Amazon Web Services 한국 블로그

새로운 기능 -Amazon Lookout for Equipment, 센서 데이터를 분석하여 장비 고장 감지 (서울 리전 포함)

산업 장비를 운영하는 기업은 운영 효율성을 개선하고 구성 요소 고장으로 인한 예기치 않은 가동 중지 시간을 방지하기 위해 끊임없이 노력합니다. 그들은 수년간 물리적 센서 (태그), 데이터 연결, 데이터 스토리지 및 대시보드 구축에 많이 반복적으로 투자하여 장비의 상태를 모니터링하고 실시간 알림을 받습니다. 기본 데이터 분석 방법은 단일 변수 임계값 및 물리 기반 모델링 접근법으로, 이러한 방법은 특정 고장 유형 및 작동 조건을 탐지하는 데 효과적이지만 각 장비에 대한 다변량 관계를 도출하여 탐지한 중요 정보를 종종 놓칠 수 있습니다.

기계 학습을 통해 장비의 기록 데이터에서 학습하는 데이터 기반 모델을 제공할 수 있는 보다 강력한 기술이 가능해졌습니다. 그러나 이러한 기계 학습 솔루션의 구현에는 자본 투자와 엔지니어 훈련을 위한 시간과 비용이 많이 필요합니다.

오늘 이상 장비 동작을 감시하는 API 기반 기계 학습 (ML) 서비스인 Amazon Lookout for Equipment를 발표하게 되어 기쁩니다. Lookout for Equipment를 사용하면 모델당 센서 및 액추에이터 등의 구성 요소에서 최대 300개의 데이터 태그를 얻을 수 있는 산업 장비에서 생성한 과거 시계열 데이터 및 과거 유지보수 이벤트를 추출할 수 있습니다. Lookout for Equipment는 자동으로 가능한 조합을 테스트하고, 장비의 정상 동작을 학습할 수 있는 최적의 기계 학습 모델을 구축합니다. 엔지니어는 기계 학습 전문 지식이 필요하지 않으며 클라우드에서 실시간 처리를 위한 모델을 쉽게 배포할 수 있습니다.

그러면 고객은 ML 추론을 쉽게 수행해 장비의 이상 동작을 감지할 수 있습니다. 결과를 기존 모니터링 소프트웨어 또는 AWS IoT SiteWise Monitor에 통합하여 실시간 출력을 시각화하거나 자산이 변칙적 조건을 향하는 경우 경고를 받을 수 있습니다.

Lookout for Equipment의 작동 방식
Lookout for Equipment는 Amazon S3 버킷에서 직접 장비를 읽습니다. 고객은 S3에 산업 데이터를 게시하고 모델을 개발하기 위해 Lookout for Equipment를 활용할 수 있습니다. 사용자가 훈련에 사용할 값 또는 기간을 결정하고 적절한 레이블을 지정합니다. 이 정보를 감안하여 Lookout for Equipment는 각 고객에게 가장 적합한 ML 모델을 학습하고 만들기 위한 작업을 시작합니다.

Lookout for Equipment는 자동화된 기계 학습 도구이기 때문에 사용자가 Lookout for Equipment를 사용하여 새로운 데이터로 모델을 재학습하므로 시간이 지남에 따라 더 스마트해집니다. 이 기능은 보이지 않는 실패가 새로 발생하거나 시간이 지남에 따라 모델이 표류할 때 모델 재작성에 유용합니다. 모델이 완성되고 추론할 수 있게 되면, Lookout for Equipment는 실시간 분석을 제공합니다.

장비 데이터를 S3에 게시하면 사용자는 5분에서 1시간 범위의 추론을 예약할 수 있습니다. 사용자 데이터가 S3에 도착하면 Lookout for Equipment는 원하는 일정에 따라 새 데이터를 가져오고, 데이터 추론을 수행하며, 결과를 다른 S3 버킷에 저장합니다.

다음과 같은 간단한 단계를 통해 Lookout for Equipment 설정:

  1. S3 버킷에 데이터 업로드하기
  2. 데이터 집합 만들기
  3. 데이터 수집하기
  4. 모델 만들기
  5. 일정 추론 (실시간 분석이 필요한 경우)

1. 데이터 업로드하기
태그 데이터를 장비에서 S3 버킷으로 업로드해야 합니다.

2. 데이터 집합만들기

데이터 집합 만들기를 선택하고 데이터 집합 이름을 설정하며, 데이터 스키마를 설정합니다. 데이터 스키마는 나중에 공급할 데이터를 정의하는 데이터 설계 문서입니다. 그런 다음 생성하기을 선택합니다.

데이터 집합 콘솔 생성

3. 데이터 수집하기
데이터 집합을 만든 후 다음 단계는 데이터를 수집하는 것입니다. Amazon Personalize 또는 Amazon Forecast에 익숙하다면 이 화면이 친숙하게 느껴지지 않습니까? 예, Lookout for Equipment는 그것처럼 사용하기 쉽습니다.

데이터 수집하기을 선택합니다.

데이터 콘솔 수집데이터를 업로드한 S3 버킷의 위치와 IAM 역할을 지정합니다. IAM 역할은 “lookoutequipment.amazonaws.com”과 트러스트 관계여야 합니다. 테스트에 다음 정책 파일을 사용할 수 있습니다.

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Principal": {
        "Service": "lookoutequipment.amazonaws.com"
      },
      "Action": "sts:AssumeRole"
    }
  ]
}

S3 버킷의 데이터 형식은 2단계에서 설정한 데이터 스키마와 일치해야 합니다. 자세한 내용은 기술 문서를 참조하십시오. 데이터 수집은 데이터의 양에 따라 몇 분에서 수십 분이 소요됩니다.

4. 모델 만들기
데이터 수집을 완료하면 이제 자체 ML 모델을 훈련할 수 있습니다. 새 모델 작성하기를 선택합니다. 필드는 수집한 데이터의 필드 목록을 보여줍니다. 기본적으로 필드가 선택되어 있지 않습니다. Lookout for Equipment에서 학습할 필드를 선택할 수 있습니다. Lookout for Equipment는 자동으로 여러 지정 필드에서 상관 관계를 찾아 훈련하고 모델을 작성합니다.

데이터에 일부 이상 데이터가 포함되어 있다고 확신하는 경우 선택적으로 해당 데이터를 제외하도록 창을 설정할 수 있습니다.

유지 관리 창 설정선택적으로 훈련을 위해 수집한 데이터를 나눈 다음 평가를 위해 나눌 수 있습니다. 평가 기간 동안 지정 데이터를 훈련 모델과 비교하여 확인합니다.

평가 창 설정

작성하기를 선택하면 Lookout for Equipment에서 모델을 훈련하기 시작합니다. 이 프로세스는 데이터의 양에 따라 몇 분에서 몇 시간이 걸립니다. 훈련이 끝나면 평가 기간 데이터를 사용하여 모델을 평가할 수 있습니다.

모델 성능 콘솔

5. 일정 추론
이제 실시간 데이터를 분석할 때입니다. 일정 추론을 선택하고 입력을 위해 S3 버킷을 설정합니다.

입력 S3 버킷 설정

사용자는 실제로 추론 빈도와 동일한 데이터 업로드 빈도오프셋 지연 시간을 설정할 수도 있습니다. 그런 다음 Lookout for Equipment에서 추론 결과를 출력하도록 출력 데이터를 설정해야 합니다.

추론 출력 S3 버킷 설정

Lookout for Equipment은 오늘 미리 볼 수 있습니다
Amazon Lookout for Equipment는 오늘 미국 동부(버지니아 북부), 아시아 태평양(서울)EU(아일랜드)에서 미리 볼 수 있습니다. 그리고 여기에서 문서를 볼 수 있습니다.

– Kame