En una publicación de blog anterior , discutimos la definición y el marco de un gemelo digital, que se alinea con la forma en que nuestros clientes usan los gemelos digitales en sus aplicaciones. Definimos un gemelo digital como "una representación digital dinámica de un solo sistema físico que se actualiza dinámicamente con datos para imitar la estructura, el estado y el comportamiento reales del sistema físico, acelerando así los resultados comerciales". gemelo digital de nivel Un índice equilibrado (ilustrado a continuación) para ayudar a los clientes a comprender sus casos de uso y las tecnologías necesarias para lograr el valor empresarial que buscan.
| La comunidad de desarrolladores de tecnología en la nube de Amazon proporciona a los desarrolladores recursos de tecnología de desarrollo global. Hay documentos técnicos, casos de desarrollo, columnas técnicas, videos de capacitación, actividades y concursos, etc. Ayude a los desarrolladores chinos a conectarse con las tecnologías, ideas y proyectos más vanguardistas del mundo, y recomiende desarrolladores o tecnologías chinos sobresalientes a la comunidad global de la nube. Si aún no ha prestado atención / favorito, no se apresure cuando vea esto, ¡ haga clic aquí para convertirlo en su tesoro técnico! |
En esta publicación de blog, usamos el vehículo eléctrico (EV) como ejemplo para ilustrar cómo el nivel de previsibilidad L3 puede predecir el comportamiento de los sistemas físicos. Los casos de uso de ejemplo le brindarán una comprensión de los datos, los modelos, las tecnologías, los servicios de Amazon y los procesos comerciales necesarios para crear y respaldar una solución de gemelo digital predictivo L3. En publicaciones de blog anteriores, describimos los niveles descriptivo de L1 y de información de L2 , y en futuras publicaciones de blog continuaremos usando el mismo ejemplo de EV para demostrar los gemelos digitales en tiempo real de L4.
Gemelo digital predictivo L3
Los gemelos digitales L3 se enfocan en modelar el comportamiento de los sistemas físicos, haciendo predicciones sobre cantidades no medidas o estados futuros bajo operaciones en curso, bajo el supuesto de que el comportamiento futuro será el mismo que en el pasado. Esta suposición es razonablemente válida para las perspectivas a corto plazo. Los modelos predictivos pueden basarse en aprendizaje automático y/o fundamentos (p. ej., simulaciones físicas). Para ilustrar el gemelo digital predictivo L3, continuaremos utilizando el ejemplo de los vehículos eléctricos (EV, Electric Vehicle) en los blogs de gemelos digitales L1 descriptivos e informativos L2 , centrándonos en tres casos de uso: 1/ sensores virtuales; 2/ detección de anomalías y 3/ Predecir fallas inminentes en muy poco tiempo. Para ilustrar cómo implementar en Amazon, ampliamos el ejemplo de Amazon IoT TwinMaker del blog informativo L2 para incluir componentes relacionados con estas tres funciones. En las siguientes secciones, discutiremos cada una de estas tres funciones individualmente.
1. Sensores virtuales
En nuestro ejemplo de EV, un desafío común es estimar el alcance restante del vehículo en función del estado actual de carga (SoC) de la batería. Esta es una información muy importante para el conductor, porque si el EV se atasca, a menudo tendrá que ser remolcado a la estación de carga más cercana. Sin embargo, predecir el rango restante no es trivial, ya que requiere implementar un modelo que tenga en cuenta el estado de carga de la batería, las características de la descarga de la batería, la temperatura ambiente que afecta el rendimiento de la batería y alguna influencia en las próximas situaciones de conducción esperadas Suposiciones (por ejemplo, terreno llano o montañoso, aceleración pasiva o activa). En nuestra publicación de blog informativa L2 , calculamos el rango restante de manera muy aproximada para que pudiera codificarse fácilmente en el controlador integrado. En el siguiente ejemplo predictivo de L3, reemplazamos el cálculo simple con una extensión de la simulación EV proporcionada por el socio de Amazon Maplesoft en la publicación de blog descriptiva de L1 . Esta vez, el modelo incorpora un sensor virtual que calcula un rango estimado basado en los factores de entrada clave mencionados anteriormente. La gama de vehículos basada en sensores virtuales se muestra en el tablero de Grafana a continuación .
2. Detección de anomalías
Para equipos industriales, un caso de uso común es detectar cuando el equipo está funcionando con un rendimiento no nominal. Por lo general, dicha detección de anomalías se integra directamente en el sistema de control a través de reglas simples (por ejemplo, violaciones de umbrales, como una temperatura superior a 100 °C) o métodos de control de procesos estadísticos más complejos . Estos tipos de enfoques basados en reglas se incorporarán en casos de uso informativo L2. De hecho, detectar un rendimiento fuera del nominal en un sistema complejo como un EV es una tarea desafiante porque el rendimiento esperado de los componentes individuales depende de la operación de todo el sistema. Por ejemplo, en un EV, la batería se descarga mucho más durante una aceleración fuerte que durante la conducción a velocidad constante. El uso de un umbral de tasa de descarga de la batería basado en una regla simple no funcionará porque el sistema tratará cada aceleración brusca como un evento de anomalía de la batería. En los últimos 15 años, hemos visto cómo los métodos de aprendizaje automático se usan cada vez más para la detección de anomalías, primero para describir el comportamiento normal basado en flujos de datos históricos y luego para monitorear continuamente los flujos de datos en tiempo real en busca de desviaciones del comportamiento normal. Amazon Lookout for Equipment es un servicio administrado que implementa métodos de aprendizaje automático supervisados y no supervisados para realizar este tipo de detección de anomalías. La siguiente imagen muestra una captura de pantalla del Tablero de Grafana que muestra la luz de Verificar batería encendida cuando se detectó un comportamiento anómalo.
Para obtener más información sobre la excepción, verificamos el resultado de Amazon Lookout for Equipment en Amazon Management Console . El tablero muestra las anomalías que detectamos durante el período de verificación, incluidas las anomalías que causaron que la luz de verificación de la batería se ilumine en rojo. Al seleccionar las anomalías que se muestran en el tablero de Grafana , podemos ver que los cuatro sensores en los que se entrenó el modelo muestran un comportamiento anómalo. El panel de Amazon Lookout for Equipment muestra la contribución relativa de cada sensor en la detección de esta anomalía como un porcentaje. El comportamiento anormal del voltaje de la batería y el SoC de la batería es la principal manifestación de esta anomalía.
Esto es consistente con la forma en que introducimos anomalías en conjuntos de datos sintéticos y modelos de tren. Primero, usamos el tiempo de actividad para entrenar un modelo de Amazon Lookout for Equipment no supervisado en los cuatro sensores que se muestran. Luego evaluamos el modelo en el nuevo conjunto de datos que se muestra en el panel de Amazon Lookout for Equipment arriba, en el que activamos manualmente la falla. Específicamente, introdujimos un término de pérdida de energía en los datos, lo que provocó que el SoC se degradara un poco más rápido, lo que también afecta a otros sensores. Diseñar un sistema basado en reglas para detectar tales anomalías con la suficiente anticipación para evitar daños mayores al automóvil sería una tarea desafiante, especialmente si tal comportamiento no se ha observado antes. Sin embargo, Amazon Lookout for Equipment detecta inicialmente períodos de anomalía y, a partir de cierto punto, marca las anomalías durante el resto del tiempo. Por supuesto, la contribución de cada sensor a la detección de anomalías también se muestra en el panel de Grafana .
3. Predicción de fallas
Otro caso de uso común para equipos industriales es predecir el final de la vida útil de los componentes para planificar previamente y programar el mantenimiento. Desarrollar un modelo de predicción de fallas es una tarea muy desafiante, que a menudo requiere un análisis personalizado de los modos de falla de un dispositivo específico bajo una variedad de condiciones operativas diferentes. En este caso de uso, Amazon ofrece Amazon SageMaker , un servicio totalmente administrado que ayuda a entrenar, crear e implementar modelos de aprendizaje automático. En la siguiente sección, explicamos cómo integrar Amazon SageMaker con Amazon IoT TwinMaker cuando analizamos la arquitectura de la solución .
En nuestro ejemplo, creamos un conjunto de datos de sensor de batería sintético que se ha etiquetado manualmente con Vida útil restante (RUL). Más específicamente, calculamos un término de pérdida de energía en un modelo de batería sintética para crear un conjunto de datos de baterías con diferentes RUL y asociar manualmente pérdidas de energía más grandes con RUL más cortos. En la vida real, los ingenieros podrían crear tales conjuntos de datos etiquetados analizando los datos de las baterías que han llegado al final de su vida útil. Usamos el algoritmo XGBoost para predecir RUL con lotes de datos de sensor de 2 minutos como entrada. El modelo toma como características de entrada derivadas de estos lotes de datos. Por ejemplo, suavizamos los datos del sensor utilizando un promedio móvil y comparamos los datos del sensor entre el inicio y el final de un lote de 2 minutos. Tenga en cuenta que al pronosticar usando una ventana móvil, podemos pronosticar con una granularidad de menos de 2 minutos. En nuestro ejemplo, la duración restante de la batería se muestra en el panel de control bajo el símbolo Comprobar batería . ¡El auto está en pésimas condiciones y se espera que la batería falle pronto!
4. Arquitectura
La arquitectura de la solución para el caso de uso de DT predictivo L3 se basa en la solución desarrollada para el DT informativo L2, como se muestra a continuación. El núcleo de la arquitectura se centra en el uso de las funciones de Amazon Lambda para extraer datos sintéticos que representan el flujo de datos real del vehículo eléctrico. Utilice Amazon IoT SiteWise para recopilar y almacenar datos del vehículo, incluida la velocidad del vehículo, el nivel de líquido, la temperatura de la batería, la presión de los neumáticos, el estado del cinturón de seguridad y de la transmisión, la carga de la batería y otros parámetros. Los datos históricos de mantenimiento y las próximas actividades de mantenimiento planificadas se generan en Amazon IoT Core y se almacenan en Amazon Timestream . Amazon IoT TwinMaker se utiliza para acceder a datos de varias fuentes de datos. Se puede acceder a los datos de series temporales almacenados en Amazon IoT SiteWise a través del conector integrado de Amazon IoT SiteWise, y se puede acceder a los datos de mantenimiento a través del conector de datos personalizado de Timestream.
Para la aplicación del sensor virtual L3, ampliamos la arquitectura central para utilizar Amazon Glue a fin de integrar los modelos Maplesoft EV mediante el uso de la biblioteca Amazon IoT TwinMaker Flink como un conector personalizado en Amazon Kinesis Data Analytics . Para la detección de anomalías, primero exportamos los datos del sensor a S3 para el entrenamiento fuera de línea (no se muestra en la figura). Los modelos entrenados están disponibles a través de Amazon Lookout for Equipment para hacer predicciones sobre lotes de datos de sensores a través de un programador. Las funciones Lambda preparan los datos para el modelo y procesan sus predicciones. Luego, enviamos estas predicciones a Amazon IoT SiteWise, que las reenvió a Amazon IoT TwinMaker y las mostró en el panel de Grafana. Para la predicción de fallas, primero exportamos los datos del sensor a S3 para el entrenamiento y luego usamos Amazon SageMaker Ground Truth para el etiquetado. A continuación, entrenamos el modelo mediante un trabajo de entrenamiento de Amazon SageMaker e implementamos un punto de enlace de inferencia para el modelo resultante. Luego colocamos el punto final en una función Lambda, que es activada por el programador para la inferencia por lotes. Enviamos las predicciones generadas a Amazon IoT SiteWise, que las reenvía a Amazon IoT TwinMaker y las muestra en el panel de Grafana.
5. Implementación de gemelos digitales L3: datos, modelos y desafíos clave
En los últimos 20 años, los enfoques de modelado predictivo que utilizan el aprendizaje automático, los modelos basados en la física y los modelos híbridos han mejorado, aumentando la confiabilidad de las predicciones y haciéndolas más útiles. Sin embargo, nuestra experiencia es que la mayoría de los esfuerzos de pronóstico aún fallan debido a prácticas operativas imperfectas en torno a la implementación de modelos para uso comercial.
Por ejemplo, para los sensores virtuales, la tarea crítica es desarrollar e implementar modelos validados en una tubería de datos integrada y un flujo de trabajo de modelado. Desde la perspectiva de la arquitectura de la nube, estos flujos de trabajo son fáciles de implementar, como se muestra en el ejemplo de EV anterior. El mayor desafío es operativo. Primero, construir y validar modelos de sensores virtuales para dispositivos complejos puede llevar años. Los sensores virtuales a menudo se usan para competencias que el sensor no puede medir, por lo que, por definición, no hay datos de validación reales. Por lo tanto, la validación generalmente se lleva a cabo en laboratorios de investigación, con experimentos en prototipos de hardware utilizando algunos sensores muy costosos o inspección visual de datos de validación limitados para anclar el modelo. En segundo lugar, una vez implementados, los sensores virtuales solo funcionan si la canalización de datos es sólida y proporciona al modelo los datos que necesita. Esto suena obvio, pero operativamente puede ser un desafío. Las malas lecturas reales del sensor, los datos faltantes, el etiquetado de datos incorrecto, la variación de un sitio a otro en el etiquetado de datos y los cambios en el etiquetado del sistema de control durante una revisión son a menudo causas de errores del sensor virtual. Garantizar datos consistentes y de alta calidad es fundamentalmente un desafío de operaciones comerciales. Las empresas deben desarrollar estándares, procedimientos de control de calidad y programas de capacitación para los técnicos que utilizan el equipo. La tecnología no puede superar las malas prácticas operativas en la recopilación de datos.
Con la detección de anomalías y la predicción de fallas, el desafío de los datos es aún mayor. Los líderes de ingeniería desarrollan una mentalidad convencida de que su empresa se encuentra en una mina de oro de datos y se preguntan por qué sus equipos de ciencia de datos no están cumpliendo. En realidad, estas canalizaciones de datos son realmente sólidas, pero se crearon para aplicaciones completamente diferentes. Por ejemplo, las canalizaciones de datos utilizadas para la supervisión o el control del rendimiento no son necesariamente adecuadas para la detección de anomalías y la predicción de fallas. Dado que los algoritmos de detección de anomalías buscan patrones en los datos, problemas como lecturas incorrectas del sensor, datos faltantes y datos mal etiquetados pueden hacer que los modelos predictivos sean inútiles, pero los mismos datos son aceptables para otros casos de uso. Otro desafío común es que las canalizaciones de datos que se perciben como totalmente automatizadas en realidad no lo son. A menudo, las correcciones de datos manuales no documentadas que requieren el juicio humano solo se descubren cuando los flujos de trabajo se escalan automáticamente y no se aplican correctamente. Finalmente, para los activos industriales, los modelos de predicción de fallas se basan en datos de inspección recopilados manualmente porque brindan la observación más directa de la condición real del equipo. Según nuestra experiencia, los procesos operativos en torno a la recopilación, interpretación, almacenamiento e integración de datos de instrumentación no son lo suficientemente sólidos para admitir modelos de falla. Por ejemplo, descubrimos que los datos de detección no aparecían en el sistema hasta varios meses después de recopilarlos, mucho antes de que fallara el dispositivo. Alternativamente, los datos de inspección consisten en notas manuscritas adjuntas a registros de datos de inspección llenados incorrectamente o asociados con equipos incorrectos. Incluso el mejor modelo predictivo fallará si se alimenta con datos inexactos.
Para los gemelos digitales predictivos L3, alentamos a los clientes a desarrollar y validar operaciones comerciales para respaldar los requisitos de datos del gemelo digital, al igual que los equipos de ingeniería construyen gemelos digitales ellos mismos. Tener una mentalidad de flujo de trabajo de extremo a extremo desde la recopilación de datos hasta la previsión y actuar sobre las previsiones es clave para el éxito.
Resumir
En esta publicación de blog, describimos el nivel L3 de previsibilidad al analizar casos de uso de sensores virtuales, detección de anomalías y predicción de fallas. También discutimos algunos de los desafíos operativos en la implementación de los procesos comerciales necesarios para respaldar los requisitos de datos de los gemelos digitales L3. En la publicación de blog anterior, describimos los niveles descriptivo L1 e informativo L2 . En una publicación de blog de seguimiento, ampliaremos el caso de uso de EV para demostrar los gemelos digitales en tiempo real L4. En Amazon, estamos entusiasmados de comenzar el viaje del gemelo digital con los clientes, aprender sobre los cuatro niveles de gemelos digitales y lo alentamos a obtener más información sobre el nuevo servicio Amazon IoT TwinMaker en nuestro sitio web .
Sobre el Autor
El Dr. Adam Rasheed es director de la División de Computación Autónoma de Amazon, donde está desarrollando nuevos mercados para flujos de trabajo de HPC-ML para sistemas autónomos. Tiene más de 25 años de experiencia en el desarrollo de tecnología de etapa intermedia en el espacio industrial y digital, incluidos más de 10 años de experiencia en el desarrollo de gemelos digitales para las industrias aeroespacial, energética, de petróleo y gas y de energía renovable. El Dr. Rasheed recibió su doctorado en Caltech, investigando la termodinámica experimental del aire a hipervelocidad (calentamiento de reentrada orbital). Fue nombrado uno de los "35 talentos más innovadores del mundo" por la revista MIT Technology Review y recibió el premio AIAA Lawrence Sperry, un premio de la industria por sus primeras contribuciones a la aviación. Se le han otorgado más de 32 patentes y es autor de más de 125 publicaciones técnicas en análisis industrial, optimización de operaciones, elevación artificial, explosiones de pulsos, hipersónicos, mezcla inducida por ondas de choque, medicina espacial e innovación.
Seibou Gounteni es arquitecto de soluciones profesionales de IoT en Amazon Web Services (Amazon). Aprovecha la profundidad y amplitud de las capacidades de la plataforma de Amazon para ayudar a los clientes a construir, desarrollar y operar soluciones escalables y altamente innovadoras que brindan resultados comerciales medibles. Seibou es ingeniero de instrumentación con más de 10 años de experiencia en plataformas digitales, fabricación inteligente, gestión de energía, automatización industrial y sistemas IT/OT en diferentes industrias.
El Dr. David Sauerwein es científico de datos en Amazon Professional Services, donde ayuda a los clientes en su viaje de IA/ML en la nube de Amazon. David se enfoca en pronósticos, gemelos digitales y computación cuántica. Tiene un doctorado en Informática Cuántica.
Fuente del artículo: https://dev.amazoncloud.cn/column/article/630a132c142f067bebc5f66a?sc_medium=regulartraffic&sc_campaign=crossplatform&sc_channel=CSDN