Forbedre driftseffektiviteten med integrert utstyrsovervåking med TensorIoT drevet av AWS

Maskintid har en dramatisk innvirkning på din driftseffektivitet. Uventet nedetid på maskinen er enda verre. Å oppdage problemer med industrielt utstyr på et tidlig stadium og bruke disse dataene til å informere riktig vedlikehold kan gi bedriften din en betydelig økning i driftseffektivitet.

Kunder ser verdien i å oppdage unormal oppførsel i industrielt utstyr for å forbedre vedlikeholdssyklusen. Imidlertid har implementering av avanserte vedlikeholdstilnærminger flere utfordringer. En stor utfordring er mengden data som er registrert fra sensorer og logginformasjon, samt administrasjon av utstyr og metadata på stedet. Disse forskjellige former for data kan enten være utilgjengelige eller spre seg over forskjellige systemer som kan hindre tilgang og behandling. Etter at disse dataene er konsolidert, er neste trinn å få innsikt i å prioritere den mest operativt effektive vedlikeholdsstrategien.

Det finnes en rekke databehandlingsverktøy i dag, men de fleste krever betydelig manuell innsats for å implementere eller vedlikeholde, noe som fungerer som en barriere for bruk. Videre krever administrering av avansert analyse som maskinlæring (ML) enten interne eller eksterne dataforskere å administrere modeller for hver type utstyr. Dette kan føre til høye implementeringskostnader og kan være skremmende for operatører som administrerer hundrevis eller tusenvis av sensorer i et raffineri eller hundrevis av turbiner på en vindpark.

Sanntids datafangst og overvåking av IoT-eiendelene dine med TensorIoT

TensorIoT, en AWS Advanced Consulting Partner, er ikke fremmed for de vanskelighetene selskapene står overfor når de ønsker å utnytte dataene for å forbedre forretningspraksis. TensorIoT skaper produkter og løsninger som hjelper selskaper å dra nytte av kraften i ML og IoT.

"Uansett størrelse eller bransje, søker bedrifter å oppnå større situasjonsbevissthet, få handlingsbar innsikt og ta mer selvsikker avgjørelse," sier John Traynor, TensorIoT VP of Products.

For industrikunder er TensorIoT dyktige i å integrere sensorer og maskindata med AWS-verktøy i et helhetlig system som til enhver tid holder operatørene informert om status for utstyret deres. TensorIoT bruker AWS IoT Greengrass med AWS IoT SiteWise og andre AWS Cloud-tjenester for å hjelpe klienter med å samle inn data fra både direkte utstyrsmålinger og tilleggssensorer gjennom tilkoblede enheter for å måle faktorer som fuktighet, temperatur, trykk, kraft og vibrasjon, noe som gir et helhetsbilde av maskinens drift. For å hjelpe bedrifter med å få økt forståelse av dataene og prosessene, opprettet TensorIoT SmartInsights, et produkt som inneholder data fra flere kilder for analyse og visualisering. Tydelige visualiseringsverktøy kombinert med avansert analyse betyr at de samlede dataene er enkle å forstå og brukbare for brukerne. Dette ses i det følgende skjermbildet, som viser det spesifikke nettstedet der en avvik oppstod og en rangering basert på produksjons- eller prosesseffektivitet.

TensorIoT bygde tilkoblingen for å få datainntaket inn Amazon Lookout for utstyr (en overvåkingstjeneste for industrielt utstyr som oppdager unormal utstyrsadferd) for analyse, og brukte deretter SmartInsights som visualiseringsverktøy for brukere å handle på resultatet. Enten en operasjonsleder ønsker å visualisere helsen til eiendelen eller gi et automatisk push-varsel sendt til vedlikeholdsteam, for eksempel en alarm eller Amazon enkel varslingstjeneste (Amazon SNS) -melding, SmartInsights holder industriområder og fabrikkgulv i topp ytelse for selv de mest komplekse enhetshierarkiene. Drevet av AWS, hjelper TensorIoT bedrifter raskt og presist med å oppdage utstyrsavvik, diagnostisere problemer og iverksette umiddelbare tiltak for å redusere kostbar nedetid.

Forenkle maskinlæring med Amazon Lookout for Equipment

ML tilbyr industribedrifter muligheten til automatisk å oppdage ny innsikt fra data som samles på tvers av systemer og utstyrstyper. Tidligere har imidlertid industrielle ML-aktiverte løsninger som utstyrsovervåking blitt reservert for de mest kritiske eller dyre eiendelene på grunn av de høye kostnadene ved å utvikle og administrere de nødvendige modellene. Tradisjonelt måtte en dataforsker gå gjennom dusinvis av trinn for å bygge en innledende modell for overvåking av industrielt utstyr som kan oppdage unormal oppførsel. Amazon Lookout for Equipment automatiserer disse tradisjonelle datavitenskapstrinnene for å åpne for flere muligheter for et bredere sett med utstyr enn noen gang før. Amazon Lookout for Equipment reduserer tunge løft for å lage ML-algoritmer, slik at du kan dra nytte av overvåking av industrielt utstyr for å identifisere avvik, og få ny handlingsbar innsikt som hjelper deg med å forbedre driften og unngå nedetid.

Historisk sett kan ML-modeller også være kompliserte å administrere på grunn av endrede eller nye operasjoner. Amazon Lookout for Equipment gjør det enklere og raskere å få tilbakemelding fra ingeniørene nærmest utstyret ved å muliggjøre direkte tilbakemelding og iterasjon av disse modellene. Det betyr at en vedlikeholdsingeniør kan prioritere hvilken innsikt som er viktigst å oppdage basert på gjeldende operasjoner, for eksempel prosess-, signal- eller utstyrsproblemer. Amazon Lookout for Equipment gjør at ingeniøren kan merke disse hendelsene for å fortsette å avgrense og prioritere, slik at innsikten forblir relevant over eiendelens levetid.

Å kombinere TensorIoT og Amazon Lookout for Equipment har aldri vært enklere

For å dykke dypere inn i hvordan du kan visualisere nær sanntidsinnsikt fra Amazon Lookout for Equipment, la oss utforske prosessen. Det er viktig å ha historiske data og feildata slik at vi kan trene modellen til å lære hvilke mønstre som oppstår før feil. Når den er trent, kan modellen lage slutninger om ventende hendelser fra nye, live data fra det utstyret. Historisk sett er dette en tidkrevende barriere for adopsjon fordi hvert utstyr krever separat opplæring på grunn av sin unike drift og løses gjennom Amazon Lookout for Equipment og visualiseres av SmartInsights.

For vårt eksempel begynner vi med å identifisere et passende datasett der vi har sensor- og andre operasjonelle data fra et utstyr, samt historiske data om når utstyret har fungert utenfor spesifikasjonene eller har mislyktes, hvis tilgjengelig.

For å demonstrere hvordan du bruker Amazon Lookout for Equipment og visualiserer resultater i nærmest sanntid i SmartInsights, brukte vi a offentlig tilgjengelig sett med vindturbinedata. Datasettet vårt fra La Haute Borne vindpark spenner over flere hundre tusen rader og over 100 kolonner med data fra en rekke sensorer på utstyret. Dataene inkluderer rotorhastighet, stigningsvinkel, generatorlagertemperaturer, girkasselagertemperaturer, oljetemperatur, flere kraftmålinger, vindhastighet og retning, utetemperatur og mer. Maksimum, gjennomsnitt og andre statistiske egenskaper ble også lagret for hvert datapunkt.

Tabellen nedenfor er en delmengde av kolonnene som ble brukt i analysen vår.

Variabel_navn	Variabelt langt navn	Enhetslange navn
Turbin	Vindturbinavn
Tid	Dato tid
Ba	Pitch_angle	grader
Cm	Converter_torque	Nm
Cosphi	Maktfaktor
Db1t	Generator_bearing_1_temperatur	grader_C
Db2t	Generator_bearing_2_temperatur	grader_C
DC-er	Generator_converter_speed	rpm
Ds	Generator_hastighet	rpm
Dst	Generator_stator_temperatur	grader_C
Gb1t	Girkasse_bearing_1_temperatur	grader_C
Gb2t	Girkasse_bearing_2_temperatur	grader_C
gå	Girkasse_innløpstemperatur	grader_C
Gost	Gearbox_oil_sump_temperatur	grader_C
Na_c	Nacelle_angle_corrected	grader
Nf	Rutenettfrekvens	Hz
Nu	Rutenett_spenning	V
Ot	Utetemperatur	grader_C
P	Active_power	kW
Pas	Pitch_angle_setpoint
Q	Reaktiv_makt	kVAr
Rbt	Rotor_bærende temperatur	grader_C
Rm	moment~~POS=TRUNC	Nm
Rs	Rotor_hastighet	rpm
Rt	Hub_temperatur	grader_C
S	Tilsynelatende effekt	kVA
Va	Vane_posisjon	grader
Va1	Vane_posisjon_1	grader
Va2	Vane_posisjon_2	grader
Wa	Absolutt_vindretting	grader
Wa_c	Absolutt_retning_korrigert	grader
Ws	Vindfart	m / s
WS1	Vindhastighet_1	m / s
WS2	Vindhastighet_2	m / s
Ya	Nacelle_angle	grader
Yt	Nacelle_temperatur	grader_C

Bruk av Amazon Lookout for Equipment består av tre trinn: inntak, trening og slutning (eller deteksjon). Etter at modellen er trent med tilgjengelige historiske data, kan slutning skje automatisk i et valgt tidsintervall, for eksempel hvert 5. minutt eller hver time.

La oss først se på Amazon Lookout for Equipment-siden av prosessen. I dette eksemplet trente vi ved hjelp av historiske data og evaluerte modellen mot ett års historisk data. Basert på disse resultatene ble 1 av 148 hendelser oppdaget med en gjennomsnittlig varslingstid på 150 timer.

For hver av hendelsene gis en diagnostikk av de viktigste bidragsgivende sensorene for å støtte evaluering av grunnårsaken, som vist i følgende skjermbilde.

SmartInsights gir visualisering av data fra hvert aktivum og inkluderer hendelsene fra Amazon Lookout for Equipment. SmartInsights kan deretter pare de originale målene med avvikene identifisert av Amazon Lookout for Equipment ved hjelp av den vanlige tidsstemplet. Dette gjør det mulig for SmartInsights å vise målinger og avvik på en vanlig tidsskala og gir operatøren kontekst til disse hendelsene. I den følgende grafiske representasjonen er en grønn søyle overlappet på toppen av avvikene. Du kan dykke dykk ved å evaluere diagnostikken mot eiendelen for å avgjøre når og hvordan du skal svare på hendelsen.

Med vindturbinedataene som ble brukt i vårt eksempel, ga SmartInsights visuelt bevis på hendelsene med forvarsling basert på resultater for Amazon Lookout for Equipment. I et produksjonsmiljø kan prediksjonen opprette et varsel eller et varsel til driftspersonell eller utløse en arbeidsordre som skal opprettes i en annen applikasjon for å sende personell for å utføre korrigerende tiltak før feil.

SmartInsights støtter utløsing av varsler som svar på visse forhold. For eksempel kan du konfigurere SmartInsights for å sende en melding til en Slack-kanal eller sende en tekstmelding. Fordi SmartInsights er bygget på AWS, kan endepunktet for varsling være hvilket som helst mål som støttes av Amazon SNS. For eksempel inneholder følgende visning av SmartInsights på en mobil enhet en liste over varsler som er utløst innen et bestemt tidsvindu, som en SmartInsights-bruker kan abonnere på.

Følgende arkitekturdiagram viser hvordan Amazon Lookout for Equipment brukes med SmartInsights. For mange applikasjoner gir Amazon Lookout for Equipment en akselerert vei til deteksjon av avvik uten behov for å ansette en datavitenskapsmann og oppfylle forretningsavkastningen.

Maksimer oppetid, øke sikkerheten og forbedre maskinens effektivitet

Tilstandsbasert vedlikehold er gunstig for din virksomhet på mange nivåer:

• Maksimert oppetid - Når det er spådd om vedlikeholdshendelser, bestemmer du den optimale planleggingen for å minimere innvirkningen på din driftseffektivitet.
• Økt sikkerhet - Tilstandsbasert vedlikehold sikrer at utstyret ditt forblir i sikre driftsforhold, som beskytter operatørene og maskinene dine ved å fange problemer før de blir problemer.
• Forbedret maskineffektivitet - Ettersom maskinene dine gjennomgår normalt slitasje, reduseres effektiviteten. Tilstandsbasert vedlikehold holder maskinene dine i optimale forhold og forlenger utstyrets levetid.

konklusjonen

Allerede før utgivelsen av Amazon Lookout for Equipment, hjalp TensorIoT industriprodusenter med å innovere maskinene sine gjennom implementering av moderne arkitekturer, sensorer for eldre forstørrelse og ML for å gjøre de nyinnhentede dataene forståelige og brukbare. Med Amazon Lookout for utstyr og TensorIoT-løsninger, bidrar TensorIoT til å gjøre eiendelene dine enda smartere.

For å utforske hvordan du kan bruke Amazon Lookout for utstyr med SmartInsights for raskere å få innsikt i ventende utstyrssvikt og redusere nedetid, ta kontakt med TensorIoT via contact@tensoriot.com.

Detaljer om hvordan du begynner å bruke Amazon Lookout for Equipment er tilgjengelig på webside.

---

Om forfatterne

Alicia Trent er en verdensomspennende forretningsutviklingssjef hos Amazon Web Services. Hun har 15 års erfaring innen teknologi på tvers av industrisektorer og er utdannet ved Georgia Institute of Technology, hvor hun oppnådde en BS-grad i kjemisk og biomolekylær ingeniørfag, og en MS-grad i maskinteknikk.

Dastan Aitzhanov er løsningsarkitekt innen anvendt kunstig intelligens med Amazon Web Services. Han spesialiserer seg i arkitektering og bygging av skalerbare skybaserte plattformer med vekt på Machine Learning, Internet of Things og Big Data-drevne applikasjoner. Når han ikke jobber, liker han å gå på camping, på ski og bare tilbringe tid ute i det fri sammen med familien.

Nicholas Burden er senior teknisk evangelist ved TensorIoT, hvor han fokuserer på å oversette kompleks teknisk sjargong til fordøyelig informasjon. Han har over et tiår med teknisk skriveerfaring og en master i profesjonell skriving fra USC. Utenfor jobben liker han å pleie en stadig voksende samling av potteplanter og tilbringe tid med kjæledyr og familie.

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