Paranna operatiivista tehokkuutta integroidulla laitteiden valvonnalla AWS: n tarjoamalla TensorIoT: lla

Koneen seisokkeilla on dramaattinen vaikutus toiminnan tehokkuuteen. Koneen odottamaton seisokki on vielä pahempi. Teollisuuden laitteiden ongelmien havaitseminen varhaisessa vaiheessa ja näiden tietojen käyttö asianmukaiseen huoltoon voi lisätä yrityksesi toiminnan tehokkuutta merkittävästi.

Asiakkaat näkevät arvon havaita teollisuuslaitteiden epänormaalia käyttäytymistä huollon elinkaaren parantamiseksi. Edistyneiden huoltotapojen käyttöönotolla on kuitenkin useita haasteita. Yksi suuri haaste on antureista ja lokitiedoista tallennettujen tietojen lukumäärä sekä laitteiden ja sivuston metatietojen hallinta. Näihin tietomuotoihin voi olla joko pääsy tai ne voivat levitä eri järjestelmiin, jotka voivat estää pääsyn ja käsittelyn. Kun nämä tiedot on yhdistetty, seuraava askel on saada oivalluksia toiminnan kannalta tehokkaimman huoltostrategian priorisoimiseksi.

Nykyään on olemassa joukko tietojenkäsittelytyökaluja, mutta useimmat niiden toteuttamiseen tai ylläpitoon edellyttävät huomattavia manuaalisia ponnisteluja, mikä toimii käytön esteenä. Edistyneiden analytiikkojen, kuten koneoppimisen (ML), hallinta edellyttää joko yrityksen sisäisiä tai ulkoisia datatutkijoita hallitsemaan malleja jokaiselle laitetyypille. Tämä voi johtaa korkeisiin toteutuskustannuksiin ja voi olla pelottavaa käyttäjille, jotka hallitsevat satoja tai tuhansia antureita jalostamossa tai satoja turbiineja tuulipuistossa.

Reaaliaikainen tiedonsieppaus ja IoT-varojen seuranta TensorIoT: n avulla

TensorIoT, AWS Advanced Consulting Partner, ei ole muukalainen vaikeuksista, joita yrityksillä on edessään pyrkiessään hyödyntämään tietojaan liiketoimintakäytäntöjen parantamiseksi. TensorIoT luo tuotteita ja ratkaisuja, joiden avulla yritykset voivat hyötyä ML: n ja IoT: n voimasta.

"Koosta tai toimialasta huolimatta yritykset pyrkivät parantamaan tilannetietoisuutta, saamaan hyödyllistä näkemystä ja tekemään varmempia päätöksiä", sanoo John Traynor, TensorIoT: n tuotepäällikkö.

Teollisuusasiakkaille TensorIoT osaa integroida anturit ja konetiedot AWS-työkaluilla kokonaisvaltaiseen järjestelmään, joka pitää operaattorit ajan tasalla laitteidensa tilasta. TensorIoT käyttää AWS IoT Vihreä ruoho with AWS IoT -sivusto ja muut AWS-pilvipalvelut auttavat asiakkaita keräämään tietoja sekä laitteiden suorista mittauksista että lisäantureista yhdistettyjen laitteiden kautta mittaamaan tekijöitä, kuten kosteutta, lämpötilaa, painetta, tehoa ja tärinää, jolloin kokonaisnäkymä koneen toiminnasta. Auttaa yrityksiä ymmärtämään paremmin tietojaan ja prosessejaan TensorIoT loi SmartInsights-tuotteen, joka sisältää tietoja useista lähteistä analysointia ja visualisointia varten. Selkeät visualisointityökalut yhdistettynä edistyneeseen analytiikkaan tarkoittavat, että kootut tiedot ovat helposti ymmärrettäviä ja käyttäjien käytettävissä. Tämä näkyy seuraavassa kuvakaappauksessa, joka näyttää tietyn paikan, jossa poikkeamat tapahtuivat, ja tuotannon tai prosessin tehokkuuden perusteella.

TensorIoT rakensi yhteydet saadakseen datan sisään Amazon Lookout for Equipment (teollisuuslaitteiden seurantapalvelu, joka havaitsee laitteiden epänormaalin käyttäytymisen) analyysia varten ja käytti sitten SmartInsightsia visualisointityökaluna, jolla käyttäjät voivat toimia lopputuloksen perusteella. Halusiko operatiivinen johtaja visualisoida omaisuuden kunnon tai toimittaa huoltoryhmille lähetetyn automaattisen push-ilmoituksen, kuten hälytyksen tai Amazonin yksinkertainen ilmoituspalvelu (Amazon SNS) -viesti, SmartInsights pitää teollisuusalueet ja tehdaslattiat huipputasolla jopa monimutkaisimmissakin laitteiden hierarkioissa. AWS: n tarjoama TensorIoT auttaa yrityksiä havaitsemaan laitteiden poikkeamat nopeasti ja tarkasti, diagnosoimaan ongelmat ja ryhtymään välittömiin toimiin kalliiden seisokkien vähentämiseksi.

Yksinkertaista koneoppimista Amazon Lookout for Equipment -sovelluksella

ML tarjoaa teollisuusyrityksille mahdollisuuden löytää automaattisesti uusia oivalluksia tiedoista, joita kerätään järjestelmien ja laitetyyppien välillä. Aikaisemmin teolliset ML-ratkaisut, kuten laitteiden kunnonvalvonta, on kuitenkin varattu kriittisimmälle tai kalliimmalle omaisuudelle vaadittujen mallien kehittämisen ja hallinnan korkeiden kustannusten vuoksi. Perinteisesti datatieteilijän täytyi käydä läpi kymmeniä vaiheita rakentaakseen alustavan mallin teollisuuslaitteiden seurannalle, joka voi havaita epänormaalin käyttäytymisen. Amazon Lookout for Equipment automatisoi nämä perinteiset datatieteen vaiheet avaten enemmän mahdollisuuksia laajemmalle laitteistolle kuin koskaan ennen. Amazon Lookout for Equipment vähentää raskaita nostoja ML-algoritmien luomiseen, jotta voit hyödyntää teollisuuslaitteiden valvontaa poikkeavuuksien tunnistamiseksi ja saada uusia käytännöllisiä oivalluksia, jotka auttavat sinua parantamaan toimintaa ja välttämään seisokkeja.

Historiallisesti ML-mallit voivat myös olla monimutkaisia ​​hallita muuttuvien tai uusien toimintojen vuoksi. Amazon Lookout for Equipment on helpompaa ja nopeampaa saada palautetta laitteita lähinnä olevilta insinööreiltä mahdollistamalla näiden mallien suora palaute ja iterointi. Tämä tarkoittaa, että huoltoteknikko voi priorisoida, mitkä oivallukset on tärkeimmät havaita nykyisten toimintojen, kuten prosessi-, signaali- tai laitteisto-ongelmien, perusteella. Amazon Lookout for Equipment -toiminnon avulla insinööri voi merkitä nämä tapahtumat jatkaakseen tarkentamista ja priorisointia, jotta oivallukset pysyvät ajankohtaisina koko käyttöiän ajan.

TensorIoT: n ja Amazon Lookout for Equipmentin yhdistäminen ei ole koskaan ollut näin helppoa

Tutkimme prosessia, jotta voimme syventää sitä, miten visualisoida lähes reaaliaikaisia ​​oivalluksia, jotka on saatu Amazon Lookout for Equipment -sovelluksesta. On tärkeää, että meillä on historiallisia ja vikatietoja, jotta voimme kouluttaa mallin oppimaan, mitä malleja tapahtuu ennen vikaantumista. Koulutettuna malli voi luoda päätelmiä odottavista tapahtumista kyseisen laitteen uusista, elävistä tiedoista. Tämä on historiallisesti aikaa vievää estettä omaksumiselle, koska jokainen laite vaatii erillisen koulutuksen ainutlaatuisen toiminnansa vuoksi ja se ratkaistaan ​​Amazon Lookout for Equipmentin kautta ja visualisoidaan SmartInsightsin avulla.

Esimerkkinä aloitetaan tunnistamalla sopiva tietojoukko, jossa meillä on antureita ja muita toimintatietoja laitteesta, sekä historiallisia tietoja siitä, milloin laite on toiminut määritysten ulkopuolella tai jos se on epäonnistunut, jos saatavilla.

Osoittaaksemme, kuinka Amazon Lookout for Equipment -ohjelmaa käytetään ja visualisoidaan tuloksia lähes reaaliajassa SmartInsightsissa, käytimme a julkisesti saatavilla olevat tuuliturbiinitiedot. La Haute Bornen tuulipuiston tietojoukko kattoi useita satoja tuhansia rivejä ja yli 100 saraketta tietoja useista laitteiden antureista. Tiedot sisälsivät roottorin nopeuden, nousukulman, generaattorin laakerin lämpötilat, vaihteiston laakerin lämpötilat, öljyn lämpötilan, useita tehomittauksia, tuulen nopeuden ja suunnan, ulkolämpötilan ja paljon muuta. Jokaiselle datapisteelle tallennettiin myös maksimiarvot, keskiarvot ja muut tilastolliset ominaisuudet.

Seuraava taulukko on osajoukko analyysissämme käytetyistä sarakkeista.

Muuttujan_nimi	Muuttujan_pitkä_nimi	Yksikön_pitkä_nimi
Turbiini	Tuuliturbiinin_nimi
Aika:	Treffiaika
Ba	Pitch_angle	astetta
Cm	Muunnosmomentti	Nm
Cosphi	Tehokerroin
Db1t	Generaattorin_laakeri_1_lämpötila	deg_C
Db2t	Generaattorin_laakeri_2_lämpötila	deg_C
DC	Generator_converter_speed	rpm
Ds	Generaattorin nopeus	rpm
DST	Generaattorin_staattorin_lämpötila	deg_C
Gb1t	Vaihteiston_laakeri_1_lämpötila	deg_C
Gb2t	Vaihteiston_laakeri_2_lämpötila	deg_C
mennä	Vaihdelaatikon tulolämpötila	deg_C
Gost	Vaihteiston_öljyn_painon_lämpötila	deg_C
Na_c	Nacelle_angle_corrected	astetta
Nf	Ruudukon taajuus	Hz
Nu	Verkkojännite	V
Ot	Ulkolämpötila	deg_C
P	Aktiivinen_voima	kW
Pas	Pitch_angle_setpoint
Q	Reaktiivinen_voima	kVAr
Rbt	Roottorin laakerin lämpötila	deg_C
Rm	Vääntömomentti	Nm
Rs	Roottorin nopeus	rpm
Rt	Napa-lämpötila	deg_C
S	Näkyvä_voima	kVA
Va	Siipi_asento	astetta
Va1	Siipi_asento_1	astetta
Va2	Siipi_asento_2	astetta
Wa	Absoluuttinen_tuulen_suunta	astetta
Wa_c	Absoluuttinen_tuulen_suunta_korjattu	astetta
Ws	Tuulen nopeus	neiti
Ws1	Tuuli_nopeus_1	neiti
Ws2	Tuuli_nopeus_2	neiti
Ya	Nacelle_kulma	astetta
Yt	Nacelle_lämpötila	deg_C

Amazon Lookout for Equipmentin käyttö koostuu kolmesta vaiheesta: nielemisestä, koulutuksesta ja päättelystä (tai havaitsemisesta). Kun malli on koulutettu käytettävissä olevilla historiallisilla tiedoilla, päätelmä voi tapahtua automaattisesti valitulla aikavälillä, kuten 5 minuutin tai 1 tunnin välein.

Tarkastellaan ensin prosessin Amazon Lookout for Equipment -puolta. Tässä esimerkissä koulutimme historiallisten tietojen avulla ja arvioimme mallia yhden vuoden historiallisten tietojen perusteella. Näiden tulosten perusteella havaittiin 1 148 tapahtumasta, keskimääräisen ennakkovaroitusajan ollessa 150 tuntia.

Jokaiselle tapahtumalle annetaan avainantureiden diagnoosi, joka tukee perussyyn arviointia, kuten seuraavassa kuvakaappauksessa esitetään.

SmartInsights tarjoaa visualisoinnin jokaisen omaisuuden tiedoista ja sisältää Amazon Lookout for Equipment -tapahtumat. SmartInsights voi sitten yhdistää alkuperäiset mittaukset Amazon Lookout for Equipmentin havaitsemiin poikkeavuuksiin käyttämällä yhteistä aikaleimaa. Tämä antaa SmartInsightsille mahdollisuuden näyttää mittauksia ja poikkeavuuksia yhteisellä aikataululla ja antaa käyttäjälle kontekstin näille tapahtumille. Seuraavassa graafisessa esityksessä vihreä palkki on päällekkäin poikkeavuuksien päällä. Voit sukeltaa syvään arvioimalla diagnostiikkaa resurssin perusteella ja selvittääksesi milloin ja miten reagoida tapahtumaan.

Esimerkissämme käytettyjen tuuliturbiinitietojen avulla SmartInsights antoi visuaalisen todistuksen tapahtumista ennakkovaroituksella Amazon Lookout for Equipment -tulosten perusteella. Tuotantoympäristössä ennuste voi luoda ilmoituksen tai hälytyksen käyttöhenkilöstölle tai käynnistää toisessa sovelluksessa luotavan työmääräyksen henkilöstön lähettämiseksi korjaaviin toimiin ennen epäonnistumista.

SmartInsights tukee hälytysten laukeamista vastauksena tiettyihin olosuhteisiin. Voit esimerkiksi määrittää SmartInsightsin lähettämään viestin Slack-kanavalle tai lähettämään tekstiviestin. Koska SmartInsights on rakennettu AWS: lle, ilmoituksen päätepiste voi olla mikä tahansa kohde, jota Amazon SNS tukee. Esimerkiksi seuraava mobiililaitteen SmartInsights-näkymä sisältää luettelon hälytyksistä, jotka on käynnistetty tietyssä aikaikkunassa ja joihin SmartInsights-käyttäjä voi tilata.

Seuraava arkkitehtuurikaavio näyttää, kuinka Amazon Lookout for Equipmentia käytetään SmartInsightsin kanssa. Amazon Lookout for Equipment tarjoaa monille sovelluksille nopeutetun polun poikkeavuuksien havaitsemiseen tarvitsematta palkata datatieteilijää ja saavuttaa yritysten sijoitetun pääoman tuotto.

Maksimoi käyttöaika, lisää turvallisuutta ja paranna koneiden tehokkuutta

Ehtoihin perustuva ylläpito on hyödyllistä yrityksellesi monilla tasoilla:

• Maksimaalinen käyttöaika - Kun huoltotapahtumat ennustetaan, päätät optimaalisen aikataulun minimoidaksesi vaikutuksen toiminnan tehokkuuteen.
• Lisääntynyt turvallisuus - Ehtoihin perustuva huolto varmistaa, että laitteesi pysyvät turvallisissa käyttöolosuhteissa, mikä suojaa kuljettajiasi ja koneitasi tarttumalla ongelmiin ennen kuin niistä tulee ongelmia.
• Parempi koneen hyötysuhde - Kun koneesi kuluvat normaalisti, niiden tehokkuus heikkenee. Ehtoihin perustuva huolto pitää koneesi optimaalisissa olosuhteissa ja pidentää laitteiden käyttöikää.

Yhteenveto

Jo ennen Amazon Lookout for Equipment -tuotteen julkaisua TensorIoT auttoi teollisuusvalmistajia uudistamaan koneitaan toteuttamalla moderneja arkkitehtuureja, antureita vanhoille lisäyksille ja ML: n, jotta uudet hankitut tiedot olisivat ymmärrettäviä ja toimintakelpoisia. Amazon Lookout for Equipment- ja TensorIoT-ratkaisujen avulla TensorIoT auttaa tekemään omaisuudestasi entistä älykkäämpiä.

Ota yhteyttä TensorIoT -palveluun saadaksesi selville, kuinka voit käyttää Amazon Lookout for Equipment with SmartInsights -ohjelmaa saadaksesi nopeamman käsityksen odottavista laitevioista ja vähentämällä seisokkeja. contact@tensoriot.com.

Lisätietoja Amazon Lookout for Equipmentin käytön aloittamisesta on osoitteessa verkkosivu.

---

Tietoja Tekijät

Alicia Trent on maailmanlaajuinen liiketoiminnan kehityspäällikkö Amazon Web Services -palvelussa. Hänellä on 15 vuoden kokemus tekniikasta kaikilla teollisuudenaloilla ja hän on valmistunut Georgian teknillisestä instituutista, jossa hän on suorittanut kandidaatin tutkinnon kemian- ja biomolekyylitekniikassa sekä MS-tutkinnon konetekniikassa.

Dastan Aitzhanov on sovellusten tekoälyn ratkaisuarkkitehti Amazon Web Services -palvelun kanssa. Hän on erikoistunut skaalautuvien pilvipohjaisten alustojen suunnitteluun ja rakentamiseen painottaen koneoppimista, esineiden Internetiä ja Big Data -ohjattuja sovelluksia. Kun hän ei ole töissä, hän nauttii leiristä, hiihdosta ja vain viettää aikaa ulkona ulkona perheen kanssa.

Nicholas Burden on TensorIoT: n vanhempi tekninen evankelista, jossa hän keskittyy kääntämään monimutkaiset tekniset ammattikielten sulavat tiedot. Hänellä on yli vuosikymmenen tekninen kirjoittamiskokemus ja maisteri ammatillisessa kirjoittamisessa USC: ltä. Työn ulkopuolella hän nauttii jatkuvasti kasvavasta huonekasvien kokoelmasta ja viettää aikaa lemmikkien ja perheen kanssa.

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