View a markdown version of this page

上的Machine Learning啟用預測性維護 AWS - 上的Machine Learning啟用預測性維護 AWS
ML 預測性維護架構圖深入閱讀圖表歷史記錄

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

上的Machine Learning啟用預測性維護 AWS

發佈日期：2022 年 9 月 13 日 (圖表歷史記錄)

透過此架構，您可以使用近乎即時的推論結果和儲存貯體桿幫浦系統的通知來實作條件型維護。這些系統是油氣中應用最廣泛的人工升降設備。此架構使用 AWS IoT Core、Amazon Timestream、Amazon Managed Grafana、Amazon Data Firehose 和 Amazon Lookout for Equipment。

ML 預測性維護架構圖

適用於啟用機器學習的儲存貯體桿幫浦預測性維護的參考架構圖 AWS。

下列步驟說明 架構：

  1. 在 IoT 裝置 SDK 中使用訊息佇列遙測傳輸 (MQTT) 通訊協定， AWS IoT Core 從儲存器桿幫浦將資料擷取至 。

  2. 在 中設定 IoT 規則 AWS IoT Core ，將 Amazon Timestream 中的資料儲存為時間序列資料。

  3. 從 Timestream 資料庫使用 Amazon Managed Grafana 視覺化和監控感應器資料。

  4. 在 中設定 IoT 規則 AWS IoT Core ，以使用 Amazon Data Firehose 擷取、轉換資料，並將資料交付至 Amazon S3。

  5. Amazon Lookout for Equipment 會分析 Amazon S3 的資料，並訓練唯一的 ML 模型，以近乎即時的方式偵測設備異常。將推論結果儲存在 Amazon S3 中。

  6. 使用 AWS Glue Data Catalog 來分類資料。Amazon Athena 會與 目錄整合，以進行隨需查詢。

  7. 使用 Amazon Managed Grafana 顯示 Athena 的推論結果。

深入閱讀

如需詳細資訊，請參閱下列資源：

圖表歷史記錄

若要收到此參考架構圖的更新通知，請訂閱 RSS 摘要。

變更描述日期

初次出版

首先發佈參考架構圖。

2022 年 9 月 13 日

RSS 訂閱

若要訂閱 RSS 更新，必須為所使用的瀏覽器啟用 RSS 外掛程式。