予測メンテナンスのソリューション アクセラレータの概要
予測メンテナンスのソリューション アクセラレータは、障害が発生する可能性があるポイントを予測するビジネス シナリオに対応したエンド ツー エンド ソリューションです。 このソリューション アクセラレータを使用すると、メンテナンスの最適化などのアクティビティを先手を打って実行できます。 このソリューションは、IoT Hub や Azure Machine Learning ワークスペースなどの主要な Azure IoT ソリューション アクセラレータ サービスを組み合わせたものです。 このワークスペースには、公開されているサンプル データ セットに基づいて航空機エンジンの残存耐用年数 (RUL) を予測するモデルが含まれています。 このソリューションでは、固有のビジネス要件を満たすソリューションを計画および実装するための開始地点として使用できる、IoT ビジネス シナリオが完全に実装されています。
予測メンテナンスのソリューション アクセラレータのコードは GitHub で入手できます。
論理アーキテクチャ
次の図は、ソリューション アクセラレータの論理コンポーネントの概要を示したものです。
青色の項目は、ソリューション アクセラレータをデプロイしたリージョンにプロビジョニングされた Azure サービスです。
緑色の項目は、シミュレートされた航空機エンジンです。 これらのシミュレートされているデバイスの詳細については、「シミュレートされたデバイス」のセクションを参照してください。
灰色の項目は、デバイスの管理機能を実装しているコンポーネントです。 予測メンテナンスのソリューション アクセラレータの現在のリリースでは、これらのリソースはプロビジョニングできません。 デバイスの管理の詳細については、リモート監視ソリューション アクセラレータに関するページを参照してください。
Azure リソース
Azure Portal で、指定したソリューション名の付いたリソース グループに移動して、プロビジョニングされたリソースを確認します。
ソリューション アクセラレータをプロビジョニングすると、Machine Learning ワークスペースへのリンクを含む電子メールが届きます。 タイルは、ソリューションが準備完了の状態の場合にこのページで使用できます。
シミュレートされたデバイス
ソリューション アクセラレータで、シミュレートされたデバイスは航空機のエンジンです。 このソリューションでは、1 台の航空機にマッピングされる 2 つのエンジンをプロビジョニングしています。 各エンジンは、4 種類のテレメトリを出力します。センサー 9、センサー 11、センサー 14、センサー 15 は、Machine Learning モデルがそのエンジンの RUL を計算するために必要なデータを提供します。 シミュレートされたデバイスはそれぞれ、次のテレメトリ メッセージを IoT Hub に送信します。
サイクル数。 サイクルは、2 から 10 時間の期間で完了したフライトです。 フライト中、テレメトリ データは 30 分ごとにキャプチャされます。
遠隔測定。 エンジン属性を記録するセンサーは 4 つあります。 センサーは総称的に、センサー 9、センサー 11、センサー 14、およびセンサー 15 とラベル付けされています。 これらの 4 つのセンサーは、RUL モデルから有用な結果を得るために十分なテレメトリを送信します。 ソリューション アクセラレータで使用されるモデルは、実際のエンジンのセンサー データなど、公開されているデータ セットから作成されています。 元のデータ セットからこのモデルを作成する方法の詳細については、「Cortana Intelligence Gallery Predictive Maintenance Template (Cortana Intelligence ギャラリーの予測的なメンテナンス テンプレート)」を参照してください。
シミュレーション デバイスは、ソリューションの IoT Hub から送信された次のコマンドを処理することができます。
| コマンド | 説明 |
|---|---|
| StartTelemetry | シミュレーションの状態を制御します。 デバイスのテレメトリ送信を開始します。 |
| StopTelemetry | シミュレーションの状態を制御します。 デバイスのテレメトリ送信を停止します。 |
IoT Hub は、デバイスのコマンドの受信確認を渡します。
Azure Stream Analytics ジョブ
ジョブ: テレメトリ は、次の 2 つのステートメントを使用して、受信デバイステレメトリ ストリームに対して動作します。
- 1 つ目では、デバイスからのすべてのテレメトリを選択し、このデータを Blob Storage に送信します。 ここから、Web アプリで視覚化されます。
- 2 つ目では、2 分間のスライディング ウィンドウに渡る平均センサー値を計算し、このデータを Event Hub を介してイベント プロセッサに送信します。
イベント プロセッサ
イベント プロセッサ ホストは、Azure Web Job で実行されます。 イベント プロセッサ は、完了したサイクルの平均センサー値を受け取ります。 それらの値は、エンジンの RUL を計算するトレーニングされたモデルに渡されます。 API により、ソリューションの一部である Machine Learning ワークスペース内のモデルにアクセスできます。
Machine Learning
Machine Learning コンポーネントは、実際の航空機エンジンから収集されたデータから派生したモデルを使用します。
Machine Learning モデルは、IoT ソリューション アクセラレータ サービスを通じて収集されたテレメトリの使用方法を示すテンプレートとして利用できます。 Microsoft は、公開されているデータ[1]に基づいて航空機エンジンの回帰モデルを構築し、モデルの使用方法に関する詳細なガイダンスを作成しました。
Azure IoT 予測メンテナンスのソリューション アクセラレータは、このテンプレートから作成された回帰モデルを使用します。 モデルは、Azure サブスクリプションにデプロイされ、自動的に生成される API を通じて利用できます。 ソリューションには、4 つのエンジン (合計 100) および 4 つのセンサー データ ストリーム (合計 21) のテスト データのサブセットが含まれます。 このデータは、トレーニング済みのモデルから正確な結果を得るには十分な量です。
[1] サクセナとK.ゲーベル(2008)。 「ターボファンエンジン劣化シミュレーションデータセット」、NASAエイムズ予測データリポジトリ(https://c3.nasa.gov/dashlink/resources/139/)、NASAエイムズ研究センター、モフェットフィールド、CA
次のステップ
予測メンテナンスのソリューション アクセラレータの主要コンポーネントは確認しました。次は、それをカスタマイズします。
IoT ソリューション アクセラレータの他の機能についても学習できます。