Bảo trì dự đoán là một chiến lược bảo trì dựa trên dữ liệu để giám sát các tài sản công nghiệp nhằm phát hiện những bất thường trong hoạt động và tình trạng của thiết bị có thể dẫn đến hỏng hóc thiết bị. Thông qua giám sát chủ động tình trạng của tài sản, nhân viên bảo trì có thể được cảnh báo trước khi xảy ra sự cố, do đó tránh được thời gian ngừng hoạt động ngoài kế hoạch gây tốn kém, từ đó dẫn đến tăng Hiệu quả Thiết bị Tổng thể (OEE).
Tuy nhiên, việc xây dựng các mô hình máy học (ML) cần thiết để bảo trì dự đoán rất phức tạp và tốn thời gian. Quá trình này yêu cầu một số bước, bao gồm tiền xử lý dữ liệu, xây dựng, đào tạo, đánh giá và sau đó tinh chỉnh nhiều mô hình ML có thể dự đoán một cách đáng tin cậy các điểm bất thường trong dữ liệu nội dung của bạn. Sau đó, các mô hình ML đã hoàn thành cần được triển khai và cung cấp dữ liệu trực tiếp để dự đoán trực tuyến (suy luận). Việc mở rộng quy trình này thành nhiều tài sản thuộc nhiều loại và hồ sơ vận hành khác nhau thường tốn quá nhiều tài nguyên để có thể áp dụng bảo trì dự đoán rộng rãi hơn.
Với Amazon Lookout cho thiết bị, bạn có thể phân tích liên tục dữ liệu cảm biến cho thiết bị công nghiệp của mình để phát hiện hành vi bất thường của máy—mà không cần có kinh nghiệm ML.
Khi khách hàng triển khai các trường hợp sử dụng bảo trì dự đoán với Lookout for Equipment, họ thường chọn giữa ba tùy chọn để phân phối dự án: tự xây dựng dự án, làm việc với Đối tác AWS hoặc sử dụng Dịch vụ chuyên nghiệp của AWS. Trước khi cam kết thực hiện các dự án như vậy, những người ra quyết định như quản lý nhà máy, quản lý độ tin cậy hoặc bảo trì và lãnh đạo tuyến muốn xem bằng chứng về giá trị tiềm năng mà bảo trì dự đoán có thể phát hiện ra trong ngành kinh doanh của họ. Việc đánh giá như vậy thường được thực hiện như một phần của bằng chứng về khái niệm (POC) và là cơ sở cho một trường hợp kinh doanh.
Bài đăng này hướng đến cả người dùng kỹ thuật và phi kỹ thuật: nó cung cấp một cách tiếp cận hiệu quả để đánh giá Lookout for Equipment bằng dữ liệu của riêng bạn, cho phép bạn đánh giá giá trị kinh doanh mà nó mang lại cho các hoạt động bảo trì dự đoán của bạn.
Tổng quan về giải pháp
Trong bài đăng này, chúng tôi hướng dẫn bạn các bước để nhập tập dữ liệu trong Lookout for Equipment, xem xét chất lượng của dữ liệu cảm biến, huấn luyện mô hình và đánh giá mô hình. Hoàn thành các bước này sẽ giúp thu được thông tin chi tiết về tình trạng thiết bị của bạn.
Điều kiện tiên quyết
Tất cả những gì bạn cần để bắt đầu là một tài khoản AWS và lịch sử dữ liệu cảm biến cho các tài sản có thể hưởng lợi từ phương pháp bảo trì dự đoán. Dữ liệu cảm biến phải được lưu trữ dưới dạng tệp CSV trong một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) từ tài khoản của bạn. Nhóm CNTT của bạn sẽ có thể đáp ứng các điều kiện tiên quyết này bằng cách tham khảo Định dạng dữ liệu của bạn. Để đơn giản hóa mọi thứ, tốt nhất bạn nên lưu trữ tất cả dữ liệu cảm biến trong một tệp CSV trong đó các hàng là dấu thời gian và các cột là các cảm biến riêng lẻ (tối đa 300).
Khi bạn đã có bộ dữ liệu của mình trên Amazon S3, bạn có thể làm theo phần còn lại của bài đăng này.
Thêm tập dữ liệu
Lookout for Equipment sử dụng các dự án để tổ chức các nguồn lực nhằm đánh giá các bộ phận của thiết bị công nghiệp. Để tạo một dự án mới, hãy hoàn thành các bước sau:
- Trên bảng điều khiển Lookout for Equipment, chọn Tạo dự án.
- Nhập tên dự án và chọn Tạo dự án.
Sau khi dự án được tạo, bạn có thể nhập tập dữ liệu sẽ được sử dụng để huấn luyện và đánh giá một mô hình nhằm phát hiện điểm bất thường.
- Trên trang dự án, chọn Thêm tập dữ liệu.
- Trong Vị trí S3, hãy nhập vị trí S3 (không bao gồm tên tệp) của dữ liệu của bạn.
- Trong Phương pháp phát hiện giản đồ, lựa chọn Theo tên tệp, giả định rằng tất cả dữ liệu cảm biến cho một nội dung được chứa trong một tệp CSV duy nhất tại vị trí S3 đã chỉ định.
- Giữ các cài đặt khác làm mặc định và chọn bắt đầu nhập để bắt đầu quá trình tiêu hóa.
Quá trình tiêu hóa có thể mất khoảng 10–20 phút để hoàn tất. Ở chế độ nền, Lookout for Equipment thực hiện các tác vụ sau:
- Nó phát hiện cấu trúc của dữ liệu, chẳng hạn như tên cảm biến và loại dữ liệu.
- Dấu thời gian giữa các cảm biến được căn chỉnh và điền các giá trị còn thiếu (sử dụng giá trị đã biết mới nhất).
- Các dấu thời gian trùng lặp sẽ bị xóa (chỉ giữ lại giá trị cuối cùng cho mỗi dấu thời gian).
- Lookout for Equipment sử dụng nhiều loại thuật toán để xây dựng mô hình phát hiện bất thường ML. Trong giai đoạn nhập, nó chuẩn bị dữ liệu để có thể sử dụng dữ liệu này để huấn luyện các thuật toán khác nhau đó.
- Nó phân tích các giá trị đo lường và xếp loại từng cảm biến theo chất lượng cao, trung bình hoặc thấp.
- Khi quá trình nhập tập dữ liệu hoàn tất, hãy kiểm tra nó bằng cách chọn Xem tập dữ liệu dưới Bước 2 của trang dự án.
Khi tạo một mô hình phát hiện bất thường, việc chọn các cảm biến tốt nhất (những cảm biến chứa chất lượng dữ liệu cao nhất) thường rất quan trọng đối với các mô hình đào tạo mang lại thông tin chi tiết hữu ích. Các Chi tiết tập dữ liệu phần này hiển thị sự phân bố các điểm phân loại cảm biến (giữa cao, trung bình và thấp), trong khi bảng hiển thị thông tin trên từng cảm biến riêng biệt (bao gồm tên cảm biến, phạm vi ngày và phân loại cho dữ liệu cảm biến). Với báo cáo chi tiết này, bạn có thể đưa ra quyết định sáng suốt về việc bạn sẽ sử dụng cảm biến nào để huấn luyện các mô hình của mình. Nếu phần lớn cảm biến trong tập dữ liệu của bạn được xếp loại ở mức trung bình hoặc thấp, thì có thể có vấn đề về dữ liệu cần được điều tra. Nếu cần, bạn có thể tải lại tệp dữ liệu lên Amazon S3 và nhập lại dữ liệu bằng cách chọn Thay thế tập dữ liệu.
Bằng cách chọn mục cấp độ cảm biến trong bảng chi tiết, bạn có thể xem lại chi tiết về các lỗi xác thực dẫn đến một loại nhất định. Hiển thị và giải quyết các chi tiết này sẽ giúp đảm bảo thông tin cung cấp cho mô hình có chất lượng cao. Ví dụ: bạn có thể thấy một tín hiệu có nhiều giá trị bị thiếu không mong muốn. Đây có phải là sự cố truyền dữ liệu hay cảm biến bị trục trặc? Đã đến lúc tìm hiểu sâu hơn về dữ liệu của bạn!
Để tìm hiểu thêm về các loại sự cố cảm biến khác nhau. Tìm kiếm địa chỉ Thiết bị khi phân loại cảm biến của bạn, hãy tham khảo Đánh giá các loại cảm biến. Các nhà phát triển cũng có thể trích xuất những thông tin chi tiết này bằng cách sử dụng API ListSensorStatistic.
Khi hài lòng với tập dữ liệu của mình, bạn có thể chuyển sang bước tiếp theo là đào tạo một mô hình để dự đoán sự bất thường.
Đào tạo một người mẫu
Lookout for Equipment cho phép đào tạo các mô hình cho các cảm biến cụ thể. Điều này cho phép bạn linh hoạt thử nghiệm các kết hợp cảm biến khác nhau hoặc loại trừ các cảm biến có điểm số thấp. Hoàn thành các bước sau:
- Trong tạp chí Chi tiết theo cảm biến trên trang bộ dữ liệu, hãy chọn các cảm biến để đưa vào mô hình của bạn và chọn Tạo mô hình.
- Trong tên mẫu, nhập tên kiểu máy, sau đó chọn Sau.
- Trong tạp chí Cài đặt đào tạo và đánh giá cấu hình dữ liệu đầu vào mô hình.
Để huấn luyện các mô hình một cách hiệu quả, dữ liệu cần được chia thành các tập huấn luyện và đánh giá riêng biệt. Bạn có thể xác định phạm vi ngày cho phần tách này trong phần này, cùng với tốc độ lấy mẫu cho các cảm biến. Làm thế nào để bạn chọn phân chia này? Hãy xem xét những điều sau đây:
- Lookout for Equipment mong đợi dữ liệu của ít nhất 3 tháng trong phạm vi đào tạo, nhưng lượng dữ liệu tối ưu phụ thuộc vào trường hợp sử dụng của bạn. Có thể cần thêm dữ liệu để tính đến bất kỳ loại tính thời vụ hoặc chu kỳ hoạt động nào mà quá trình sản xuất của bạn trải qua.
- Không có ràng buộc về phạm vi đánh giá. Tuy nhiên, chúng tôi khuyên bạn nên thiết lập phạm vi đánh giá bao gồm các điểm bất thường đã biết. Bằng cách này, bạn có thể kiểm tra xem Lookout for Equipment có thể ghi lại bất kỳ sự kiện quan tâm nào dẫn đến những bất thường này hay không.
Bằng cách chỉ định tốc độ lấy mẫu, Lookout for Equipment lấy mẫu dữ liệu cảm biến xuống một cách hiệu quả, điều này có thể giảm đáng kể thời gian đào tạo. Tốc độ lấy mẫu lý tưởng phụ thuộc vào loại dị thường mà bạn nghi ngờ trong dữ liệu của mình: đối với các dị thường có xu hướng chậm, việc chọn tốc độ lấy mẫu trong khoảng từ 1–10 phút thường là điểm khởi đầu tốt. Việc chọn giá trị thấp hơn (tăng tốc độ lấy mẫu) dẫn đến thời gian đào tạo lâu hơn, trong khi giá trị cao hơn (tốc độ lấy mẫu thấp) sẽ rút ngắn thời gian đào tạo và có nguy cơ loại bỏ các chỉ số hàng đầu khỏi dữ liệu của bạn có liên quan đến dự đoán sự bất thường.
Để chỉ đào tạo về các phần dữ liệu có liên quan của bạn khi thiết bị công nghiệp đang hoạt động, bạn có thể thực hiện phát hiện thời gian tắt bằng cách chọn một cảm biến và xác định ngưỡng cho biết thiết bị đang ở trạng thái bật hay tắt. Điều này rất quan trọng vì nó cho phép Lookout for Equipment lọc ra các khoảng thời gian để đào tạo khi máy tắt. Điều này có nghĩa là mô hình chỉ học các trạng thái hoạt động có liên quan chứ không chỉ khi máy tắt.
- Chỉ định phát hiện sai thời gian của bạn, sau đó chọn Sau.
Theo tùy chọn, bạn có thể cung cấp nhãn dữ liệu, cho biết thời gian bảo trì hoặc thời gian lỗi thiết bị đã biết. Nếu bạn có sẵn dữ liệu như vậy, bạn có thể tạo tệp CSV có dữ liệu ở dạng định dạng tài liệu, tải nó lên Amazon S3 và sử dụng nó để đào tạo mô hình. Việc cung cấp nhãn có thể cải thiện độ chính xác của mô hình được đào tạo bằng cách cho Lookout for Equipment biết nơi dự kiến sẽ tìm thấy các điểm bất thường đã biết.
- Chỉ định bất kỳ nhãn dữ liệu nào, sau đó chọn Sau.
- Xem lại cài đặt của bạn trong bước cuối cùng. Nếu mọi thứ đều ổn, bạn có thể bắt đầu đào tạo.
Tùy thuộc vào kích thước tập dữ liệu của bạn, số lượng cảm biến và tốc độ lấy mẫu, quá trình huấn luyện mô hình có thể mất vài phút hoặc tối đa vài giờ. Ví dụ: nếu bạn sử dụng dữ liệu của 1 năm với tốc độ lấy mẫu là 5 phút với 100 cảm biến và không có nhãn, thì việc đào tạo một mô hình sẽ mất chưa đến 15 phút. Mặt khác, nếu dữ liệu của bạn chứa một số lượng lớn nhãn, thời gian đào tạo có thể tăng lên đáng kể. Trong tình huống như vậy, bạn có thể giảm thời gian đào tạo bằng cách hợp nhất các khoảng thời gian nhãn liền kề để giảm số lượng của chúng.
Bạn vừa đào tạo mô hình phát hiện bất thường đầu tiên của mình mà không cần bất kỳ kiến thức nào về ML! Bây giờ, hãy xem thông tin chi tiết mà bạn có thể nhận được từ một mô hình được đào tạo.
Đánh giá một mô hình được đào tạo
Khi đào tạo mô hình kết thúc, bạn có thể xem chi tiết của mô hình bằng cách chọn Xem mô hình trên trang dự án, sau đó chọn tên của mô hình.
Ngoài thông tin chung như tên, trạng thái và thời gian đào tạo, trang mô hình tóm tắt dữ liệu hiệu suất mô hình như số sự kiện được gắn nhãn được phát hiện (giả sử bạn đã cung cấp nhãn), thời gian cảnh báo trước trung bình và số sự kiện thiết bị bất thường được phát hiện bên ngoài phạm vi nhãn. Ảnh chụp màn hình sau đây cho thấy một ví dụ. Để hiển thị tốt hơn, các sự kiện được phát hiện sẽ được hiển thị trực quan (các thanh màu đỏ ở trên cùng của dải băng) cùng với các sự kiện được gắn nhãn (các thanh màu xanh lam ở dưới cùng của dải băng).
Bạn có thể chọn các sự kiện đã phát hiện bằng cách chọn các khu vực màu đỏ thể hiện sự bất thường trong chế độ xem dòng thời gian để nhận thêm thông tin. Điêu nay bao gôm:
- Thời gian bắt đầu và kết thúc sự kiện cùng với thời lượng của nó.
- Một biểu đồ thanh với các cảm biến mà mô hình tin rằng có liên quan nhất đến lý do xảy ra sự bất thường. Điểm phần trăm thể hiện sự đóng góp tổng thể được tính toán.
Những thông tin chuyên sâu này cho phép bạn làm việc với các kỹ sư về quy trình hoặc độ tin cậy của mình để thực hiện thêm đánh giá nguyên nhân gốc rễ của các sự kiện và cuối cùng là tối ưu hóa các hoạt động bảo trì, giảm thời gian ngừng hoạt động ngoài dự kiến và xác định các điều kiện vận hành dưới mức tối ưu.
Để hỗ trợ bảo trì dự đoán với thông tin chuyên sâu thời gian thực (suy luận), Lookout for Equipment hỗ trợ đánh giá trực tiếp dữ liệu trực tuyến thông qua lịch trình suy luận. Điều này yêu cầu dữ liệu cảm biến được tải lên Amazon S3 theo định kỳ, sau đó Lookout for Equipment thực hiện suy luận về dữ liệu với mô hình được đào tạo, cung cấp tính năng chấm điểm bất thường theo thời gian thực. Có thể xem kết quả suy luận, bao gồm cả lịch sử các sự kiện bất thường được phát hiện trên bảng điều khiển Lookout for Equipment.
Kết quả cũng được ghi vào các tệp trong Amazon S3, cho phép tích hợp với các hệ thống khác, chẳng hạn như hệ thống quản lý bảo trì trên máy vi tính (CMMS) hoặc để thông báo cho nhân viên vận hành và bảo trì trong thời gian thực.
Khi bạn tăng cường áp dụng Lookout cho Thiết bị, bạn sẽ cần quản lý số lượng mô hình và lịch trình suy luận lớn hơn. Để làm cho quá trình này dễ dàng hơn, các lịch trình suy luận trang liệt kê tất cả các trình lập lịch biểu hiện được định cấu hình cho một dự án trong một dạng xem.
Làm sạch
Khi bạn hoàn tất việc đánh giá Lookout cho Thiết bị, chúng tôi khuyên bạn nên dọn sạch mọi tài nguyên. Bạn có thể xóa dự án Lookout for Equipment cùng với tập dữ liệu và bất kỳ mô hình nào được tạo bằng cách chọn dự án, chọn Xóa bỏvà xác nhận hành động.
Tổng kết
Trong bài đăng này, chúng tôi đã hướng dẫn các bước nhập tập dữ liệu trong Lookout for Equipment, đào tạo một mô hình trên đó và đánh giá hiệu suất của nó để hiểu giá trị mà nó có thể khám phá đối với từng nội dung. Cụ thể, chúng tôi đã khám phá cách Lookout for Equipment có thể cung cấp thông tin cho các quy trình bảo trì dự đoán giúp giảm thời gian ngừng hoạt động ngoài kế hoạch và OEE cao hơn.
Nếu bạn đã làm theo dữ liệu của riêng mình và hào hứng với triển vọng sử dụng Lookout for Equipment, thì bước tiếp theo là bắt đầu dự án thử nghiệm với sự hỗ trợ của tổ chức CNTT, đối tác chính của bạn hoặc nhóm Dịch vụ chuyên nghiệp AWS của chúng tôi. Chương trình thí điểm này nên nhắm đến một số lượng thiết bị công nghiệp hạn chế và sau đó mở rộng quy mô để cuối cùng bao gồm tất cả tài sản trong phạm vi bảo trì dự đoán.
Giới thiệu về tác giả
Johann Fuchsl là một Kiến trúc sư giải pháp với Amazon Web Services. Anh hướng dẫn các khách hàng doanh nghiệp trong ngành sản xuất triển khai các trường hợp sử dụng AI/ML, thiết kế kiến trúc dữ liệu hiện đại và xây dựng các giải pháp dựa trên đám mây mang lại giá trị kinh doanh hữu hình. Johann có kiến thức nền tảng về toán học và mô hình định lượng, kết hợp với 10 năm kinh nghiệm trong lĩnh vực CNTT. Ngoài công việc, anh ấy thích dành thời gian cho gia đình và hòa mình vào thiên nhiên.
Michael Hoarau là Kiến trúc sư giải pháp Chuyên gia AI/ML công nghiệp tại AWS, người luân phiên giữa nhà khoa học dữ liệu và kiến trúc sư máy học, tùy thuộc vào thời điểm. Anh ấy đam mê mang sức mạnh của AI/ML đến các cửa hàng của khách hàng công nghiệp của mình và đã làm việc trong nhiều trường hợp sử dụng ML, từ phát hiện điểm bất thường đến chất lượng sản phẩm dự đoán hoặc tối ưu hóa sản xuất. Khi không giúp khách hàng phát triển trải nghiệm học máy tốt nhất tiếp theo, anh ấy thích quan sát các vì sao, đi du lịch hoặc chơi piano.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/