本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
启用了机器学习的预测性维护 AWS
发布日期：2022年 9月13日 (图表历史)
借助这种架构，您可以实施基于状态的维护，为抽油杆泵送系统提供近乎实时的推理结果和通知。这些系统是石油和天然气领域应用最广泛的人工升降设备。该架构使用了亚马逊 Timestream AWS IoT Core、亚马逊托管 Grafana 、亚马逊 Data Firehose 和亚马逊 Lookout f or Equipment。
ML 预测性维护架构图
以下步骤描述了架构：
-
在物联网设备软件开发工具包中使用消息队列遥测传输 (MQTT) 协议 AWS IoT Core 从抽油杆泵中提取数据。
-
在中配置 IoT 规则 AWS IoT Core ，将数据作为时间序列数据存储在 Amazon Timestream 中。
-
使用 Timestream 数据库中的 Amazon Managed Grafana 可视化和监控传感器数据。
-
在中 AWS IoT Core 配置物联网规则，使用 Amazon Data Firehose 捕获、转换数据并将其传输到 Amazon S3。
-
Amazon Lookout for Equipment 会分析来自亚马逊 S3 的数据并训练一个独特的机器学习模型，以近乎实时地检测设备异常。将推理结果存储在 Amazon S3 中。
-
使用AWS Glue数据目录对数据进行分类。亚马逊 Athena 与按需查询的目录集成。
-
使用亚马逊托管 Grafana 显示来自 Athena 的推理结果。
延伸阅读
有关更多信息，请参阅以下资源：
图表历史
要获得有关此参考架构图更新的通知，请订阅 RSS 提要。
| 变更 | 说明 | 日期 |
|---|---|---|
初次发布 | 参考架构图首次发布。 | 2022 年 9 月 13 日 |
订阅 RSS
要订阅 RSS 更新，您必须为当前使用的浏览器启用 RSS 插件。
