Prediktivno vzdrževanje je strategija vzdrževanja, ki temelji na podatkih, za spremljanje industrijskih sredstev z namenom odkrivanja nepravilnosti v delovanju in zdravju opreme, ki bi lahko povzročile okvare opreme. S proaktivnim spremljanjem stanja sredstva je vzdrževalno osebje mogoče opozoriti, preden se pojavijo težave, s čimer se izognemo dragim nenačrtovanim izpadom, kar posledično vodi do povečanja splošne učinkovitosti opreme (OEE).
Vendar je izgradnja potrebnih modelov strojnega učenja (ML) za napovedno vzdrževanje zapletena in dolgotrajna. Zahteva več korakov, vključno s predhodno obdelavo podatkov, gradnjo, usposabljanjem, ocenjevanjem in nato fino nastavitvijo več modelov ML, ki lahko zanesljivo napovejo anomalije v podatkih o vašem sredstvu. Končane modele ML je treba nato razmestiti in jim zagotoviti podatke v živo za spletne napovedi (sklepanje). Prilagoditev tega procesa na več sredstev različnih vrst in delovnih profilov pogosto zahteva preveč virov, da bi bilo širše sprejetje prediktivnega vzdrževanja izvedljivo.
z Amazon Lookout za opremo, lahko nemoteno analizirate podatke senzorjev za svojo industrijsko opremo, da zaznate nenormalno vedenje stroja – brez izkušenj z ML.
Ko stranke izvajajo primere uporabe predvidenega vzdrževanja z Lookout for Equipment, običajno izbirajo med tremi možnostmi za izvedbo projekta: zgradijo ga same, sodelujejo s partnerjem AWS ali uporabijo profesionalne storitve AWS. Preden se zavežejo k takšnim projektom, želijo nosilci odločanja, kot so vodje obratov, vodje zanesljivosti ali vzdrževanja in vodje linij, videti dokaze o potencialni vrednosti, ki jo lahko napovedno vzdrževanje odkrije v njihovih poslovnih linijah. Takšna ocena se običajno izvaja kot del dokazila koncepta (POC) in je osnova za poslovni primer.
Ta objava je namenjena tako tehničnim kot netehničnim uporabnikom: zagotavlja učinkovit pristop za ocenjevanje programa Lookout for Equipment z vašimi lastnimi podatki, kar vam omogoča, da ocenite poslovno vrednost, ki jo zagotavlja vašim napovednim vzdrževalnim dejavnostim.
Pregled rešitev
V tej objavi vas vodimo skozi korake za vnos nabora podatkov v Lookout for Equipment, pregled kakovosti podatkov senzorjev, usposabljanje modela in ovrednotenje modela. Dokončanje teh korakov vam bo pomagalo pridobiti vpogled v zdravje vaše opreme.
Predpogoji
Vse, kar potrebujete za začetek, je račun AWS in zgodovina podatkov senzorjev za sredstva, ki jim lahko koristi pristop prediktivnega vzdrževanja. Podatki senzorjev morajo biti shranjeni kot datoteke CSV v Preprosta storitev shranjevanja Amazon (Amazon S3) iz vašega računa. Vaša IT ekipa bi morala biti sposobna izpolniti te predpogoje s sklicevanjem na Oblikovanje vaših podatkov. Da bi stvari poenostavili, je najbolje, da vse podatke senzorjev shranite v eno datoteko CSV, kjer so vrstice časovni žigi, stolpci pa posamezni senzorji (do 300).
Ko imate svoj nabor podatkov na voljo na Amazon S3, lahko sledite preostanku te objave.
Dodajte nabor podatkov
Lookout for Equipment uporablja projekte za organiziranje virov za ocenjevanje delov industrijske opreme. Če želite ustvariti nov projekt, izvedite naslednje korake:
- Na konzoli Lookout for Equipment izberite Ustvarite projekt.
- Vnesite ime projekta in izberite Ustvarite projekt.
Ko je projekt ustvarjen, lahko vnesete nabor podatkov, ki bo uporabljen za usposabljanje in ovrednotenje modela za odkrivanje nepravilnosti.
- Na strani projekta izberite Dodajte nabor podatkov.
- za S3 lokacija, vnesite lokacijo S3 (razen imena datoteke) svojih podatkov.
- za Metoda odkrivanja shemetako, da izberete Po imenu datoteke, ki predvideva, da so vsi podatki senzorja za sredstvo vsebovani v eni sami datoteki CSV na določeni lokaciji S3.
- Ostale nastavitve obdržite kot privzete in izberite Začnite z zaužitjem za začetek postopka zaužitja.
Zaužitje lahko traja približno 10–20 minut. V ozadju Lookout for Equipment izvaja naslednje naloge:
- Zazna strukturo podatkov, kot so imena senzorjev in tipi podatkov.
- Časovni žigi med senzorji so poravnani in manjkajoče vrednosti so zapolnjene (z uporabo zadnje znane vrednosti).
- Podvojeni časovni žigi so odstranjeni (ohrani se samo zadnja vrednost za vsak časovni žig).
- Lookout for Equipment uporablja več vrst algoritmov za izdelavo modela za odkrivanje anomalij ML. Med fazo zaužitja pripravi podatke, tako da jih je mogoče uporabiti za usposabljanje teh različnih algoritmov.
- Analizira izmerjene vrednosti in vsak senzor oceni kot visoko, srednjo ali nizko kakovost.
- Ko je vnos nabora podatkov končan, ga preglejte tako, da izberete Ogled nabora podatkov pod korakom 2 na strani projekta.
Pri ustvarjanju modela za odkrivanje nepravilnosti je izbira najboljših senzorjev (tistih, ki vsebujejo najvišjo kakovost podatkov) pogosto ključnega pomena za usposabljanje modelov, ki zagotavljajo uporabne vpoglede. The Podrobnosti nabora podatkov razdelek prikazuje porazdelitev ocen senzorjev (med visoko, srednjo in nizko), medtem ko so v tabeli prikazane informacije o vsakem senzorju posebej (vključno z imenom senzorja, časovnim obsegom in oceno za podatke senzorja). S tem podrobnim poročilom se lahko premišljeno odločite, katere senzorje boste uporabili za usposabljanje svojih modelov. Če je velik delež senzorjev v vašem naboru podatkov ocenjen kot srednji ali nizek, je morda težava s podatki, ki jo je treba raziskati. Po potrebi lahko podatkovno datoteko znova naložite v Amazon S3 in znova zaužijete podatke tako, da izberete Zamenjajte nabor podatkov.
Če v tabeli s podrobnostmi izberete vnos ocene senzorja, lahko pregledate podrobnosti o napakah pri preverjanju, ki povzročijo določeno oceno. Prikazovanje in obravnavanje teh podrobnosti bo pomagalo zagotoviti visoko kakovost informacij, posredovanih modelu. Na primer, lahko vidite, da ima signal nepričakovane velike dele manjkajočih vrednosti. Je to težava pri prenosu podatkov ali je bil senzor v okvari? Čas je, da se poglobite v svoje podatke!
Če želite izvedeti več o različnih vrstah težav s senzorji, naslove Lookout for Equipment pri razvrščanju senzorjev v Ocenjevanje razredov senzorjev. Razvijalci lahko te vpoglede pridobijo tudi z uporabo ListSensorStatistics API.
Ko ste zadovoljni s svojim naborom podatkov, se lahko premaknete na naslednji korak usposabljanja modela za napovedovanje anomalij.
Usposobi model
Lookout for Equipment omogoča usposabljanje modelov za določene senzorje. To vam daje prilagodljivost, da eksperimentirate z različnimi kombinacijami senzorjev ali izključite senzorje z nizko stopnjo. Izvedite naslednje korake:
- v Podrobnosti po senzorju na strani z naborom podatkov izberite senzorje, ki jih želite vključiti v svoj model, in izberite Ustvari model.
- za Ime modela, vnesite ime modela in nato izberite Naslednji.
- v Nastavitve usposabljanja in vrednotenja konfigurirajte vhodne podatke modela.
Za učinkovito usposabljanje modelov je treba podatke razdeliti v ločene nize za usposabljanje in vrednotenje. V tem razdelku lahko določite časovna obdobja za to razdelitev, skupaj s stopnjo vzorčenja za senzorje. Kako izberete to razdelitev? Upoštevajte naslednje:
- Lookout for Equipment pričakuje vsaj 3 mesece podatkov v območju usposabljanja, vendar je optimalna količina podatkov odvisna od vašega primera uporabe. Morda bo potrebnih več podatkov za upoštevanje katere koli vrste sezonskosti ali operativnih ciklov, skozi katere gre vaša proizvodnja.
- Glede razpona ocenjevanja ni omejitev. Vendar priporočamo, da nastavite obseg ocenjevanja, ki vključuje znane anomalije. Na ta način lahko preizkusite, ali je Lookout for Equipment sposoben zajeti vse zanimive dogodke, ki vodijo do teh anomalij.
Z določitvijo stopnje vzorčenja Lookout for Equipment učinkovito zmanjša vzorčenje podatkov senzorja, kar lahko znatno skrajša čas usposabljanja. Idealna stopnja vzorčenja je odvisna od vrst anomalij, za katere sumite v svojih podatkih: za anomalije s počasnim trendom je izbira hitrosti vzorčenja med 1–10 minutami običajno dobro izhodišče. Izbira nižjih vrednosti (povečanje stopnje vzorčenja) ima za posledico daljše čase usposabljanja, medtem ko višje vrednosti (nizka stopnja vzorčenja) skrajšajo čas usposabljanja s tveganjem izločitve vodilnih indikatorjev iz vaših podatkov, pomembnih za napovedovanje anomalij.
Za usposabljanje samo na ustreznih delih vaših podatkov, kjer je industrijska oprema delovala, lahko izvedete zaznavanje časa izklopa tako, da izberete senzor in določite prag, ki kaže, ali je bila oprema v stanju vklopa ali izklopa. To je ključnega pomena, ker programu Lookout for Equipment omogoča filtriranje časovnih obdobij za vadbo, ko je naprava izklopljena. To pomeni, da se model nauči le ustreznih delovnih stanj in ne le, ko je stroj izklopljen.
- Določite zaznavanje časa izklopa in nato izberite Naslednji.
Po želji lahko zagotovite podatkovne oznake, ki označujejo obdobja vzdrževanja ali znane čase okvar opreme. Če imate takšne podatke na voljo, lahko ustvarite datoteko CSV s podatki v a dokumentirano obliko, ga naložite v Amazon S3 in ga uporabite za usposabljanje modelov. Zagotavljanje oznak lahko izboljša natančnost usposobljenega modela tako, da programu Lookout for Equipment sporoči, kje naj pričakuje znane anomalije.
- Določite morebitne podatkovne oznake in nato izberite Naslednji.
- V zadnjem koraku preverite svoje nastavitve. Če je vse v redu, lahko začnete s treningom.
Odvisno od velikosti nabora podatkov, števila senzorjev in stopnje vzorčenja lahko usposabljanje modela traja nekaj trenutkov ali do nekaj ur. Na primer, če uporabljate 1 leto podatkov pri 5-minutni frekvenci vzorčenja s 100 senzorji in brez oznak, bo usposabljanje modela trajalo manj kot 15 minut. Po drugi strani pa se lahko čas usposabljanja znatno poveča, če vaši podatki vsebujejo veliko število oznak. V takšni situaciji lahko skrajšate čas usposabljanja tako, da združite sosednja obdobja oznak, da zmanjšate njihovo število.
Pravkar ste usposobili svoj prvi model za odkrivanje nepravilnosti brez kakršnega koli znanja ML! Zdaj pa poglejmo vpoglede, ki jih lahko dobite od usposobljenega modela.
Ocenite usposobljeni model
Ko je usposabljanje modela končano, si lahko ogledate podrobnosti modela tako, da izberete Ogled modelov na strani projekta in nato izberite ime modela.
Poleg splošnih informacij, kot so ime, status in čas usposabljanja, stran modela povzema podatke o zmogljivosti modela, kot je število zaznanih označenih dogodkov (ob predpostavki, da ste navedli oznake), povprečni čas pred opozorilom in število nenormalnih dogodkov opreme, zaznanih zunaj oznaka obsega. Naslednji posnetek zaslona prikazuje primer. Za boljšo preglednost so zaznani dogodki prikazani (rdeče črte na vrhu traku) skupaj z označenimi dogodki (modre črte na dnu traku).
Za dodatne informacije lahko izberete zaznane dogodke tako, da izberete rdeča območja, ki predstavljajo anomalije, v pogledu časovne osi. To vključuje:
- Začetni in končni čas dogodka ter njegovo trajanje.
- Stolčni grafikon s senzorji, za katere model meni, da so najpomembnejši za razlog, zakaj je prišlo do anomalije. Odstotki točk predstavljajo izračunani skupni prispevek.
Ti vpogledi vam omogočajo, da skupaj s svojimi inženirji za procese ali zanesljivost izvedete nadaljnjo oceno temeljnega vzroka dogodkov in na koncu optimizirate vzdrževalne dejavnosti, zmanjšate nenačrtovane izpade in prepoznate neoptimalne pogoje delovanja.
Za podporo napovednega vzdrževanja z vpogledi v realnem času (sklepanje) Lookout for Equipment podpira vrednotenje spletnih podatkov v živo prek urnikov sklepanja. To zahteva, da se podatki senzorjev občasno naložijo v Amazon S3, nato pa Lookout for Equipment izvede sklepanje o podatkih z usposobljenim modelom, kar zagotavlja točkovanje anomalij v realnem času. Rezultate sklepanja, vključno z zgodovino odkritih nenormalnih dogodkov, si lahko ogledate na konzoli Lookout for Equipment.
Rezultati so zapisani tudi v datoteke v Amazon S3, kar omogoča integracijo z drugimi sistemi, na primer z računalniškim sistemom za upravljanje vzdrževanja (CMMS), ali za obveščanje operativnega in vzdrževalnega osebja v realnem času.
Ko boste povečali svojo uporabo Lookout for Equipment, boste morali upravljati večje število modelov in urnikov sklepanja. Da bi ta postopek olajšali, Urniki sklepanja stran navaja vse planerje, ki so trenutno konfigurirani za projekt, v enem pogledu.
Čiščenje
Ko končate z ocenjevanjem Lookout for Equipment, priporočamo, da počistite vse vire. Projekt Lookout for Equipment lahko izbrišete skupaj z naborom podatkov in vsemi modeli, ustvarjenimi tako, da izberete projekt in izberete Brisanjein potrditev dejanja.
Povzetek
V tej objavi smo se sprehodili skozi korake vnosa nabora podatkov v Lookout for Equipment, usposabljanja modela na njem in ocenjevanja njegove učinkovitosti, da bi razumeli vrednost, ki jo lahko odkrije za posamezna sredstva. Natančneje, raziskali smo, kako lahko Lookout for Equipment informira o postopkih predvidenega vzdrževanja, ki povzročijo zmanjšanje nenačrtovanih izpadov in višjo OEE.
Če ste sledili svojim lastnim podatkom in ste navdušeni nad možnostmi uporabe Lookout for Equipment, je naslednji korak začetek pilotnega projekta s podporo vaše organizacije IT, vaših ključnih partnerjev ali naših ekip za profesionalne storitve AWS. Ta pilotni projekt bi moral ciljati na omejeno število industrijske opreme in se nato razširiti, da bi sčasoma vključil vsa sredstva v obseg predvidenega vzdrževanja.
O avtorjih
Johann Füchsl je arhitekt rešitev pri Amazon Web Services. Podjetniške stranke v proizvodni industriji vodi pri uvajanju primerov uporabe AI/ML, oblikovanju sodobnih podatkovnih arhitektur in gradnji rešitev v oblaku, ki zagotavljajo otipljivo poslovno vrednost. Johann ima izkušnje s področja matematike in kvantitativnega modeliranja, ki jih združuje z 10-letnimi izkušnjami na področju IT. Izven službe rad preživlja čas z družino in je v naravi.
Michael Hoarau je industrijski arhitekt za rešitve AI/ML pri AWS, ki se spreminja med podatkovnim znanstvenikom in arhitektom strojnega učenja, odvisno od trenutka. Navdušen je nad prenosom moči AI/ML v delavnice svojih industrijskih strank in delal je na številnih primerih uporabe ML, od zaznavanja nepravilnosti do predvidevanja kakovosti izdelkov ali optimizacije proizvodnje. Ko strankam ne pomaga razviti naslednje najboljše izkušnje strojnega učenja, uživa v opazovanju zvezd, potovanjih ali igranju klavirja.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/