazione di moderne architetture di dati e nella creazione di soluzioni cloud-native che offrono un valore aziendale tangibile. Johann ha un background in matematica e modellazione quantitativa, che combina con 10 anni di esperienza nell'IT. Al di fuori del lavoro, gli piace passare il tempo con la sua famiglia e stare nella natura.
Michael Hoarau è un Solution Architect industriale AI/ML Specialist presso AWS che si alterna tra data scientist e machine learning architect, a seconda del momento. È appassionato di portare la potenza di AI/ML nelle officine dei suoi clienti industriali e ha lavorato su un'ampia gamma di casi d'uso di ML, che vanno dal rilevamento delle anomalie alla qualità predittiva del prodotto o all'ottimizzazione della produzione. Quando non aiuta i clienti a sviluppare le prossime migliori esperienze di machine learning, gli piace osservare le stelle, viaggiare o suonare il pianoforte.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/