ENGIE Digital 在发电厂使用 Amazon SageMaker 实现预测性维护

ENGIE 希望利用基础设施和工具的优势，开发、训练和部署预测性维护模型，以便为集团发电厂及其客户预测设备中断和故障，同时控制资源和成本的分配。ENGIE 还希望紧跟发展趋势，采用最新的技术创新，确保其模型的工业化和可扩展性。

为成功实施这些项目，ENGIE Digital 与 Mangrove 合作。Mangrove 是法国的一家 AWS 高级咨询合作伙伴，专注于机器学习和 AWS 服务。

对于 ENGIE，利用机器学习技术解决设备维护问题是一个关键问题。Sarkar 说：“预测性维护的主要挑战在于优化成本。系统化维护使我们不得不定期探访现场。更好规划和优化维护周期是我们的 B2B 客户和发电厂面临的重要问题。”

正如 ENGIE Digital 预测性维护平台 Agathe 的负责人 Céline Mallet 所述，ENGIE Digital 目前有三个预测性维护特定使用案例：“第一个是预测设备的使用寿命。设备容易磨损和失效。借助预测性维护，我们可以提前几天、几周或几个月预测我们将达到效率阈值的时间，从而采取维护措施及更换部件。第二个是尽早发现异常。借助预测性维护，我们可以根据设备（发电厂、压缩机等）的运营数据尽早发现异常行为。最后，我们还可以开发一些模型，利用 IoT 传感器生成的数据（例如，测量超声振动），根据记录的变量预估设备的运行状况。”

预测性维护还基于集团整体策略的变化背景运行，旨在助力生产可再生能源。它有助于促进这一转型，正如 Sarkar 的解释：“电力生产组织的一项近期发展是，热电厂现在必须确保基本负荷，并且根据间歇性可再生能源所产生的负荷调整其生产。ENGIE 转向能源转型意味着热电厂的生产方式将发生变化。例如，有风能和太阳能时，热电厂会更频繁地停工。因此，这些工厂中使用的设备（例如阀门和泵）也不同，可能会产生行为和故障，而能够了解这些问题对我们来说非常重要。借助预测性维护模型，我们可以更好地预测故障，而不是等到系统化维护周期才采取行动，或更糟糕的是，被动地处理意外停机。”

ENGIE Digital 使用 AWS 已有 3 年多。Sarkar 说：“ENGIE Digital 投资组合的 12 个平台中，有 11 个依托 AWS 构建。这些服务还在其他集团实体内部使用，例如 Data@ENGIE（支持公共数据中心）、集团的分布式数据湖（Agathe 和 Robin Analytics 现在的运营基础）。”ENGIE Digital 在开发 Agathe 和 Robin Analytics 时采用了这些解决方案。Sarkar 说：“选择 AWS 架构需要遵循我们的业务限制，就其本质而言，这些限制整合了预测性维护的概念。通过运营数千台设备，且每台设备拥有几十种模型，我们可以非常快速地纵向扩展，而可扩展性是个重要问题。”

为了充分利用 AWS，ENGIE Digital 寻求 Mangrove（一家专注于提供 AWS 服务咨询的公司）的支持。Mallet 说：“我们求助于 Mangrove，希望他们引导我们转向我们当时没有使用的 AWS 服务，例如 Amazon Simple Storage Service (Amazon S3) 和 Amazon SageMaker。我们还可以依靠 Mangrove 作为专家，来帮助我们更充分地利用 AWS 服务的最新版本和开发带来的机遇。”

对于 Agathe 和 Robin Analytics 平台，Mangrove 使用多项 AWS 服务，正如 Mangrove 首席技术官兼 ENGIE Digital 技术负责人 Bastien Murzeau 的解释：“Amazon S3 对我们来说是一项必不可少的服务，我们的所有数据都利用这些服务。此外，得益于这项服务，我们可以使用 AWS Glue 和 Amazon Athena 等服务以及基于 AWS Lambda 的其他更轻量级转换流程来分析数据。”

借助这些服务，用户可以控制他们使用的资源和成本，正如 Murzeau 的解释：“AWS Glue 让我们能够凭借动态可扩展性，以轻松且实惠的方式运行 Spark。这样一来，不管我们是处理小型任务还是大型任务，都可以很轻松。”

Mallet 补充道：“成本控制至关重要，因为维护是一个竞争非常激烈的行业。”

ENGIE Digital 与 Mangrove 之间合作的一个示例是采用 Amazon SageMaker。1 年前，ENGIE Digital 希望改进其预测性维护模型，因此求助于 Mangrove 来衡量使用这项服务可能带来的益处。Murzeau 现在相信这项服务至关重要：“Amazon SageMaker 对我们来说是一项关键服务。这项服务的优势在于我们不需要重复发明轮子，而是可以依靠已有的有效且稳定的服务。之前，我们自行训练我们的模型，没有从服务要求我们遵循的最佳实践中获益。由于训练任务的划分，Amazon SageMaker 还为我们提供更高级别的安全性，让我们能够隔离客户数据。Amazon SageMaker 的另一项益处是成本控制，这得益于借助 Amazon Elastic Compute Cloud (Amazon EC2) 竞价型实例进行的训练，它可以节省高达 90% 的计算成本。”

ENGIE Digital 依靠所有这些服务，支持 Agathe 和 Robin Analytics 开发和训练大量且多种多样的维护模型。Mallet 说：“借助 Agathe，我们希望在 5 年内覆盖 8000 台设备，每台设备拥有 2-10 个预测性维护模型。”

Sarkar 谈论 Robin Analytics 开发时说道：“对于 ENGIE 热电厂，我们准备在 Robin Analytics 平台上搭载 100 多台设备，希望到 2023 年总共能超过 1000 台设备。其中包括多种类型的设备，包含几种类型的阀门、泵和热交换器，以及为集团的各种工厂和业务部门部署预测性维护解决方案时实现地理多样性。”ENGIE Digital 团队还研究采用可能对 Agathe 和 Robin Analytics 有益的其他服务。Sarkar 说：“正如我们去年对 Amazon SageMaker 做的那样，我们研究了将我们的时间序列数据库迁移到 Amazon Timestream 的可行性和益处，并最终决定采用这项服务。”

Mallet 将此视作 Agathe 平台改进的一种途径：“Amazon SageMaker Studio 是我们尚未使用但正考虑采用的一项 AWS 技术，可以汇集各业务部门的数据科学家，并允许他们访问我们的平台和数据集。这样还可以确保他们的代码已面向平台的生产做好准备。”