Förbättra driftseffektiviteten med integrerad övervakning av utrustning med TensorIoT som drivs av AWS

Maskinstopp har en dramatisk inverkan på din effektivitet. Oväntad stilleståndstid för maskinen är ännu värre. Att upptäcka problem med industriell utrustning i ett tidigt skede och använda dessa data för att informera om korrekt underhåll kan ge ditt företag en betydande ökning av driftseffektiviteten.

Kunder ser värdet i att upptäcka onormalt beteende i industriell utrustning för att förbättra underhållscyklerna. Implementering av avancerade underhållsmetoder har dock flera utmaningar. En stor utmaning är överflödet av data som registreras från sensorer och logginformation, samt hantering av utrustning och webbplatsens metadata. Dessa olika former av data kan antingen vara otillgängliga eller spridas över olika system som kan hindra åtkomst och bearbetning. Efter att dessa data har konsoliderats är nästa steg att få insikter för att prioritera den mest operativt effektiva underhållsstrategin.

Det finns ett antal verktyg för databehandling idag, men de flesta kräver betydande manuella ansträngningar för att implementera eller underhålla, vilket fungerar som ett hinder för användning. Dessutom kräver hantering av avancerad analys som maskininlärning (ML) antingen interna eller externa dataforskare att hantera modeller för varje typ av utrustning. Detta kan leda till höga kostnader för implementering och kan vara skrämmande för operatörer som hanterar hundratals eller tusentals sensorer i ett raffinaderi eller hundratals turbiner på en vindkraftspark.

Datainsamling och övervakning i realtid av dina IoT-tillgångar med TensorIoT

TensorIoT, en AWS Advanced Consulting Partner, är inte främmande för de svårigheter företag möter när de vill utnyttja sina data för att förbättra deras affärsmetoder. TensorIoT skapar produkter och lösningar som hjälper företag att dra nytta av ML och IoT.

"Oavsett storlek eller bransch försöker företagen uppnå större medvetenhet om situationen, få handlingsbar insikt och fatta mer självsäkra beslut", säger John Traynor, produktchef för TensorIoT.

För industrikunder är TensorIoT skickligt att integrera sensorer och maskindata med AWS-verktyg i ett helhetssystem som håller operatörer informerade om deras utrustnings status hela tiden. TensorIoT använder AWS IoT Greengrass med AWS IoT SiteWise och andra AWS molntjänster för att hjälpa kunder att samla in data från både direkta mätningar av utrustning och tilläggssensorer genom anslutna enheter för att mäta faktorer som fuktighet, temperatur, tryck, effekt och vibrationer, vilket ger en helhetsbild av maskinens funktion. För att hjälpa företag att få ökad förståelse för sina data och processer skapade TensorIoT SmartInsights, en produkt som innehåller data från flera källor för analys och visualisering. Tydliga visualiseringsverktyg i kombination med avancerad analys innebär att den samlade informationen är lätt att förstå och användbar för användarna. Detta ses i följande skärmdump, som visar den specifika platsen där en anomali inträffade och en ranking baserad på produktion eller processeffektivitet.

TensorIoT byggde upp anslutningen för att få in data Amazon Lookout för utrustning (en övervakningstjänst för industriell utrustning som upptäcker onormalt utrustningsbeteende) för analys och använde sedan SmartInsights som visualiseringsverktyg för användare att agera på resultatet. Oavsett om en operativ chef vill visualisera tillgångens hälsa eller tillhandahålla ett automatiskt push-meddelande som skickas till underhållsteam såsom ett larm eller Amazon enkel meddelandetjänst (Amazon SNS) -meddelande, SmartInsights håller industrianläggningar och fabriksgolv i högsta prestanda även för de mest komplexa enhetshierarkierna. Drivs av AWS, hjälper TensorIoT företag snabbt och exakt att upptäcka avvikelser i utrustning, diagnostisera problem och vidta omedelbara åtgärder för att minska dyra stilleståndstider.

Förenkla maskininlärning med Amazon Lookout for Equipment

ML erbjuder industriföretag möjligheten att automatiskt upptäcka nya insikter från data som samlas in över system och utrustningstyper. Tidigare har emellertid industriella ML-aktiverade lösningar som utrustningskontroll övervakats för de mest kritiska eller dyra tillgångarna på grund av de höga kostnaderna för att utveckla och hantera de modeller som krävs. Traditionellt behövde en datavetare gå igenom dussintals steg för att bygga en initial modell för övervakning av industriell utrustning som kan upptäcka onormalt beteende. Amazon Lookout for Equipment automatiserar dessa traditionella datavetenskapliga steg för att öppna fler möjligheter för en bredare uppsättning utrustning än någonsin tidigare. Amazon Lookout for Equipment minskar tunga lyft för att skapa ML-algoritmer så att du kan dra nytta av övervakning av industriell utrustning för att identifiera avvikelser och få nya handlingsbara insikter som hjälper dig att förbättra din verksamhet och undvika stillestånd.

Historiskt kan ML-modeller också vara komplexa att hantera på grund av förändrade eller nya operationer. Amazon Lookout for Equipment gör det enklare och snabbare att få feedback från ingenjörerna närmast utrustningen genom att möjliggöra direkt feedback och iteration av dessa modeller. Det innebär att en underhållsingenjör kan prioritera vilka insikter som är viktigast att upptäcka baserat på aktuella operationer, såsom process-, signal- eller utrustningsfrågor. Amazon Lookout for Equipment gör det möjligt för ingenjören att märka dessa händelser för att fortsätta att förfina och prioritera så att insikterna är relevanta över tillgångens livslängd.

Att kombinera TensorIoT och Amazon Lookout for Equipment har aldrig varit enklare

För att fördjupa oss i hur man visualiserar nära realtidsinsikter från Amazon Lookout for Equipment, låt oss utforska processen. Det är viktigt att ha historiska data och feldata så att vi kan träna modellen för att lära oss vilka mönster som inträffar före misslyckande. När den tränas kan modellen skapa slutsatser om väntande händelser från nya, live data från den utrustningen. Detta är historiskt ett tidskrävande hinder för adoption eftersom varje utrustning kräver separat utbildning på grund av dess unika funktion och löses genom Amazon Lookout for Equipment och visualiseras av SmartInsights.

För vårt exempel börjar vi med att identifiera en lämplig dataset där vi har sensor- och andra operativa data från en utrustning, samt historiska data om när utrustningen har fungerat utanför specifikationerna eller har misslyckats, om tillgänglig.

För att visa hur man använder Amazon Lookout for Equipment och visualiserar resultat i nästan realtid i SmartInsights använde vi a allmänt tillgänglig uppsättning vindkraftsdata. Vår dataset från La Haute Borne vindkraftspark spänner över flera hundra tusen rader och över 100 kolumner med data från en mängd olika sensorer på utrustningen. Data inkluderade rotorhastighet, stigningsvinkel, generatorlagertemperaturer, växellådans lagertemperaturer, oljetemperatur, flera effektmätningar, vindhastighet och riktning, utomhustemperatur och mer. De maximala, genomsnittliga och andra statistiska egenskaperna lagrades också för varje datapunkt.

Följande tabell är en delmängd av kolumnerna som används i vår analys.

Variabel_namn	Variabel_lång_namn	Enhetslångt namn
Turbine	Vindkraftverksnamn
Tid	Datum Tid
Ba	Stigningsvinkel	DEG
Cm	Converter_torque	Nm
Cosphi	Effektfaktor
Db1t	Generator_bearing_1_temperatur	deg_C
Db2t	Generator_bearing_2_temperatur	deg_C
DC	Generator_converter_speed	rpm
Ds	Generator_hastighet	rpm
Dst	Generator_stator_temperatur	deg_C
GB1t	Växellåda_bärande__temperatur	deg_C
GB2t	Växellåda_bärande__temperatur	deg_C
gå	Växellåda_inloppstemperatur	deg_C
gost	Växellåda_oljesumpstemperatur	deg_C
Na_c	Nacelle_angle_corrected	DEG
Nf	Grid_frekvens	Hz
Nu	Nät_spänning	V
Ot	Utetemperatur	deg_C
P	Aktiv makt	kW
Pas	Pitch_angle_setpoint
Q	Responsiv kraft	kVAr
Rbt	Rotortemperatur	deg_C
Rm	Vridmoment	Nm
Rs	Rotor_hastighet	rpm
Rt	Hub_temperatur	deg_C
S	Tydlig_kraft	kVA
Va	Vane_position	DEG
Va1	Vane_position_1	DEG
Va2	Vane_position_2	DEG
Wa	Absolut_vindriktning	DEG
Wa_c	Absolut_vindriktning_korrigerad	DEG
Ws	Vindhastighet	Fröken
ws1	Vindhastighet_1	Fröken
ws2	Vindhastighet_2	Fröken
Ya	Nacelle_angle	DEG
Yt	Nacelle_temperatur	deg_C

Att använda Amazon Lookout for Equipment består av tre steg: intag, träning och slutsats (eller upptäckt). Efter att modellen har tränats med tillgängliga historiska data kan slutsatser hända automatiskt under ett valt tidsintervall, t.ex. var 5: e minut eller var 1: e timme.

Låt oss först titta på Amazon Lookout for Equipment-sidan av processen. I det här exemplet tränade vi med historiska data och utvärderade modellen mot ett års historisk data. Baserat på dessa resultat upptäcktes 1 av de 148 händelserna med en genomsnittlig varningstid på 150 timmar.

För var och en av händelserna ges en diagnostik av de viktigaste bidragande sensorerna för att stödja utvärderingen av grundorsaken, som visas i följande skärmdump.

SmartInsights tillhandahåller visualisering av data från varje tillgång och innehåller händelserna från Amazon Lookout for Equipment. SmartInsights kan sedan para ihop de ursprungliga mätningarna med de avvikelser som identifierats av Amazon Lookout for Equipment med den gemensamma tidsstämpeln. Detta gör det möjligt för SmartInsights att visa mätningar och avvikelser på en gemensam tidsskala och ger operatören sammanhang till dessa händelser. I följande grafiska framställning överlagras en grön stapel ovanpå avvikelserna. Du kan dyka djupt genom att utvärdera diagnostiken mot tillgången för att avgöra när och hur du ska svara på händelsen.

Med vindkraftsdata som användes i vårt exempel gav SmartInsights visuella bevis på händelserna med förvarning baserat på resultat för Amazon Lookout for Equipment. I en produktionsmiljö kan förutsägelsen skapa en anmälan eller en varning till operativ personal eller utlösa en arbetsorder som ska skapas i en annan applikation för att skicka personal för att vidta korrigerande åtgärder innan misslyckande.

SmartInsights stöder utlösning av varningar som svar på vissa villkor. Du kan till exempel konfigurera SmartInsights för att skicka ett meddelande till en Slack-kanal eller skicka ett textmeddelande. Eftersom SmartInsights är byggt på AWS kan meddelandets slutpunkt vara vilken destination som helst som stöds av Amazon SNS. Till exempel innehåller följande vy av SmartInsights på en mobil enhet en lista över varningar som har utlösts inom ett visst tidsfönster, som en SmartInsights-användare kan prenumerera på.

Följande arkitekturdiagram visar hur Amazon Lookout for Equipment används med SmartInsights. För många applikationer erbjuder Amazon Lookout for Equipment en snabbare väg till avkänning av avvikelser utan att behöva anställa en datavetare och möta affärens avkastning på investeringen.

Maximera drifttiden, öka säkerheten och förbättra maskinens effektivitet

Skickbaserat underhåll är fördelaktigt för ditt företag på många nivåer:

• Maximal drifttid - När underhållshändelser förutses bestämmer du den optimala schemaläggningen för att minimera påverkan på din operativa effektivitet.
• Ökad säkerhet - Skickbaserat underhåll säkerställer att din utrustning förblir i säkra driftsförhållanden, vilket skyddar dina operatörer och din maskin genom att fånga problem innan de blir problem.
• Förbättrad maskineffektivitet - När dina maskiner genomgår normalt slitage minskar deras effektivitet. Skickbaserat underhåll håller dina maskiner under optimala förhållanden och förlänger utrustningens livslängd.

Slutsats

Redan före lanseringen av Amazon Lookout for Equipment hjälpte TensorIoT industritillverkare att förnya sina maskiner genom implementeringen av moderna arkitekturer, sensorer för äldre förstärkning och ML för att göra de nyförvärvade uppgifterna begripliga och användbara. Med Amazon Lookout för utrustning och TensorIoT-lösningar hjälper TensorIoT att göra dina tillgångar ännu smartare.

För att utforska hur du kan använda Amazon Lookout för utrustning med SmartInsights för att snabbare få inblick i väntande utrustningsfel och minska stillestånd, kontakta TensorIoT via contact@tensoriot.com.

Information om hur du börjar använda Amazon Lookout for Equipment finns på webbsida.

---

Om författarna

Alicia Trent är en Worldwide Business Development Manager på Amazon Web Services. Hon har 15 års erfarenhet inom teknik inom industrisektorerna och är utexaminerad från Georgia Institute of Technology, där hon tog en BS-examen i kemisk och biomolekylär teknik och en MS-examen i maskinteknik.

Dastan Aitzhanov är en lösningsarkitekt i tillämpad AI med Amazon Web Services. Han specialiserar sig på att bygga och bygga skalbara molnbaserade plattformar med tonvikt på maskininlärning, sakernas internet och Big Data-driven applikationer. När han inte arbetar tycker han om att åka camping, åka skidor och bara spendera tid utomhus med sin familj.

Nicholas Burden är Senior Technical Evangelist på TensorIoT, där han fokuserar på att översätta komplex teknisk teknisk jargong till smältbar information. Han har över ett decennium av teknisk skriverfarenhet och en magisterexamen i professionell skrivning från USC. Utanför jobbet tycker han om att ta hand om en ständigt växande samling krukväxter och spendera tid med husdjur och familj.

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