Konserwacja predykcyjna to strategia konserwacji oparta na danych, służąca do monitorowania zasobów przemysłowych w celu wykrywania anomalii w działaniu i stanie sprzętu, które mogą prowadzić do awarii sprzętu. Dzięki proaktywnemu monitorowaniu stanu zasobów, personel konserwacyjny może zostać ostrzeżony przed wystąpieniem problemów, unikając w ten sposób kosztownych nieplanowanych przestojów, co z kolei prowadzi do wzrostu ogólnej efektywności sprzętu (OEE).
Jednak budowanie niezbędnych modeli uczenia maszynowego (ML) do konserwacji zapobiegawczej jest złożone i czasochłonne. Wymaga kilku kroków, w tym wstępnego przetwarzania danych, budowania, trenowania, oceny, a następnie dostrajania wielu modeli ML, które mogą niezawodnie przewidywać anomalie w danych zasobu. Gotowe modele ML należy następnie wdrożyć i dostarczyć dane na żywo do prognoz online (wnioskowanie). Skalowanie tego procesu do wielu zasobów różnych typów i profili operacyjnych często wymaga zbyt dużych zasobów, aby możliwe było szersze zastosowanie konserwacji zapobiegawczej.
Z Amazon Lookout dla sprzętu, możesz bezproblemowo analizować dane z czujników swojego sprzętu przemysłowego w celu wykrycia nieprawidłowego zachowania maszyny — bez konieczności posiadania doświadczenia w zakresie uczenia maszynowego.
Kiedy klienci wdrażają przypadki użycia konserwacji predykcyjnej za pomocą Lookout for Equipment, zwykle wybierają jedną z trzech opcji realizacji projektu: samodzielnie go zbudować, współpracować z partnerem AWS lub skorzystać z profesjonalnych usług AWS. Przed zaangażowaniem się w takie projekty decydenci, tacy jak kierownicy zakładów, kierownicy ds. niezawodności lub konserwacji oraz liderzy liniowi, chcą zobaczyć dowody na potencjalną wartość, jaką konserwacja zapobiegawcza może odkryć w ich branżach. Taka ocena jest zwykle przeprowadzana w ramach weryfikacji koncepcji (POC) i stanowi podstawę uzasadnienia biznesowego.
Ten post jest skierowany zarówno do użytkowników technicznych, jak i nietechnicznych: przedstawia skuteczne podejście do oceny Lookout for Equipment na podstawie własnych danych, co pozwala ocenić wartość biznesową, jaką wnosi do działań związanych z konserwacją zapobiegawczą.
Omówienie rozwiązania
W tym poście przeprowadzimy Cię przez procedurę pozyskiwania zestawu danych w usłudze Lookout for Equipment, przeglądania jakości danych z czujników, uczenia modelu i oceniania modelu. Wykonanie tych kroków pomoże uzyskać wgląd w stan sprzętu.
Wymagania wstępne
Wszystko, czego potrzebujesz, aby rozpocząć, to konto AWS i historia danych z czujników dla zasobów, które mogą skorzystać z podejścia do konserwacji zapobiegawczej. Dane z czujnika powinny być przechowywane jako pliki CSV w formacie Usługa Amazon Simple Storage (Amazon S3) z Twojego konta. Twój zespół IT powinien być w stanie spełnić te wymagania wstępne, odwołując się do Formatowanie danych. Aby uprościć sprawę, najlepiej przechowywać wszystkie dane z czujników w jednym pliku CSV, w którym wiersze to znaczniki czasu, a kolumny to poszczególne czujniki (do 300).
Gdy zestaw danych będzie dostępny w Amazon S3, możesz śledzić resztę tego postu.
Dodaj zbiór danych
Lookout for Equipment wykorzystuje projekty do organizowania zasobów do oceny elementów wyposażenia przemysłowego. Aby utworzyć nowy projekt, wykonaj następujące kroki:
- W konsoli Lookout for Equipment wybierz Utwórz projekt.
- Wprowadź nazwę projektu i wybierz Utwórz projekt.
Po utworzeniu projektu można pozyskać zestaw danych, który będzie używany do uczenia i oceny modelu pod kątem wykrywania anomalii.
- Na stronie projektu wybierz Dodaj zbiór danych.
- W razie zamówieenia projektu Lokalizacja S3, wprowadź lokalizację S3 (bez nazwy pliku) swoich danych.
- W razie zamówieenia projektu Metoda wykrywania schematów, Wybierz Według nazwy pliku, która zakłada, że wszystkie dane z czujników dla zasobu są zawarte w jednym pliku CSV w określonej lokalizacji S3.
- Pozostaw inne ustawienia jako domyślne i wybierz Rozpocznij połykanie aby rozpocząć proces przyjmowania.
Połknięcie może zająć około 10–20 minut. W tle Lookout for Equipment wykonuje następujące zadania:
- Wykrywa strukturę danych, taką jak nazwy czujników i typy danych.
- Sygnatury czasowe między czujnikami są wyrównane, a brakujące wartości są uzupełniane (przy użyciu ostatniej znanej wartości).
- Zduplikowane znaczniki czasu są usuwane (zachowana jest tylko ostatnia wartość dla każdego znacznika czasu).
- Lookout for Equipment wykorzystuje wiele typów algorytmów do budowania modelu wykrywania anomalii ML. Podczas fazy przetwarzania przygotowuje dane, aby można je było wykorzystać do szkolenia tych różnych algorytmów.
- Analizuje wartości pomiarowe i klasyfikuje każdy czujnik jako wysoką, średnią lub niską jakość.
- Po zakończeniu pozyskiwania zestawu danych sprawdź go, wybierając Wyświetl zbiór danych w kroku 2 strony projektu.
Podczas tworzenia modelu wykrywania anomalii wybór najlepszych czujników (zawierających dane o najwyższej jakości) jest często krytyczny dla modeli szkoleniowych, które dostarczają przydatnych informacji. The Szczegóły zbioru danych Sekcja pokazuje rozkład ocen czujnika (między wysoką, średnią i niską), podczas gdy tabela wyświetla informacje o każdym czujniku z osobna (w tym nazwę czujnika, zakres dat i ocenę danych czujnika). Dzięki temu szczegółowemu raportowi możesz podjąć świadomą decyzję o tym, których czujników użyjesz do trenowania swoich modeli. Jeśli duża część czujników w Twoim zbiorze danych ma średnią lub niską ocenę, być może wystąpił problem z danymi wymagający zbadania. W razie potrzeby możesz ponownie przesłać plik danych do usługi Amazon S3 i ponownie pobrać dane, wybierając opcję Zastąp zestaw danych.
Wybierając pozycję oceny czujnika w tabeli szczegółów, możesz przejrzeć szczegółowe informacje na temat błędów walidacji wynikających z danej oceny. Wyświetlanie i adresowanie tych szczegółów pomoże zapewnić wysoką jakość informacji dostarczanych do modelu. Na przykład możesz zobaczyć, że sygnał ma nieoczekiwane duże fragmenty brakujących wartości. Czy jest to problem z przesyłaniem danych, czy też czujnik działał nieprawidłowo? Czas zagłębić się w swoje dane!
Aby dowiedzieć się więcej o różnych typach problemów z czujnikami, Wyszukiwanie adresów sprzętu podczas oceniania czujników, patrz Ocena ocen czujnika. Deweloperzy mogą również wyodrębnić te informacje za pomocą Interfejs API ListSensorStatistics.
Gdy jesteś zadowolony ze swojego zestawu danych, możesz przejść do następnego kroku uczenia modelu do przewidywania anomalii.
Wytrenuj model
Lookout for Equipment umożliwia szkolenie modeli dla określonych czujników. Daje to swobodę eksperymentowania z różnymi kombinacjami czujników lub wykluczania czujników o niskim stopniu oceny. Wykonaj następujące kroki:
- W Szczegóły według czujnika sekcji na stronie zestawu danych, wybierz czujniki, które chcesz uwzględnić w swoim modelu, i wybierz Utwórz model.
- W razie zamówieenia projektu Nazwa modelu, wprowadź nazwę modelu, a następnie wybierz Następna.
- W Ustawienia szkolenia i oceny w sekcji skonfiguruj dane wejściowe modelu.
Aby skutecznie trenować modele, dane należy podzielić na osobne zestawy szkoleniowe i ewaluacyjne. W tej sekcji możesz zdefiniować zakresy dat dla tego podziału wraz z częstotliwością próbkowania dla czujników. Jak wybrać ten podział? Rozważ następujące:
- Lookout for Equipment oczekuje danych z zakresu szkoleniowego z co najmniej 3 miesięcy, ale optymalna ilość danych zależy od przypadku użycia. Więcej danych może być potrzebnych do uwzględnienia wszelkiego rodzaju sezonowości lub cykli operacyjnych, przez które przechodzi Twoja produkcja.
- Nie ma ograniczeń co do zakresu oceny. Zalecamy jednak skonfigurowanie zakresu oceny, który obejmuje znane anomalie. W ten sposób możesz sprawdzić, czy funkcja Lookout for Equipment jest w stanie wychwycić interesujące zdarzenia prowadzące do tych anomalii.
Określając częstotliwość próbkowania, Lookout for Equipment skutecznie zmniejsza próbkowanie danych z czujnika, co może znacznie skrócić czas szkolenia. Idealna częstotliwość próbkowania zależy od typów anomalii, które podejrzewasz w swoich danych: w przypadku anomalii o powolnym trendzie wybranie częstotliwości próbkowania w zakresie od 1 do 10 minut jest zwykle dobrym punktem wyjścia. Wybór niższych wartości (zwiększenie częstotliwości próbkowania) skutkuje dłuższymi czasami uczenia, natomiast wyższe wartości (mała częstotliwość próbkowania) skracają czas uczenia, ryzykując wycięciem z danych wskaźników wyprzedzających istotnych dla przewidywania anomalii.
Aby trenować tylko odpowiednie części danych, w których sprzęt przemysłowy działał, możesz przeprowadzić wykrywanie czasu wyłączenia, wybierając czujnik i definiując próg wskazujący, czy sprzęt był w stanie włączonym, czy wyłączonym. Ma to kluczowe znaczenie, ponieważ umożliwia usłudze Lookout for Equipment odfiltrowanie okresów czasu na szkolenie, gdy maszyna jest wyłączona. Oznacza to, że model uczy się tylko odpowiednich stanów operacyjnych, a nie tylko wtedy, gdy maszyna jest wyłączona.
- Określ wykrywanie czasu wolnego, a następnie wybierz Następna.
Opcjonalnie możesz dostarczyć etykiety danych, które wskazują okresy konserwacji lub znane czasy awarii sprzętu. Jeśli masz takie dane, możesz utworzyć plik CSV z danymi w formacie udokumentowany format, prześlij go do Amazon S3 i użyj go do szkolenia modeli. Dostarczenie etykiet może poprawić dokładność wytrenowanego modelu, informując oprogramowanie Lookout for Equipment, gdzie należy spodziewać się znalezienia znanych anomalii.
- Określ dowolne etykiety danych, a następnie wybierz Następna.
- Sprawdź ustawienia w ostatnim kroku. Jeśli wszystko wygląda dobrze, możesz rozpocząć trening.
W zależności od rozmiaru zestawu danych, liczby czujników i częstotliwości próbkowania uczenie modelu może potrwać od kilku chwil do kilku godzin. Na przykład, jeśli użyjesz danych z 1 roku przy 5-minutowej częstotliwości próbkowania ze 100 czujnikami i bez etykiet, uczenie modelu zajmie mniej niż 15 minut. Z drugiej strony, jeśli dane zawierają dużą liczbę etykiet, czas szkolenia może znacznie wzrosnąć. W takiej sytuacji można skrócić czas uczenia, łącząc sąsiednie okresy etykiet, aby zmniejszyć ich liczbę.
Właśnie wytrenowałeś swój pierwszy model wykrywania anomalii bez wiedzy o ML! Teraz przyjrzyjmy się wnioskom, które można uzyskać z przeszkolonego modelu.
Oceń wyszkolony model
Po zakończeniu uczenia modelu możesz wyświetlić szczegóły modelu, wybierając Zobacz modele na stronie projektu, a następnie wybierając nazwę modelu.
Oprócz ogólnych informacji, takich jak nazwa, stan i czas szkolenia, strona modelu podsumowuje dane dotyczące wydajności modelu, takie jak liczba wykrytych zdarzeń oznaczonych etykietami (zakładając, że etykiety zostały dostarczone), średni czas ostrzeżenia wstępnego oraz liczba nietypowych zdarzeń sprzętowych wykrytych poza zakresy etykiet. Poniższy zrzut ekranu przedstawia przykład. Dla lepszej widoczności wykryte zdarzenia są wizualizowane (czerwone paski na górze wstążki) wraz ze zdarzeniami oznaczonymi etykietami (niebieskie paski na dole wstążki).
Możesz wybrać wykryte zdarzenia, wybierając czerwone obszary reprezentujące anomalie w widoku osi czasu, aby uzyskać dodatkowe informacje. To zawiera:
- Godziny rozpoczęcia i zakończenia wydarzenia wraz z czasem jego trwania.
- Wykres słupkowy z czujnikami, które zdaniem modelu są najbardziej istotne dla przyczyny wystąpienia anomalii. Wyniki procentowe reprezentują obliczony ogólny wkład.
Te spostrzeżenia umożliwiają współpracę z inżynierami zajmującymi się procesem lub niezawodnością w celu dalszej oceny przyczyn źródłowych zdarzeń i ostatecznej optymalizacji działań konserwacyjnych, ograniczenia nieplanowanych przestojów i identyfikacji nieoptymalnych warunków pracy.
Aby wesprzeć konserwację zapobiegawczą dzięki wnioskom w czasie rzeczywistym, Lookout for Equipment obsługuje ocenę danych online na żywo za pomocą harmonogramów wnioskowania. Wymaga to okresowego przesyłania danych z czujników do Amazon S3, a następnie Lookout for Equipment przeprowadza wnioskowanie na podstawie danych za pomocą wytrenowanego modelu, zapewniając ocenę anomalii w czasie rzeczywistym. Wyniki wnioskowania, w tym historię wykrytych nietypowych zdarzeń, można przeglądać w konsoli Lookout for Equipment.
Wyniki są również zapisywane do plików w Amazon S3, co pozwala na integrację z innymi systemami, na przykład skomputeryzowanym systemem zarządzania utrzymaniem ruchu (CMMS) lub powiadamianie personelu operacyjnego i konserwacyjnego w czasie rzeczywistym.
W miarę zwiększania wdrażania funkcji Lookout for Equipment konieczne będzie zarządzanie większą liczbą modeli i harmonogramów wnioskowania. Aby ułatwić ten proces, w Harmonogramy wnioskowania zawiera listę wszystkich harmonogramów aktualnie skonfigurowanych dla projektu w jednym widoku.
Sprzątać
Po zakończeniu oceny Lookout for Equipment zalecamy wyczyszczenie wszelkich zasobów. Możesz usunąć projekt Lookout for Equipment wraz ze zbiorem danych i wszelkimi utworzonymi modelami, wybierając projekt, wybierając Usuńi potwierdzając działanie.
Podsumowanie
W tym poście omówiliśmy etapy pozyskiwania zestawu danych w usłudze Lookout for Equipment, trenowania na nim modelu i oceniania jego wydajności, aby zrozumieć wartość, jaką może on odkryć dla poszczególnych zasobów. W szczególności zbadaliśmy, w jaki sposób Lookout for Equipment może informować o procesach konserwacji zapobiegawczej, które skutkują redukcją nieplanowanych przestojów i wyższym OEE.
Jeśli postępowałeś z własnymi danymi i jesteś podekscytowany perspektywami korzystania z Lookout for Equipment, następnym krokiem jest rozpoczęcie projektu pilotażowego przy wsparciu działu IT, kluczowych partnerów lub naszych zespołów AWS Professional Services. Ten program pilotażowy powinien dotyczyć ograniczonej liczby urządzeń przemysłowych, a następnie zwiększyć skalę, aby ostatecznie objąć wszystkie aktywa objęte zakresem konserwacji zapobiegawczej.
O autorach
Johanna Fuchsla jest architektem rozwiązań w Amazon Web Services. Prowadzi klientów korporacyjnych z branży produkcyjnej we wdrażaniu przypadków użycia AI/ML, projektowaniu nowoczesnych architektur danych i budowaniu rozwiązań natywnych dla chmury, które zapewniają wymierną wartość biznesową. Johann ma doświadczenie w matematyce i modelowaniu ilościowym, które łączy z 10-letnim doświadczeniem w IT. Poza pracą lubi spędzać czas z rodziną i przebywać na łonie natury.
Michał Hoarau jest przemysłowym architektem rozwiązań AI/ML Specialist w AWS, który w zależności od chwili zmienia się między naukowcem danych a architektem uczenia maszynowego. Pasjonuje się wprowadzaniem mocy AI/ML do hal produkcyjnych swoich klientów przemysłowych i pracował nad szeroką gamą przypadków użycia ML, od wykrywania anomalii po predykcję jakości produktu lub optymalizację produkcji. Kiedy nie pomaga klientom w opracowywaniu kolejnych najlepszych doświadczeń związanych z uczeniem maszynowym, lubi obserwować gwiazdy, podróżować lub grać na pianinie.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/