ENGIE Digital 使用 Amazon SageMaker 在發電廠進行預測性維護

ENGIE 希望從基礎設施和工具中受益，使其能夠開發、訓練和部署預測性維護模型，以預測集團發電廠及其客戶設備的故障，同時保持對資源和成本分配的控制。他們還希望能夠與時俱進並從最新的技術創新中受益，以保證其模型的工業化和可擴展性。

為了成功實作這些專案，ENGIE Digital 與 Mangrove 合作，後者是法國一家專門從事機器學習和 AWS 服務的 AWS 進階諮詢合作夥伴。

對於 ENGIE 來說，利用機器學習技術解決設備維護問題是一個關鍵問題。「預測性維護的挑戰主要是最佳化成本。系統維護迫使我們定期進行實地考察。對於 B2B 客戶和我們的發電廠來說，更理想的維護週期規劃和最佳化是一個重要問題。」

ENGIE Digital 目前有三個針對預測性維護的使用案例，正如 ENGIE Digital 預測性維護平台 Agato 負責人 Céline Mallet 的詳細說明：「第一個是預測我們設備的使用壽命。設備容易磨損並失去效率。預測性維護可讓我們預測何時達到效率閾值，以證明應執行維護動作以及提前數天、數週或數月更換零件。第二個案例是提早偵測異常。預測性維護可讓我們使用設備 (發電廠/壓縮機等) 的營運資料，從而能夠及早偵測異常行為。最後，我們還可以開發模型，利用 IoT 感測器產生的資料 (例如測量超音波振動)，從記錄的變數估計設備的運作狀態。」

此外，在集團整體政策變更的背景下進行預測性維護，目的是有利於生產可再生能源。正如 Sarkar 所解釋的那樣，它有助於促進這種過渡：「電力生產組織的最新發展之一是，火力發電廠現在必須確保基載並調整其生產與間歇性可再生能源產生的相關產量。ENGIE 朝向能源轉型的轉變意味著火力發電廠的使用方式有所不同，例如，在採用風力和陽光時會更頻繁地停機。因此，這些工廠的設備 (例如閥門和泵浦) 使用情況有所不同，從而可能會產生異常行為和故障，這對於實作可見性至關重要。預測性維護模型可以更好地預測故障，而不是等待系統維護週期採取行動，或者更糟糕的是，不得不面臨意外停機。」

ENGIE Digital 已經使用 AWS 3 年多了：「在 ENGIE Digital 的 12 個平台中，有 11 個在 AWS 上建置。這些服務也在其他集團實體中使用，例如 Data@ENGIE，其位於 Common Data Hub 後方，這是集團的分散式數據湖，Agato 和 Robin Analytics 目前可以在其上運行，」Sarkar 說道。在開發 Agathe 和 Robin Analytics 時，ENGIE Digital 轉而採用了這些解決方案：「AWS 架構的選擇是由我們業務的限制所引導，其本質上融入了預測性維護的概念。隨著數千個設備處於操作狀態，並且每個設備都有幾十個型號，我們可以非常快速地擴展，並且可擴展性是一個重要的問題。」Sarkar 說道。

為了充分利用 AWS，ENGIE Digital 向專門從事 AWS 服務諮詢的公司 Mangrove 尋求支援：「我們求助於 Mangrove，他們能夠指導我們向我們當時沒有使用的 AWS 服務轉型，例如 Amazon Simple Storage Service (Amazon S3) 和 Amazon SageMaker。我們也可以仰賴 Mangrove 的專家，協助我們充分利用 AWS 服務的新版本和開發所帶來的機會。」Mallet 說道。

對於 Agathe 和 Robin Analytics 平台，Mangrove 使用了多種 AWS 服務，正如 Mangrove 技術長兼 ENGIE Digital 技術負責人 Bastien Murzeau 所解釋：「Amazon S3 對我們來說是必不可少的服務，我們所有的資料都會經過該服務。也得益於這項服務，我們可以使用 AWS Glue 和 Amazon Athena 等服務以及透過 AWS Lambda 進行的其他更輕量型的轉換程序來分析資料。」

這些服務可讓使用者控制使用的資源以及成本，正如 Murzeau 所說明：「AWS Glue 讓我們能夠以動態可擴展性，輕鬆且經濟實惠地執行 Spark。我們可以像處理非常大規模的任務一樣輕鬆地處理小型任務。」

「成本控制至關重要，因為維護是一個競爭非常激烈的產業，」Mallet 補充道。

ENGIE Digital 和 Mangrove 合作的一個例子是 Amazon SageMaker 的採用。一年前，ENGIE Digital 希望改善其預測性維護模型，並求助 Mangrove 規範使用的潛在優勢。Murzeau 現在認為這項服務非常重要：「Amazon SageMaker 是我們的關鍵服務。使用該服務的優點是我們重頭開始設計，並且可以依靠可以發揮作用並為我們提供穩定性的服務。以前，我們自己訓練模型，並沒有從服務限制我們遵循的最佳實務中受益。由於培訓任務的區隔化，該服務還為我們提供了更高層級的安全性，並且可以隔離客戶的資料。Amazon SageMaker 所帶來的另一個好處在於成本控制，這要歸功於使用 Amazon Elastic Compute Cloud (Amazon EC2) Spot 執行個體進行訓練，此時運算成本最多可節省 90%。」

ENGIE Digital 仰賴所有這些服務，使 Agato 和 Robin Analytics 能夠開發和訓練大量各種各樣的維護模型。Mallet 說：「有了 Agato，我們的目標是在 5 年內覆蓋 8,000 件設備，每個設備都有 2-10 個預測性維護模型。」

「對於 ENGIE 火力發電廠，我們正準備在 Robin Analytics 平台上裝載 100 多個設備，目標是到 2023 年達到 1,000 多台設備。這些設備包括多種類型的設備，包括幾種類型的閥門、泵浦和熱交換器，以及為集團各廠房和業務單位部署預測性維護解決方案的地理多樣性。」ENGIE Digital 團隊也在研究採用可以使 Agathe 和 Robin Analytics 受益的更多服務：「正如我們去年對於 Amazon SageMaker 所做的那樣，我們調查了將我們的時間序列資料庫遷移到 Amazon Timestream 的可行性和好處，我們計劃最終會採用它，」Sarkar 說道。

「我們尚未使用但正在考慮採用的一項 AWS 技術是 Amazon SageMaker Studio，該技術讓各業務部門的資料科學家可以共同協作，並使他們能夠存取我們的平台和資料集。這也將確保他們的程式碼面向平台生產就緒，」Mallet 說道，這是一種改進 Agato 平台的途徑。