Energetyka i technologie budynkowe · IoT
Dane z czujników, które zbierano i nigdy nie analizowano
Globalny producent HVAC miał ponad 100 urządzeń w terenie, każde z co najmniej 50 czujnikami. Powstawał z nich nieprzerwany strumień danych operacyjnych, ale nie było automatycznego sposobu, by wykryć anomalię, rozpoznać tryb pracy czy zauważyć psujący się czujnik. Zbudowaliśmy na AWS serię potoków ML, które zastąpiły ręczny monitoring.
Kluczowe rezultaty
Klient: Globalny producent HVAC (objęty NDA)
Jeden z czołowych światowych producentów systemów grzewczych i klimatyzacyjnych, z flotami urządzeń IoT. Producent jest objęty NDA, dlatego nie podajemy tu jego nazwy.
- Branża
- Energetyka i technologie budynkowe
- Zastosowanie
- Wykrywanie anomalii i analityka czujników
- Podejście AI
- Uczenie maszynowe, głębokie sieci neuronowe
- Infrastruktura
- AWS z Azure IoT Hub
- Dane
- Szeregi czasowe, co najmniej 50 czujników na urządzenie
- Współpraca
- Seria projektów
W skrócie
Dane były. Brakowało warstwy, która potrafi je odczytać.
- Nowoczesne systemy HVAC mają czujniki IoT mierzące temperaturę, ciśnienie, wilgotność, przepływ powietrza i dziesiątki innych parametrów, a ten klient miał ponad 100 urządzeń, każde z co najmniej 50 czujnikami.
- Utrzymanie ruchu wciąż było reaktywne. Awarie czujników pozostawały niezauważone, dopóki nie wywołały widocznego problemu, i nic nie pokazywało, jak urządzenie jest faktycznie używane.
- Najpierw zbudowaliśmy architekturę danych w chmurze, a na niej oparliśmy pięć zastosowań: ocenę niezawodności czujników, klasyfikację trybów pracy, wykrywanie anomalii i analizę wpływu na otoczenie.
- Klient przeszedł od reaktywnego utrzymania ruchu do wychwytywania usterki, zanim skończy się wezwaniem serwisu.
Punkt wyjścia
Wyzwanie
Klient dysponował dużą ilością danych z czujników IoT, ale nie miał architektury danych, potoków przetwarzania ani modeli, które pozwoliłyby cokolwiek z nich wyciągnąć. Wszystko odbywało się ręcznie albo wcale.
Nowoczesne systemy HVAC są pełne czujników IoT: temperatury, ciśnienia, wilgotności, przepływu powietrza i dziesiątek innych. Generują one nieprzerwany strumień danych operacyjnych. Ten klient miał w terenie ponad 100 urządzeń, każde z co najmniej 50 czujnikami. Dane istniały, ale w większości leżały nieużywane.
Utrzymanie ruchu było reaktywne. Awarie czujników pozostawały niezauważone, dopóki nie wywołały widocznego problemu.
Nie było automatycznego sposobu, by klasyfikować tryby pracy urządzeń, porównywać niezawodność czujników między wariantami produktu czy dostrajać wydajność do warunków otoczenia. Surowe dane były dostępne; brakowało warstwy analitycznej.
Budowa
Co zbudowaliśmy
Zrealizowaliśmy serię projektów, z których każdy dotyczył konkretnego zastosowania. Razem sprawiły, że dane z czujników przestały być biernym produktem ubocznym i stały się czymś, z czego firma naprawdę korzysta.
Najpierw architektura danych
Fundament zbudowaliśmy na AWS: potoki pozyskiwania danych, warstwy przetwarzania i przechowywania, z Apache Airflow do orkiestracji, AWS Glue do ETL, Athena do zapytań i Azure IoT Hub do łączności z urządzeniami. Od tego zależało wszystko, co powstało później.
Którym czujnikom można ufać
Przeanalizowaliśmy dane z testów terenowych, aby ustalić, które czujniki są najtrwalsze i najbardziej niezawodne w poszczególnych wariantach produktu. Nie było danych referencyjnych do porównania, więc nietypowe zachowanie wykrywaliśmy za pomocą klasteryzacji, badając korelacje między grupami czujników.
Co urządzenie faktycznie robi
Modele wielowymiarowe automatycznie rozpoznają tryb pracy (ogrzewanie, chłodzenie, czuwanie, odszranianie i inne). Dzięki temu wiadomo, jak urządzenia są naprawdę używane w terenie, i nie trzeba polegać na założeniach.
Usterka wychwycona wcześnie
Algorytmy rozpoznają awarię czujnika lub urządzenia, wykrywając odchylenia od normalnych wzorców w danych. Automatyczne alerty zastąpiły ręczny monitoring, więc problem wychodzi na jaw, zanim zamieni się w awarię albo wezwanie serwisu.
Wpływ na otoczenie
Zbudowaliśmy modele oceniające, jak różne tryby pracy wpływają na otoczenie urządzenia. Obejmują one także automatyczną optymalizację jakości powietrza na podstawie warunków wewnątrz i na zewnątrz budynku.
Co się zmieniło
Rezultaty
Przed
Dane z czujników zbierane, ale w większości niewykorzystywane. Reaktywne utrzymanie ruchu, brak automatycznej klasyfikacji zachowania urządzeń i brak wczesnego ostrzegania o usterkach.
Po
Kompletna platforma analityczna w chmurze działająca produkcyjnie: automatyczne wykrywanie anomalii, klasyfikacja trybów pracy i wiedza o niezawodności czujników w całej flocie.
Klient przeszedł od reaktywnego utrzymania ruchu do decyzji opartych na danych, a usterki, które wcześniej umykały, są teraz wychwytywane automatycznie.
Zespoły produktowe zyskały konkretne dane o niezawodności czujników. Trafiają one do przyszłych decyzji sprzętowych, zamiast pozostać wyłącznie sprawą działu utrzymania.
Klasyfikacja trybów pracy pokazała, jak urządzenia są faktycznie używane w terenie, a te wnioski trafiły prosto do rozwoju produktu.
Projekt pokazuje, co daje uporządkowane podejście do danych IoT: najpierw solidna architektura w chmurze, potem kolejne zastosowania ML, oparte na danych, które i tak powstawały, ale nikt ich nie wykorzystywał.
Pytania o ten projekt
Wykrywanie anomalii i analityka czujników. Klient dysponował dużą ilością danych z czujników IoT, ale nie miał architektury danych, potoków przetwarzania ani modeli, które pozwoliłyby cokolwiek z nich wyciągnąć. Wszystko odbywało się ręcznie albo wcale.
Monitorowanych urządzeń, każde z co najmniej 50 czujnikami: 100+. Odrębnych zastosowań AI zrealizowanych w ramach współpracy: 5. Kompletna architektura danych w chmurze zbudowana od podstaw: AWS. Wykrywanie anomalii zamiast ręcznego monitorowania czujników: Auto.
Uczenie maszynowe, głębokie sieci neuronowe. Wykorzystana technologia: Uczenie maszynowe, Głębokie sieci neuronowe, Analiza szeregów czasowych, Wykrywanie anomalii, Algorytmy klasteryzacji, AWS Airflow, Glue i Athena, Azure IoT Hub, Python.
Wykorzystana technologia
Porozmawiaj z zespołem, który to zbudował
Odpowiadamy w ciągu jednego dnia roboczego.
Więcej projektów
Produkcja i IoT · Predykcyjne utrzymanie ruchu
Stan windy znany na bieżąco, bez sprawdzania na miejscu
Czytaj więcej
Motoryzacja · Doradztwo w zakresie predykcyjnego utrzymania ruchu
Serwis według harmonogramu, awarie bez ostrzeżenia
Czytaj więcej
IoT · Computer vision i edge AI