用Snowflake数据构建车队预测性维护分析仪表盘

车队遥测系统每天生成数千个运营事件。压力读数、振动信号、设备使用情况和维护记录可以提供对系统健康状况的宝贵洞察——但前提是这些数据能够被有效查询和分析。

在本分析中，我们将使用Snowflake数据和SQL查询来构建一个用于车辆遥测监控的预测性维护仪表板。我们将从原始遥测记录开始，使用SQL创建分析数据集，并将这些数据集转化为用于运营分析的交互式仪表板组件。

通过本指南，您将学习如何：

• 将仪表板连接到Snowflake数据
• 使用SQL查询遥测数据
• 从聚合结果中构建KPI指标
• 为运营监控创建分析可视化
• 从Snowflake数据构建预测性维护仪表板

概述

在本文中，我们将使用存储在Snowflake中的车辆遥测数据构建一个预测性维护仪表板。

工作流程遵循一个简单的模式：

工作流程包括四个阶段：

1. 遥测记录存储在Snowflake中。
2. SQL查询聚合和分析运营数据。
3. 查询结果成为可重复使用的数据集。
4. 仪表板组件可视化生成的指标。

这种方法将数据存储、分析逻辑和可视化分离，同时保持SQL在工作流程的中心地位。

最终的仪表板包括：

• 车队健康KPI
• 风险分布分析
• 车辆使用风险细分
• 相关性分析
• 时间序列监控
• 车队健康评分

问题

现代车队持续从运营系统生成遥测数据。

工程师和操作员通常需要回答如下问题：

• 哪些车辆在高风险条件下运行？
• 高强度的设备使用会增加故障风险吗？
• 振动和压力信号与运营问题相关吗？
• 车队风险如何随时间变化？
• 应该监控哪些指标以早期识别潜在故障？

虽然遥测系统生成大量数据，但提取有意义的见解需要聚合、分析和可视化。

在本文中，我们将使用Snowflake作为回答这些问题的分析基础。

数据集概述

对于本教程，我们将使用包含25,000条记录的车辆遥测数据集。

每一行代表来自车队车辆的遥测观测。

数据集包含以下字段：

此结构类似于预测性维护和运营监控系统中常用的遥测数据集。

步骤1：连接到Snowflake

第一步是建立与Snowflake的连接。

提供以下信息：

• Snowflake账户
• 仓库
• 数据库
• 模式

一旦连接建立，就可以直接对遥测数据集执行SQL查询。

连接之后，我们可以开始构建分析数据集。

步骤2：创建车队健康KPI

运营仪表板的一个常见起点是一组总结整体系统状况的KPI指标。

以下查询计算每月的运营指标。

SELECT 
 TO_CHAR(event_time, 'YYYY-MM') AS month, 
 COUNT(*) AS total_records, 
 AVG(failure_risk) AS avg_failure_risk, 
 AVG(pressure_score) AS avg_pressure, 
 AVG(vibration_score) AS avg_vibration_score 
FROM aps_vehicle_data 
GROUP BY month 
ORDER BY month;

此查询生成：

• 总记录数
• 平均故障风险
• 平均压力评分
• 平均振动评分

这些指标提供了车队状况的高层概述，并可作为KPI卡片可视化。

在此阶段，我们已经将数千条遥测记录转换为一份简洁的运营摘要。

步骤3：分析车辆使用和运营风险

当我们超越汇总统计并开始分析运营行为时，遥测数据变得更加有用。

以下查询按使用强度对车辆进行分组，并根据风险级别对记录进行分类。

SELECT 
CASE 
WHEN usage_hours < 2500 THEN 'Low Usage' 
WHEN usage_hours < 6000 THEN 'Medium Usage' 
ELSE 'High Usage' 
END AS usage_group, 

CASE 
WHEN failure_risk < 30 THEN 'Low Risk' 
WHEN failure_risk < 60 THEN 'Medium Risk' 
ELSE 'High Risk' 
END AS risk_level, 

COUNT(*) AS vehicle_count 
FROM aps_vehicle_data 
GROUP BY usage_group, risk_level 
ORDER BY usage_group;

将此结果可视化为堆叠柱状图，使我们能够比较运营类别之间的风险分布。

这种细分有助于识别高利用率设备是否往往表现出更高的风险状况。

步骤4：探索风险分布

了解运营风险在车队中的分布可以揭示问题是孤立的还是普遍存在的。

以下查询将记录分组到风险桶中。

SELECT 
 FLOOR(failure_risk / 10) * 10 AS risk_bucket, 
 COUNT(*) AS vehicle_count 
FROM aps_vehicle_data 
GROUP BY risk_bucket 
ORDER BY risk_bucket;

将这些结果可视化为面积图提供了整个车队风险分布的概览。

工程师无需检查单个记录，即可快速了解车队的整体风险概况。

步骤5：衡量风险构成

风险类别提供了另一个有用的视角。

以下查询将记录分为低、中、高风险组。

SELECT 
 CASE 
 WHEN failure_risk < 30 THEN 'Low Risk' 
 WHEN failure_risk < 60 THEN 'Medium Risk' 
 ELSE 'High Risk' 
 END AS risk_level, 
 COUNT(*) AS total_vehicles 
FROM aps_vehicle_data 
GROUP BY risk_level 
ORDER BY total_vehicles DESC;

然后可以使用饼图来可视化车队的构成。

这使得人们能够轻松了解运营风险在受监控资产群体中的分布情况。

步骤6：调查使用与故障风险

最常见的预测性维护问题之一是设备使用是否导致故障风险增加。

以下查询支持该分析。

SELECT 
 usage_hours, 
 AVG(failure_risk) AS avg_failure_risk 
FROM aps_vehicle_data 
GROUP BY usage_hours 
ORDER BY usage_hours;

散点图或点图可以揭示利用率与运营风险之间的关系。

此处识别的模式可能有助于确定高利用率设备是否需要额外的监控或维护。

步骤7：检查温度影响

温度是影响设备性能的另一个运营因素。

以下查询按温度聚合风险。

SELECT 
 temperature, 
 AVG(failure_risk) AS avg_failure_risk 
FROM aps_vehicle_data 
GROUP BY temperature 
ORDER BY temperature;

将结果可视化为折线图有助于识别工作温度与故障风险之间的潜在关系。

环境条件在解释运营行为时通常提供重要的背景信息。

步骤8：随时间监控风险

时间序列分析是运营监控的关键组成部分。

以下查询按日期计算平均风险。

SELECT 
 DATE(event_time) AS date, 
 AVG(failure_risk) AS avg_risk 
FROM aps_vehicle_data 
GROUP BY DATE(event_time) 
ORDER BY date;

将结果可视化为面积图提供了车队健康的时间顺序视图。

此视图有助于识别新兴趋势和变化中的运营条件。

步骤9：计算车队健康评分

运营仪表板通常受益于一个单一的总结性指标。

以下查询将平均故障风险转换为车队健康评分。

SELECT 
 ROUND(100 - AVG(failure_risk), 2) AS fleet_health_score 
FROM aps_vehicle_data;

结果可以使用仪表盘图表进行可视化。

虽然详细的遥测数据仍然重要，但摘要指标可以帮助操作员快速评估整体状况。

最终仪表盘

在结合KPI指标和分析视图后，我们获得了完整的预测性维护仪表盘。

该仪表盘包括：

• 车队健康KPI
• 车队健康评分
• 风险分布分析
• 风险构成分析
• 基于使用情况的风险细分
• 相关性视图
• 时间序列监控

所有可视化均由从Snowflake数据生成的SQL查询输出驱动。

关键见解

从这一工作流程中可以得出几个有用的观察。

• 使用强度影响风险——处于较高使用类别的车辆往往贡献更大比例的中等和高等风险观测。
• 风险并非均匀分布——风险分布分析显示，车队中的运营风险差异显著。
• 多角度改进监控——KPI指标、分布、相关性和时间序列视图各自揭示系统行为的不同方面。
• SQL作为分析层——通过更改聚合逻辑和查询结构，同一Snowflake数据集可以支持多个仪表盘视图。

结论

• 在本教程中，我们使用Snowflake数据和基于SQL的分析构建了一个预测性维护仪表盘。
• 从原始遥测记录开始，我们创建了可重用的查询输出，这些输出支持KPI指标、风险分析视图、运营监控图表和车队健康指示器。
• 相同的方法可以应用于广泛的遥测驱动应用，包括工业监控、物联网系统、物流运营和设备维护工作流程。
• 通过将SQL置于分析过程的核心，开发人员可以将结构化的Snowflake数据转化为运营见解，以支持监控和决策制定。

基于Snowflake的车队预测性维护分析仪表盘最初发表于Snowflake Builders Blog: Data Engineers, App Developers, AI, & Data Science在Medium上，人们通过强调和回应这个故事来继续对话。