Amazon Monitron と Amazon Kinesis により予知保全のためのアクションにつながる洞察を得る方法

製造業の生産ライン、倉庫、工場などの産業設備における設備保全の管理者や技術者は、製品の生産量と品質を最大化するために、装置の健全性と稼働率を向上させることに熱心に取り組んでいます。設備や生産工程の不具合は、問題発生した後に対応を行うか、コストをかけて予防保全を行うことが多く、機器を必要以上の頻度でメンテナンスしたり、定期的な保全間隔の間に起こりうる問題を見逃したりする危険性があります。予知保全は、事後保全や予防保全よりも優れたプロアクティブな戦略です。実際に、このアプローチでは、継続的なモニタリング、予測分析、必要なタイミングでのアクションが組み合わされています。これにより、設備保全のチームは、実際の機器の状態に基づいて、必要なときにだけ機器を修理することができます。

大規模な産業設備群に対して実際に意味のある洞察を得るために、状態ベースのモニタリングには共通の課題がありました。これらの課題には、現場からデータを収集するセンサーの複雑なインフラストラクチャの構築と維持、産業設備群に関する信頼性が高くハイレベルなサマリーの取得、故障の警告情報に関する効率的な管理、推測される異常の根本原因の特定、産業設備の状態を大規模で効果的に視覚化することなど、様々な課題があります。

Amazon Monitron は、アプリケーションからセンサーまで一貫して提供するエンドツーエンドの状態監視ソリューションで、機械学習 ( ML ) を活用して機器の健康状態の監視を数分で開始でき、予知保全により計画外のダウンタイムを削減することが可能です。 Amazon Monitron には、振動や温度データを取得するセンサーデバイス、データを AWS クラウドにセキュリティを担保しながら転送するゲートウェイデバイス、データを ML で異常解析する Amazon Monitron サービス、設備の潜在的な故障を追跡する専用のモバイルアプリが含まれています。お客様のフィールドエンジニアやオペレーターは、このアプリを直接使用して、産業設備の診断やメンテナンス計画を立てることができます。

運用技術 (OT) チームの立場からすると、Amazon Monitron のデータを使用することで、 AI によって多数の産業設備群の運用方法を改善する新しい方法も開けることになります。 OT チームは、複数の階層（設備、サイト、プラント）にまたがる統合ビューを構築することで、組織レベルで予知保全の実践を強化できます。実際の測定データと ML の推論結果を、未認識のアラーム、センサーやゲートウェイの接続状態、または設備の状態遷移と組み合わせて、彼らが焦点を当てているスコープ（設備、サイト、プロジェクト）のハイレベルなサマリーを構築することができます。

最近発表された Amazon Monitron Kinesis データエクスポート v2 機能により、OT チームは Amazon Monitron から Amazon Kinesis 経由で AWS Simple Storage Service (Amazon S3) に受信する測定データと推論結果をストリーミングして、モノのインターネット (IoT) データレイクを構築できます。最新のデータエクスポートスキーマを活用することで、センサーの接続状況、ゲートウェイの接続状況、各測定値に対するML推論結果、メンテナンス実施後の結果やユーザーが入力する異常原因などを示すコード、設備の状態遷移イベントの詳細を得ることができます。

ユースケースの概要

Amazon Monitron が新たに提供する充実したデータストリームにより、作業指示の自動作成、一枚で見られる運用画面のさらなる充実、障害報告の自動化など、いくつかの重要なユースケースを実現することができます。これらのユースケースを掘り下げてみましょう。

Amazon Monitron Kinesis データエクスポート v2 を使用して、 Infor EAM 、 SAP Asset Management 、 IBM Maximo などの Enterprise Asset Management (EAM: エンタープライズ設備管理) システムで作業指示書を作成することができます。例えば、ビデオ「 Avoiding mechanical issues with predictive maintenance & Amazon Monitron」では、 Amazon がフルフィルメントセンターで使用されている EAM や技術者の使用しているチャットルームなどのサードパーティ製ソフトウェアと Amazon Monitron センサーを統合し、ベルトコンベアの機械的な障害を防いでいる様子をご覧いただけます。このビデオは、 Amazon Monitron の洞察を既存のワークフローに自然に統合することができることを示しています。次回は、この統合作業に関する実現方法をご紹介しますので、どうぞお楽しみに。

また、データストリームを使用して、 Amazon Monitron のインサイトを SCADA (Supervisory Control and Data Acquisition) やヒストリアンなどの工場システムに取り込むことができます。工場のオペレーションは、設備とプロセスに関するすべてのインサイトが単一画面で提供される場合、より効率的です。このコンセプトでは、 Amazon Monitron は技術者が新しい別の監視ツールを使用しなければいけないのではなく、すでに慣れ親しんだツールでインサイトを提供する別のデータソースになります。今年の後半には、このタスクを実行し、 Amazon Monitron のフィードバックを主要なサードパーティの SCADA システムやヒストリアンに送信するために使用できるアーキテクチャについても説明する予定です。

また重要なこととして、 Amazon Monitron からの新しいデータストリームには、設備の状態の変化を示すアラームの中に、設備の状態遷移とユーザーによって入力される異常原因などを示すコードが含まれています。このデータのおかげで、設備の操作中に発生した障害とアクションのリアルタイムレポートを提供する画面を自動的に構築することができます。

あなたのチームは、この記事で説明する主要な AWS サービスを使用して、この設備状態データと Amazon Monitron 測定データ、さらには多数の産業設備群全体の IoT データを組み合わせることにより、産業設備群の管理業務をサポートする、より幅広いデータ分析ダッシュボードのソリューションを構築できます。この記事では、 IoT データレイクの構築方法、データを生成・活用するワークフロー、 Amazon Monitron のセンサーデータと推論結果を可視化するサマリーダッシュボードを説明します。 Amazon は、倉庫施設に設置された約 780 個のセンサーから得られる Amazon Monitron のデータセットを使用し、 1 年以上稼働しています。 Amazon Monitron の詳細なインストールガイドについては、 Getting started with Amazon Monitron を参照してください。

ソリューションの概要

Amazon Monitron は、各設備の ML モデル学習期間である 14 ~ 21 日後以降に、設備の健康状態の ML 推論を提供します。本ソリューションでは、これらのセンサーからの計測データと ML 推論は、最新の Amazon Monitron データエクスポート機能を利用して、 Amazon Kinesis Data Streams 経由で Amazon S3 へエクスポートされます。 Amazon Monitron の IoT データが Amazon S3 で利用可能になれば、 Amazon S3 に保存されたデータを AWS Glue クローラーを使用して Amazon Athena にデータベースとテーブルとして展開できるようになります。また、 Athena を使用して、 AWS Glue のテーブルを経由して Amazon Monitron のデータをクエリし、 Amazon Managed Grafana で計測データと ML 推論を可視化することができます。 Amazon Managed Grafana を使用すると、可視化のためのダッシュボードを作成・利用・共有し、 Grafana のインフラ管理に費やす時間を減らすことができます。この記事では、 Amazon Managed Grafana を Athena に接続し、 Amazon Monitron のデータでデータ分析ダッシュボードを構築して、大規模な産業設備の運用計画を支援する方法を学びます。

以下のスクリーンショットは、この投稿の最後に実現できることの例です。このダッシュボードは、3つのセクションに分かれています：

Plant View：プラント全体のすべてのセンサーからの分析情報。例：センサーの状態（Healthy、Warning、Alarm）の全体のカウント、ユーザーの未認識・認識済みのアラームの数、ゲートウェイの接続状態、メンテナンスの平均時間
Site View：サイトレベルの統計情報。例：各サイトの設備ステータス統計、アラームが未認識のままの総日数、各サイトのパフォーマンス上位 / 下位の設備など
Asset View：設備レベルの Amazon Monitron プロジェクトのサマリー情報。例：未認識アラームのアラームタイプ（ ISO または ML ）、アラームのタイムラインなど

これらのパネルは、戦略的な運用計画を立てる際に役立つ例ですが、これだけに限りません。同様のワークフローで、目標とする KPI に応じてダッシュボードをカスタマイズすることが可能です。

アーキテクチャの概要

この記事で構築するソリューションは、 Amazon Monitron 、 Kinesis Data Streams 、 Amazon Kinesis Data Firehose 、 Amazon S3 、 AWS Glue 、 Athena 、および Amazon Managed Grafana を組み合わせています。

次の図は、ソリューションのアーキテクチャを示しています。 Amazon Monitron のセンサーが機器を測定し、異常を検出します。測定データと ML 推論結果出力の両方が 1 時間に 1 回の頻度で Kinesis Data Streams にエクスポートされ、 Kinesis Data Firehose を介して Amazon S3 に 1 分のバッファで配信されます。エクスポートされた Amazon Monitron のデータは JSON 形式です。 AWS Glue クローラーは、 1 時間に 1 回という選択された頻度で Amazon S3 の Amazon Monitron データを分析し、 Athena でテーブルを更新します。最後に、 Amazon Managed Grafana が Athena を使用して Amazon S3 データを照会し、測定データとデバイスの健康状態の両方を可視化するダッシュボードを構築することができます。

このソリューションを構築するために、以下のハイレベルなステップを実行します：

Amazon Monitron から Kinesis Data Stream のエクスポートを有効にし、データストリームを作成
Kinesis Data Firehose を構成して、データストリームから S3 バケットにデータを配信
AWS Glue クローラーを構築して、 Athena に Amazon S3 データのテーブルを作成
Amazon Managed Grafana を使用して Amazon Monitron デバイスのダッシュボードを作成

準備

このソリューションを構築するために、以下の事前準備があります：

AWSアカウント。AWSアカウントをお持ちでない場合は、アカウントを作成
管理者権限を持つユーザーロール（このロールに関連するサービスアクセスは、ワークフローが本番に移行する際にさらに制限することができます）
お客様の機器にセンサーが配置され、稼働している Amazon Monitron プロジェクト
Firefox または Chrome の最新版
基本的な Linux 、 Python 、 SQL の知識（このソリューションを構築するために必須ではありませんが、この知識があるとより良いです）

また、デプロイするすべてのリソースが同じリージョンにあることを確認してください。

Amazon Monitron から Kinesis data stream export を有効化

データストリームへのエクスポートを設定するには、以下の手順を実行します：

Amazon Monitron コンソールで、プロジェクトのメインページから、「 Start live data export 」を選択します。
「 Select Amazon Kinesis data stream 」で「 Create a new data stream 」を選択します。
「 Data stream configuration 」で、データストリーム名を入力します。
「 Data stream capacity 」で、「 On-demand 」を選択します。
「 Create data stream 」を選択します。

2023 年 4 月 4 日以降に有効なライブデータエクスポートは、 Kinesis Data Streams v2 スキーマに従ってデータを送信することに留意してください。この日以前に有効化された既存のデータエクスポートのスキーマは v1 フォーマットに従います。

これで、 Amazon Monitron コンソールで、指定した Kinesis Data Streams のライブデータエクスポート情報を確認できるようになります。

Kinesis Data Firehose から S3 バケットに転送

Firehose 配信ストリームを設定するには、次の手順を実行します：

Kinesis コンソールで、ナビゲーションペインで「 Delivery streams 」を選択
「 Create delivery stream 」を選択
「 Source 」には、「 Amazon Kinesis Data Streams 」を選択
「 Destination 」には、「 Amazon S3 」を選択
「 Source settings 」の「 Kinesis data stream 」に、Kinesis Data Streams の ARN を入力
「 Delivery stream name 」の下に、 Kinesis Data Streams の名称を入力
「 Destination settings 」では、S3 バケットを選択するか、バケット URI を入力（Amazon Monitron データを保存するために既存の S3 バケットを使用するか、新しい S3 バケットを作成することができます）
JSON のインラインパーシングを使用したダイナミックパーティショニングを有効化：
- 「 Dynamic partitioning 」を「 Enabled 」に選択
- 「 Inline parsing for JSON 」を「 Enabled 」に選択
- 「 Dynamic partitioning keys 」で、以下のパーティションキーを追加：

Key Name	JQ Expression
project	`.projectName\| "project=\(.)"`
site	`.eventPayload.siteName\| "site=\(.)"`
asset	`.eventPayload.assetName\| "asset=\(.)"`
position	`.eventPayload.positionName\| "position=\(.)"`
time	`.timestamp\| sub(" [0-9]{2}:[0-9]{2}:[0-9]{2}.[0-9]{3}$"; "")\| "time=\(.)"`

「 Apply dynamic partitioning keys 」を選択し、生成された S3 バケットのプレフィックスを確認：

!{partitionKeyFromQuery:project}/!{partitionKeyFromQuery:site}/!{partitionKeyFromQuery:asset}/!{partitionKeyFromQuery:position}/!{partitionKeyFromQuery:time}/.

「 S3 bucket error output prefix 」を入力。前述したキーを含まない JSON ペイロードは、このプレフィックスで配信されます。例えば、 gatewayConnected や gatewayDisconnected イベントは、指定された設備やポジションとは関連がありません。そのため、 assetName と positionName フィールドは含まれません。ここでこのオプションのプレフィックスを指定すると、このプレフィックスの場所を監視して、これらのイベントを適宜処理することができます
「 Create delivery stream 」を選択

S3 バケット内の Amazon Monitron データを検査することができます。なお、 Amazon Monitron は 1 時間に 1 回の頻度でライブデータをエクスポートするので、データを検査するには最大 1 時間待ちます。

この Kinesis Data Firehose の設定では、動的パーティショニングを可能にし、配信される S3 オブジェクトには、次のキーフォーマットを使用します：

/project={projectName}/site={siteDisplayName}/asset={assetDisplayName}/ position={sensorPositionDisplayName}/time={yyyy-mm-dd 00:00:00}/{filename}.

Athena で Amazon S3 データのテーブルを作成する AWS Glue クローラーを構築

ライブデータが Amazon S3 にエクスポートされた後、 AWS Glue クローラーを使ってメタデータテーブルを生成しています。この記事では、 AWS Glue クローラーを使用して、 Amazon S3 にエクスポートされた Amazon Monitron データからデータベースとテーブルスキーマを自動的に推論し、関連するメタデータを AWS Glue Data Catalog に保存します。その後、 Athena はデータカタログからテーブルメタデータを使用して、 Amazon S3 内のデータを検索、読み取り、処理します。以下のステップを完了し、データベースとテーブルスキーマを作成します：

AWS Glueコンソールで、ナビゲーションペインで「 Crawlers 」を選択します。
「 Create crawler 」を選択します。
クローラーの名前を入力します（例： XXX_xxxx_monitron ）。
「 Next 」を選択します。
「 Is your data already mapped to Glue tables 」には「 Not yet 」を選択します。
「 Data Source 」には「 S3 」を選択します。
「 Location of S3 data 」には「 In this Account 」を選択し、前項で設定した S3 バケットディレクトリのパス（ s3://YourBucketName ）を入力する。
「 Repeat crawls of S3 data stores 」には「 Crawl all sub-folders 」を選択
最後に、「 Next 」を選択します。
「 Create new IAM role 」を選択し、ロールの名前を入力します。
「 Next 」を選択します。
「 Add Database 」を選択し、データベースの名前を入力します。これにより、クローラーが完了した後にメタデータテーブルが配置される Athena データベースが作成されます。
「 Crawler Schedule 」には、データベース内の Amazon Monitron データをリフレッシュするために好ましい時間ベースのスケジューラ（例えば、1時間ごと）を選択し、「 Next 」を選択します。
クローラーの詳細を確認し、「 Create 」を選択します。
AWS Glue コンソールの「 Crawlers 」ページで、作成したクローラーを選択し、「 Run crawler 」を選択します。

データのサイズによっては、数分待つ必要があります。完了すると、クローラーのステータスが「 Ready 」と表示されます。メタデータテーブルを表示するには、「 Databases 」ページでデータベースに移動し、ナビゲーションペインで「 Tables 」を選択します。

また、コンソールで「 Table data 」を選択してもデータを見ることができます。

Athena コンソールにリダイレクトされ、Amazon S3 の Amazon Monitron データの上位 10 レコードが表示されます。

Amazon Managed Grafana で Amazon Monitron デバイスのダッシュボードを作る

このセクションでは、 Amazon S3 内の Amazon Monitron データを可視化するために、 Amazon Managed Grafana でカスタマイズされたダッシュボードを構築し、 OT チームが Amazon Monitron センサーの設置されているアラーム状態の設備全体に効率的にアクセスできるようにします。これにより、 OT チームは、担当者が入力した異常の考えられる根本原因に基づいて、次のステップのアクションを計画することができます。

Grafana ワークスペースを作成するには、以下のステップを完了します：

ユーザーロールが「 admin 」または「 editor 」であることを確認
Amazon Managed Grafanaコンソールで、「ワークスペースを作成」を選択
「ワークスペース名」には、ワークスペースの名前を入力
「次へ」を選択
「認証アクセス」には、「 AWS IAM ID センター (AWS SSO の後継) 」を選択。Amazon Monitron プロジェクトのセットアップに使用したのと同じ AWS IAM Identity Center ユーザーを使用することができます
Nextを選択
この最初のワークスペースでは、「アクセス許可タイプ」に「サービスマネージド」が選択されていることを確認。この選択により、 Amazon Managed Grafana は、このワークスペースに使用する AWS データソースに必要なパーミッションを自動的にプロビジョニングすることができます
「IAM アクセス許可アクセス設定」には「現在のアカウント」を選択
「次へ」を選択
ワークスペースの詳細を確認し、「ワークスペースの作成」を選択。ワークスペースの詳細ページが表示されます。初期状態では、ステータスが「作成中」になっています
次のステップに進むには、ステータスが「アクティブ」になるまで待機

Athena データソースを構成するには、次の手順を実行します：

Amazon Managed Grafana コンソールで、作業するワークスペースを選択
「データソース」タブで、「 Amazon Athena 」を選択し、「アクション」、「サービスマネージド型のポリシーを有効化」を選択
「 Amazon Athena 」の行で、「 Grafana で設定」を選択
必要に応じて IAM Identity Center を使用して Grafana ワークスペースコンソールにサインイン。 Athena データソースにアクセスするためには、ユーザーまたはロールに Athena アクセスポリシーがアタッチされている必要があります。詳細は AWS のマネージドポリシー「 AmazonGrafanaAthenaAccess 」を参照してください
Grafana ワークスペースコンソールで、ナビゲーションペインで、「 AWS Data Sources 」メニューへ遷移し「 Athena 」を選択
Athena データソースにクエリさせたいデフォルトのリージョンを選択し、必要なアカウントを選択し、「 Add data sources 」を選択
手順に従って、 Athena の詳細を構成

Athena のワークグループに出力先がすでに設定されていない場合、クエリ結果に使用する S3 バケットとフォルダーを指定する必要があります。データソースを設定した後は、「 Configuration 」ペインでデータソースを表示または編集できます。

以下のサブセクションでは、設備運用で役立つ洞察を得るために Amazon Managed Grafana で構築された Amazon Monitron ダッシュボードのいくつかのパネルをデモします。 Athena データソースは、標準的な SQL クエリエディタを提供しており、これを使用して Amazon Monitron のデータを分析し、結果を生成します。

まず、 Amazon Monitron プロジェクトに多くのセンサーがあり、それらが異なる状態（Healthy、Warning、Alarm、Needs Maintenance）である場合、 OT チームは、設備に対する各状態の割合を視覚的に確認したいと思います。このような情報は、以下の Athena クエリを介して、 Grafana の円グラフウィジェットとして取得することができます：

Select * FROM (Select latest_status, COUNT(assetdisplayname)OVER (PARTITION BY latest_status) AS asset_health_count FROM (SELECT timestamp, sitedisplayname, assetdisplayname, assetState.newState as latest_status, RANK() OVER (PARTITION BY assetdisplayname ORDER BY timestamp DESC)AS rnk FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name") tt WHERE tt.rnk=1) GROUP BY latest_status, asset_health_count;

次の画面は、 Amazon Monitron センサーの最新状態を分布したパネルです。

Amazon Monitron データの SQL クエリをフォーマットするには、「 Understanding the data export schema 」を参照してください。

次に、 OT チームは、アラーム状態にある設備に基づいて予知保全を計画したい場合があり、そのため、確認済みのアラームと未確認のアラームの合計数を迅速に知りたい場合があります。 Grafana では、アラーム状態のサマリー情報をシンプルな統計パネルとして表示することができます：

Select COUNT(*) FROM (Select timestamp, sitedisplayname, assetdisplayname, assetState.newState as latest_status, RANK() OVER (PARTITION BY assetdisplayname ORDER BY timestamp DESC)AS rnk FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name") tt WHERE tt.rnk=1 AND tt.latest_status = 'Alarm';

次のパネルには、確認済みのアラームと未確認のアラームが表示されます。

また、 OT チームは、センサーがアラーム状態にある時間を照会し、メンテナンスの優先順位を決定することができます：

Select c.assetdisplayname, b.sensorpositiondisplayname, b.alarm_date FROM (Select a.assetdisplayname, a.sensorpositiondisplayname, COUNT(*)/24+1 AS number_of_days_in_alarm_state FROM (Select * FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name" WHERE (assetState.newState = 'ALARM' AND assetState.newState = assetState.previousState) ORDER BY timestamp DESC) a GROUP BY a.assetdisplayname, a.sensorpositiondisplayname) b INNER JOIN (Select * FROM (Select timestamp, sitedisplayname, assetdisplayname, assetState.newState AS latest_status, RANK() OVER (PARTITION BY assetdisplayname ORDER BY timestamp DESC)AS rnk FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name") tt WHERE tt.rnk=1 AND tt.latest_status = 'ALARM') c ON b.assetdisplayname = c.assetdisplayname;

この分析結果を Grafana の棒グラフで可視化すると、以下のスクリーンショットのように、アラーム状態のアラームを簡単に可視化することができます。

設備がアラームまたはメンテナンス状態にある時間の合計に基づき、上位 / 下位の設備パフォーマンスを分析するには、次のクエリーを使用します：

Select s.sitedisplayname, s.assetdisplayname, COUNT(s.timestamp)/24 AS trouble_time FROM (Select timestamp, sitedisplayname, assetdisplayname, sensorpositiondisplayname, assetState.newState FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name" WHERE assetState.newState = 'ALARM' OR assetState.newState = 'NEEDS_MAINTENANCE') AS s GROUP BY s.assetdisplayname, s.sitedisplayname ORDER BY trouble_time, s.assetdisplayname ASC LIMIT 5;

以下のバーゲージは、先のクエリ出力を視覚化するために使用され、左側にパフォーマンス上位の設備は0日のアラーム状態を示し、右側にパフォーマンス下位の設備は過去 1 年間の累積アラーム状態を示しています。

OT チームが考えられる異常の根本原因を理解するために、以下のクエリで、アラーム状態の設備について、アラームの種類を表示することができます：

Select a.assetdisplayname, a.sensorpositiondisplayname, a.latest_status, CASE WHEN a.temperatureML != 'HEALTHY' THEN 'TEMP' WHEN a.vibrationISO != 'HEALTHY' THEN 'VIBRATION_ISO' ELSE 'VIBRATION_ML' END AS alarm_type  FROM (Select sitedisplayname, assetdisplayname, sensorpositiondisplayname, models.temperatureML.persistentClassificationOutput as temperatureML, models.vibrationISO.persistentClassificationOutput as vibrationISO, models.vibrationML.persistentClassificationOutput as vibrationML, assetState.newState as latest_status FROM (Select *, RANK() OVER (PARTITION BY assetdisplayname, sensorpositiondisplayname ORDER BY timestamp DESC)AS rnk FROM "AwsDataCatalog"."Replace with your Athena database name"."Replace with your Athena table name") tt WHERE tt.rnk=1 AND assetState.newState = 'ALARM' ) a WHERE (a.temperatureML != 'HEALTHY' OR a. vibrationISO != 'HEALTHY' OR a. vibrationML != 'HEALTHY');

この分析結果を Grafana で表として可視化することができます。今回の Amazon Monitron のプロジェクトでは、振動計測のMLモデルで 2 つのアラームが発生しました。

Amazon Managed Grafana ダッシュボードは、ここでは説明のために示されています。ダッシュボードのデザインは、ご自身のビジネスニーズに応じて変更することができます。

不具合報告

Amazon Monitron アプリでユーザーがアラームを確認すると、関連するアセットが新しい状態に移行します。また、ユーザーはこのアラームに関する以下の詳細を提供することができます：

Failure cause：これは次のいずれかになります： ADMINISTRATION、DESIGN、FABRICATION、MAINTENANCE、OPERATION、OTHER、QUALITY、WEAR、UNDEDETERMINED
Failure mode：以下のいずれかになります： NO_ISSUE、BLOCKAGE、CAVITATION、CORROSION、DEPOSIT、IMBALANCE、LUBRICATION、MISALIGNMENT、OTHER、RESONANCE、ROTATING_LOOSENESS、STRUCTURAL_LOOSENESS、TRANSMITTED_FAULT、UNDETERMINED
Action taken：以下のいずれかになります：ADJUST、CLEAN、LUBRICATE、MODIFY、OVERHAUL、REPLACE、NO_ACTION、OTHER

設備の状態遷移に関連するイベントの付随情報には、上記の詳細情報、設備の前の状態と新しい状態が含まれています。この情報を追加の Grafana パネルで使用して、設備全体で最も多く現れた障害と取られたアクションのパレートチャートを構築する詳細な方法については、この記事の更新をお楽しみにしてください。

まとめ

Amazon Monitron のお客様は、 Amazon Monitron のライブデータで IoT データレイクを構築し、複数の Amazon Monitron プロジェクトと設備を管理し、複数の Amazon Monitron プロジェクトで分析レポートを作成できるソリューションを求めています。この記事では、最新の Amazon Monitron Kinesis データエクスポート v2 機能を使用してこの IoT データレイクを構築するソリューションの詳細な手順を解説しました。また、このソリューションでは、 AWS Glue や Athena などの他の AWS サービスを使用してデータを照会し、分析出力を生成し、 Amazon Managed Grafana で出力を頻繁に更新しながら可視化する方法を示しました。

次のステップとして、このソリューションを拡張して、 ML 推論結果を他の EAM システムに送信し、作業指示管理に使用することができます。このように、 OT チームは Amazon Monitron を他のエンタープライズアプリケーションと統合し、運用効率を向上させることができるようになります。また、 Kinesis Data Streams の付随情報に新しく追加された設備の状態遷移と異常原因などを示すコードを処理することで、故障のモードや対処方法についてより深い分析を行い、洞察を得ていくことができます。

この記事はソリューションアーキテクトの村松謙が Julia Hu, Bishr Tabbaa, Shalika Pargal, Garry Galinsky, Michaël Hoarau による記事 Generate actionable insights for predictive maintenance management with Amazon Monitron and Amazon Kinesis を翻訳したものです。

Amazon Web Services ブログ