حسِّن الكفاءة التشغيلية من خلال مراقبة المعدات المتكاملة باستخدام TensorIoT المدعوم من AWS

يؤثر تعطل الماكينة بشكل كبير على كفاءتك التشغيلية. بل إن فترة تعطل الماكينة غير المتوقعة أسوأ. يمكن أن يؤدي اكتشاف مشكلات المعدات الصناعية في مرحلة مبكرة واستخدام هذه البيانات للإبلاغ عن الصيانة المناسبة إلى زيادة كبيرة في الكفاءة التشغيلية لشركتك.

يرى العملاء قيمة في اكتشاف السلوك غير الطبيعي في المعدات الصناعية لتحسين دورة حياة الصيانة. ومع ذلك ، فإن تنفيذ أساليب الصيانة المتقدمة لديه تحديات متعددة. يتمثل أحد التحديات الرئيسية في العدد الكبير من البيانات المسجلة من أجهزة الاستشعار ومعلومات السجل ، بالإضافة إلى إدارة المعدات والبيانات الوصفية للموقع. قد يتعذر الوصول إلى هذه الأشكال المختلفة من البيانات أو قد تنتشر عبر أنظمة متباينة يمكن أن تعرقل الوصول والمعالجة. بعد دمج هذه البيانات ، تكتسب الخطوة التالية رؤى لتحديد أولويات إستراتيجية الصيانة الأكثر كفاءة من الناحية التشغيلية.

توجد مجموعة من أدوات معالجة البيانات اليوم ، ولكن معظمها يتطلب جهدًا يدويًا كبيرًا للتنفيذ أو الصيانة ، والذي يعمل كحاجز للاستخدام. علاوة على ذلك ، تتطلب إدارة التحليلات المتقدمة مثل التعلم الآلي (ML) وجود علماء بيانات داخليين أو خارجيين لإدارة النماذج لكل نوع من المعدات. يمكن أن يؤدي ذلك إلى تكلفة عالية للتنفيذ ويمكن أن يكون أمرًا شاقًا للمشغلين الذين يديرون مئات أو آلاف أجهزة الاستشعار في مصفاة أو مئات التوربينات في مزرعة رياح.

التقاط البيانات في الوقت الفعلي ومراقبتها لأصول إنترنت الأشياء الخاصة بك باستخدام TensorIoT

TensorIoT ، الشريك الاستشاري المتقدم في AWS ، ليس غريباً عن الصعوبات التي تواجهها الشركات عند السعي لتسخير بياناتها لتحسين ممارسات أعمالها. تقوم TensorIoT بإنشاء منتجات وحلول لمساعدة الشركات على الاستفادة من قوة ML و IoT.

يقول جون ترينور ، نائب رئيس المنتجات في TensorIoT: "بغض النظر عن الحجم أو الصناعة ، تسعى الشركات إلى تحقيق وعي أكبر بالحالة ، واكتساب رؤية قابلة للتنفيذ ، واتخاذ قرارات أكثر ثقة".

بالنسبة للعملاء الصناعيين ، فإن TensorIoT بارع في دمج المستشعرات وبيانات الآلة مع أدوات AWS في نظام شامل يبقي المشغلين على علم بحالة أجهزتهم في جميع الأوقات. يستخدم TensorIoT AWS تقنيات عمليات Greengrass مع AWS IoT SiteWise وخدمات AWS Cloud الأخرى لمساعدة العملاء على جمع البيانات من كل من قياسات المعدات المباشرة وأجهزة الاستشعار الإضافية من خلال الأجهزة المتصلة لقياس عوامل مثل الرطوبة ودرجة الحرارة والضغط والطاقة والاهتزاز ، مما يوفر رؤية شاملة لتشغيل الماكينة. لمساعدة الشركات على اكتساب فهم متزايد لبياناتها وعملياتها ، أنشأت TensorIoT SmartInsights ، وهو منتج يتضمن بيانات من مصادر متعددة للتحليل والتصور. تعني أدوات التصور الواضحة جنبًا إلى جنب مع التحليلات المتقدمة أن البيانات المجمعة سهلة الفهم وقابلة للتنفيذ للمستخدمين. يظهر هذا في لقطة الشاشة التالية ، والتي تُظهر الموقع المحدد الذي حدث فيه شذوذ وترتيب يعتمد على الإنتاج أو كفاءة العملية.

قامت TensorIoT ببناء الاتصال للحصول على استيعاب البيانات أمازون لوكاوت للمعدات (خدمة مراقبة المعدات الصناعية التي تكتشف السلوك غير الطبيعي للمعدات) للتحليل ، ثم تستخدم SmartInsights كأداة تصور للمستخدمين للعمل على النتيجة. ما إذا كان المدير التشغيلي يريد تصور حالة الأصل أو تقديم إشعار دفع تلقائي يتم إرساله إلى فرق الصيانة مثل الإنذار أو خدمة إعلام أمازون البسيطة (Amazon SNS) ، تحافظ SmartInsights على تشغيل المواقع الصناعية وأرضيات المصانع بأعلى أداء حتى لأكثر التسلسلات الهرمية للأجهزة تعقيدًا. بدعم من AWS ، يساعد TensorIoT الشركات على اكتشاف تشوهات المعدات بسرعة وبدقة وتشخيص المشكلات واتخاذ إجراءات فورية لتقليل وقت التعطل الباهظ.

تبسيط التعلم الآلي باستخدام Amazon Lookout for Equipment

يوفر ML للشركات الصناعية القدرة على اكتشاف رؤى جديدة تلقائيًا من البيانات التي يتم جمعها عبر أنواع الأنظمة والمعدات. ومع ذلك ، في الماضي ، تم حجز الحلول الصناعية التي تدعم ML مثل مراقبة حالة المعدات للأصول الأكثر أهمية أو تكلفة ، بسبب التكلفة العالية لتطوير وإدارة النماذج المطلوبة. تقليديا ، يحتاج عالم البيانات إلى المرور بعشرات الخطوات لبناء نموذج أولي لمراقبة المعدات الصناعية يمكنه اكتشاف السلوك غير الطبيعي. تعمل Amazon Lookout for Equipment على أتمتة خطوات علم البيانات التقليدية هذه لإتاحة المزيد من الفرص لمجموعة أكبر من المعدات أكثر من أي وقت مضى. يقلل Amazon Lookout للمعدات من الرفع الثقيل لإنشاء خوارزميات تعلم الآلة بحيث يمكنك الاستفادة من مراقبة المعدات الصناعية لتحديد الحالات الشاذة واكتساب رؤى جديدة قابلة للتنفيذ تساعدك على تحسين عملياتك وتجنب التوقف عن العمل.

من الناحية التاريخية ، يمكن أن تكون نماذج ML معقدة أيضًا بسبب العمليات المتغيرة أو الجديدة. تعمل Amazon Lookout for Equipment على تسهيل الحصول على تعليقات من المهندسين الأقرب للمعدات بشكل أسرع وأسرع من خلال تمكين التعليقات المباشرة وتكرار هذه النماذج. وهذا يعني أنه يمكن لمهندس الصيانة تحديد أولويات الرؤى الأكثر أهمية للكشف عنها استنادًا إلى العمليات الحالية ، مثل العملية أو الإشارة أو مشكلات المعدات. تُمكِّن Amazon Lookout for Equipment المهندس من تسمية هذه الأحداث لمواصلة صقلها وتحديد أولوياتها حتى تظل الرؤى ذات صلة على مدار عمر الأصل.

لم يكن الجمع بين TensorIoT و Amazon Lookout للمعدات أسهل من أي وقت مضى

للتعمق أكثر في كيفية تصور الرؤى شبه الواقعية المكتسبة من Amazon Lookout for Equipment ، دعنا نستكشف العملية. من المهم أن يكون لديك بيانات تاريخية وبيانات فشل حتى نتمكن من تدريب النموذج لمعرفة الأنماط التي تحدث قبل الفشل. عند التدريب ، يمكن للنموذج إنشاء استنتاجات حول الأحداث المعلقة من البيانات الحية الجديدة من تلك المعدات. يعد هذا ، من الناحية التاريخية ، حاجزًا مستهلكًا للوقت لاعتماده لأن كل قطعة من المعدات تتطلب تدريبًا منفصلاً بسبب تشغيلها الفريد ويتم حلها من خلال Amazon Lookout for Equipment وتصور بواسطة SmartInsights.

على سبيل المثال ، نبدأ بتحديد مجموعة بيانات مناسبة حيث لدينا مستشعر وبيانات تشغيلية أخرى من قطعة من المعدات ، بالإضافة إلى بيانات تاريخية حول وقت تشغيل الجهاز خارج المواصفات أو فشل ، إذا كان ذلك متاحًا.

لتوضيح كيفية استخدام Amazon Lookout للمعدات وتصور النتائج في الوقت الفعلي تقريبًا في SmartInsights ، استخدمنا ملف مجموعة بيانات توربينات الرياح المتاحة للجمهور. امتدت مجموعة البيانات الخاصة بنا من مزرعة الرياح La Haute Borne إلى مئات الآلاف من الصفوف وأكثر من 100 عمود من البيانات من مجموعة متنوعة من أجهزة الاستشعار على الجهاز. تضمنت البيانات سرعة الدوار ، وزاوية الميل ، ودرجات حرارة تحمل المولد ، ودرجات حرارة تحمل علبة التروس ، ودرجة حرارة الزيت ، وقياسات الطاقة المتعددة ، وسرعة الرياح واتجاهها ، ودرجة الحرارة الخارجية ، والمزيد. تم أيضًا تخزين الحد الأقصى والمتوسط ​​والخصائص الإحصائية الأخرى لكل نقطة بيانات.

الجدول التالي عبارة عن مجموعة فرعية من الأعمدة المستخدمة في تحليلنا.

اسم المتغير	Variable_long_name	Unit_long_name
التوربينات	اسم_توربينات_الرياح
الوقت:	Date_time
Ba	زاوية الملعب	درجة
Cm	Converter_torque	Nm
كوسفي	عامل القوى
Db1t	Generator_bearing_1_temperature	درجة
Db2t	Generator_bearing_2_temperature	درجة
البلدان النامية	Generator_converter_speed	دورة في الدقيقة
Ds	مولد_السرعة	دورة في الدقيقة
التوقيت الصيفي	Generator_stator_temperature	درجة
غيغابايت	علبة التروس_تحمل_1_درجة الحرارة	درجة
غيغابايت	علبة التروس_تحمل_2_درجة الحرارة	درجة
بوابة	علبة التروس_داخل_درجة الحرارة	درجة
GOST	علبة التروس_زيت_ورقة_درجة الحرارة	درجة
Na_c	Nacelle_angle_ المصححة	درجة
Nf	تردد الشبكة	Hz
Nu	جهد الشبكة	V
Ot	درجة الحرارة في الهواء الطلق	درجة
P	الطاقة النشطة	kW
نظام تقييم الأداء	Pitch_angle_setpoint
Q	رد الفعل_القوة	كفار
ربت	درجة حرارة_تحمل_الدوار	درجة
Rm	طوق معدني للعنق	Nm
Rs	سرعة الدوار	دورة في الدقيقة
Rt	درجة حرارة المحور	درجة
S	القوة الظاهرة	كيلو فولت أمبير
Va	وضع الريشة	درجة
Va1	Vane_position_1	درجة
Va2	Vane_position_2	درجة
Wa	اتجاه_الرياح_المطلق	درجة
Wa_c	تم تصحيح التوجيه_الرائد_ المطلق	درجة
Ws	سرعة الرياح	الآنسة
Ws1	سرعة الرياح_1	الآنسة
Ws2	سرعة الرياح_2	الآنسة
Ya	ناسيلانغل	درجة
Yt	الكنة_درجة الحرارة	درجة

يتكون استخدام Amazon Lookout للمعدات من ثلاث مراحل: الابتلاع ، والتدريب ، والاستدلال (أو الكشف). بعد تدريب النموذج باستخدام البيانات التاريخية المتاحة ، يمكن أن يحدث الاستدلال تلقائيًا في فترة زمنية محددة ، مثل كل 5 دقائق أو ساعة واحدة.

أولاً ، دعنا نلقي نظرة على جانب Amazon Lookout for Equipment من العملية. في هذا المثال ، تدربنا على استخدام البيانات التاريخية وقمنا بتقييم النموذج مقابل عام واحد من البيانات التاريخية. بناءً على هذه النتائج ، تم الكشف عن 1 حدثًا من 148 حدثًا بمتوسط ​​وقت إنذار يبلغ 150 ساعة.

لكل حدث من الأحداث ، يتم تقديم تشخيص لمستشعرات المساهمة الرئيسية لدعم تقييم السبب الجذري ، كما هو موضح في لقطة الشاشة التالية.

توفر SmartInsights تصورًا للبيانات من كل أصل وتضم الأحداث من Amazon Lookout for Equipment. يمكن لـ SmartInsights بعد ذلك إقران القياسات الأصلية مع الحالات الشاذة التي حددتها Amazon Lookout للمعدات باستخدام الطابع الزمني المشترك. يسمح هذا لـ SmartInsights بإظهار القياسات والأشكال الشاذة على مقياس زمني مشترك ويعطي سياق المشغل لهذه الأحداث. في التمثيل الرسومي التالي ، يتم وضع شريط أخضر فوق العناصر الشاذة. يمكنك الغوص بعمق من خلال تقييم التشخيصات مقابل الأصل لتحديد وقت وكيفية الاستجابة للحدث.

من خلال بيانات توربينات الرياح التي تم استخدامها في مثالنا ، قدمت SmartInsights دليلًا مرئيًا للأحداث مع تحذير مسبق بناءً على نتائج Amazon Lookout for Equipment. في بيئة الإنتاج ، يمكن للتنبؤ إنشاء إشعار أو تنبيه لموظفي التشغيل أو تشغيل أمر عمل يتم إنشاؤه في تطبيق آخر لإرسال الموظفين لاتخاذ الإجراءات التصحيحية قبل الفشل.

SmartInsights يدعم تشغيل التنبيهات استجابة لظروف معينة. على سبيل المثال ، يمكنك تكوين SmartInsights لإرسال رسالة إلى قناة Slack أو إرسال رسالة نصية. نظرًا لأن SmartInsights مبني على AWS ، يمكن أن تكون نقطة نهاية الإشعارات أي وجهة مدعومة من Amazon SNS. على سبيل المثال ، يحتوي العرض التالي لـ SmartInsights على جهاز محمول على قائمة من التنبيهات التي تم تشغيلها خلال فترة زمنية معينة ، والتي يمكن لمستخدم SmartInsights الاشتراك فيها.

يوضح مخطط البنية التالي كيفية استخدام Amazon Lookout for Equipment مع SmartInsights. بالنسبة للعديد من التطبيقات ، توفر Amazon Lookout for Equipment مسارًا سريعًا لاكتشاف العيوب دون الحاجة إلى تعيين عالم بيانات وتلبية عائد الاستثمار على الأعمال.

زيادة وقت التشغيل إلى أقصى حد ، وزيادة السلامة ، وتحسين كفاءة الماكينة

تعد الصيانة القائمة على الحالة مفيدة لعملك على العديد من المستويات:

• تعظيم الجهوزية - عندما يتم توقع أحداث الصيانة ، فإنك تقرر الجدول الزمني الأمثل لتقليل التأثير على كفاءتك التشغيلية.
• وزيادة السلامة - تضمن الصيانة حسب الحالة أن تظل أجهزتك في ظروف تشغيل آمنة ، مما يحمي المشغلين والآلات الخاصة بك من خلال اكتشاف المشكلات قبل أن تصبح مشاكل.
• تحسين كفاءة الماكينة - عندما تتعرض أجهزتك للبلى العادي ، تقل كفاءتها. تحافظ الصيانة القائمة على الحالة على أجهزتك في أفضل الظروف وتطيل العمر الافتراضي للمعدات الخاصة بك.

وفي الختام

حتى قبل إصدار Amazon Lookout for Equipment ، ساعد TensorIoT الشركات المصنعة الصناعية على ابتكار أجهزتهم من خلال تنفيذ البنى الحديثة ، وأجهزة الاستشعار للتضخيم القديم ، و ML لجعل البيانات المكتسبة حديثًا واضحة وقابلة للتنفيذ. مع حلول Amazon Lookout للمعدات و TensorIoT ، تساعد TensorIoT في جعل أصولك أكثر ذكاءً.

لاستكشاف كيف يمكنك استخدام Amazon Lookout للمعدات مع SmartInsights لاكتساب نظرة ثاقبة بشكل أسرع حول أعطال المعدات المعلقة وتقليل وقت التوقف عن العمل ، تواصل مع TensorIoT عبر contact@tensoriot.com.

تتوفر تفاصيل حول كيفية بدء استخدام Amazon Lookout للمعدات على موقع صفحة ويب.

---

حول المؤلف

أليسيا ترينت هو مدير تطوير الأعمال على مستوى العالم في Amazon Web Services. لديها 15 عامًا من الخبرة في التكنولوجيا عبر القطاعات الصناعية وتخرجت من معهد جورجيا للتكنولوجيا ، حيث حصلت على درجة البكالوريوس في الهندسة الكيميائية والجزيئية الحيوية ، ودرجة الماجستير في الهندسة الميكانيكية.

داستان ايتشانوف مهندس حلول في الذكاء الاصطناعي التطبيقي مع Amazon Web Services. إنه متخصص في هندسة وبناء منصات قائمة على السحابة قابلة للتطوير مع التركيز على التعلم الآلي وإنترنت الأشياء والتطبيقات التي تعتمد على البيانات الضخمة. عندما لا يعمل ، فإنه يستمتع بالتخييم والتزلج وقضاء الوقت فقط في الهواء الطلق مع أسرته.

نيكولاس بوردن هو مبشر تقني أقدم في TensorIoT ، حيث يركز على ترجمة المصطلحات التقنية المعقدة إلى معلومات قابلة للفهم. لديه أكثر من عشر سنوات من الخبرة في الكتابة الفنية وماجستير في الكتابة المهنية من جامعة جنوب كاليفورنيا. خارج العمل ، يستمتع بالاعتناء بمجموعة متزايدة من النباتات المنزلية وقضاء الوقت مع الحيوانات الأليفة والعائلة.

المصدر: https://aws.amazon.com/blogs/machine-learning/improve-operational-efficiency-with-integrated-equipment-monitoring-with-tensoriot-powered-by-aws/