E工业设备的有效利用对许多企业的成功至关重要，其故障会严重影响生产力和利润。因此，设备的优化和维护影响着业务的顺利运营、规模和成功。根据一项Upkeep调查，到2020年，全球维护、维修和运营市场的估计价值为6160.1亿美元，维护成本估计占总生产成本的15%至40%。

近年来，越来越多的工业4.0用例(如预测分析)被采用，以改善工业设备的维护和性能。预测分析使用历史数据、统计算法和机器学习技术来预测未来的结果。通过分析设备性能、维护和使用的历史数据，预测分析可以识别模式和趋势，表明设备何时可能发生故障或需要维护。这使得企业能够主动安排维护和维修，减少停机时间，避免昂贵的紧急维修。

产业规模化转型

有几种技术可以部署在制造工厂，并可以为物联网和数据管理和分析提供解决方案，但这些技术只能创建一个点解决方案，难以扩展到概念验证(PoC)和技术演示。真正的挑战是扩展这些poc，创建普遍的解决方案，并在多个工厂部署它们，以生成可用的数据，以提高业务效率和扩大规模。

利用正确的技术进行大规模部署

通过利用超大规模平台的平台服务，公司可以有效地构建预测性维护解决方案，这些解决方案可以部署在工厂之间，并根据行业标准对其性能进行基准测试，以确定改进的机会。使用AWS这样的平台可以帮助公司优化运营、降低成本并提高整体性能。其优点包括:

• 可伸缩性:AWS平台服务可以轻松处理来自多个来源的大量数据，从而可以更轻松地比较和分析多个工厂或地点的设备性能数据。
• 成本有效性:借助AWS平台服务，企业可以降低存储和处理与设备性能和维护相关的大量数据的成本。
• 实时数据分析:AWS有助于从PLC和工厂系统实时获取数据，并分析来自多个来源的数据，使公司能够快速识别问题并采取纠正措施。
• 改进的准确性:通过分析来自多个来源的大量数据，该解决方案可以提供更准确的设备OEE矩阵图，使公司能够确定需要改进的领域。
• 合作:AWS平台服务使多个用户能够访问和分析来自不同位置的数据，使团队更容易在基准测试活动上进行协作。

此外，随着规模在不同工厂之间的增长，基于平台服务使流程自动化。制造商无需担心任何特定机器的缩放、维护和正常运行时间。

加快推进工业装备数字化

Cyient与AWS合作，共同开发工业数据结构解决方案。工业数据结构解决方案是来自AWS和合作伙伴技术(包括HighByte和Element)的平台服务的集合。它允许从车间机器和企业系统(OT和It系统)中获取数据，并使用企业层次结构进行上下文化，以提供与企业领域模型一致的统一视图。

来自AWS的多个平台服务可以帮助进行数据管理、洞察、仪表板和数字孪生。AWS Sitewise允许组织对他们想要管理和监控的资产进行建模，定义它们排列的层次结构，并维护与资产对应的各种传感器和数据源的时间序列信息。该平台将图形数据库、关系数据库和时间序列数据库结合到一个服务中，由AWS为您管理和扩展。以下是一些用例，有助于实现强大的预测性维护平台解决方案，以实现准确的设备管理:

• 从OT系统到企业资产层次结构的流数据的AWS站点式收集。
• AWS Twinmaker可以创建3D可视化和双胞胎，并将PLC数据和警报连接到时间序列或现场。
• Quicksight和Managed Grafana可以创建操作仪表板，连接到摄取或分析的数据。
• Amazon Lookout for Equipment提供了一种基于历史数据及其对实时数据推断的训练模型的异常检测解决方案。
• Amazon Sagemaker提供了多种AI/ML算法来创建模型，进行超参数调优，并创建推理api来处理实时数据。

这些平台服务还允许用户构建遵循无代码/低代码/最少代码范例的解决方案。它不是关于构建应用程序或接口，而是消费和集成服务以实现业务目标。因此，推出用例的上市时间和使用相同的平台堆栈扩展更多用例的能力是基于我们的其他标量技术派生的价值。

因此，工业数据结构解决方案是一个经过验证的技术和平台服务堆栈，可用于构建从OT和IT系统收集数据的基础，并在平台上开发多个用例。这些用例可以扩展，并成为对工业设备性能进行基准测试的强大工具。通过提供可扩展性、成本效益、实时数据分析、更高的准确性和协作能力，超大规模技术可以帮助公司识别改进和优化运营的机会。

作者简介

Jitendra Thethi是Cyient云平台解决方案主管。他有27岁多年经验，为多个行业的客户提供以技术为主导的创新。在目前的职位上，他负责构建利用云、数据和人工智能的数字平台解决方案。