Omówienie akceleratora rozwiązania do konserwacji predykcyjnej
Akcelerator rozwiązania do konserwacji predykcyjnej to kompleksowe rozwiązanie dotyczące scenariusza biznesowego, w którym przewidywany jest moment prawdopodobnego wystąpienia awarii. Ten akcelerator rozwiązania można aktywnie wykorzystać w celu zoptymalizowania konserwacji. Rozwiązanie łączy kluczowe usługi akceleratorów rozwiązań Azure IoT, takie jak IoT Hub i obszar roboczy usługi Azure Machine Learning. Ten obszar roboczy zawiera model oparty na publicznym zestawie przykładowych danych, które umożliwiają prognozowanie pozostałego czasu eksploatacji (RUL, Remaining Useful Life) silnika samolotu. Ponadto w rozwiązaniu w pełni zaimplementowano scenariusz biznesowy IoT jako punkt wyjściowy planowania i wdrażania rozwiązania zgodnego z potrzebami firmy.
Kod akceleratora rozwiązania do konserwacji predykcyjnej jest dostępny w witrynie GitHub.
Architektura logiczna
Na poniższym diagramie przedstawiono składniki logiczne tego akceleratora rozwiązania:
Niebieskie elementy oznaczają usługi platformy Azure zaprowizowane w regionie, w którym wdrożono akcelerator rozwiązania.
Zielony element jest symulowanym silnikiem samolotu. Więcej informacji na temat tych symulowanych urządzeń można znaleźć w sekcji Symulowane urządzenia.
Szare elementy to składniki, które implementują funkcje zarządzania urządzeniami . Bieżąca wersja akceleratora rozwiązania do konserwacji predykcyjnej nie umożliwia aprowizowania tych zasobów. Aby dowiedzieć się więcej na temat zarządzania urządzeniami, zapoznaj się z akceleratorem rozwiązania do monitorowania zdalnego.
Zasoby platformy Azure
W portalu Azure przejdź do grupy zasobów z nazwą wybranego rozwiązania, aby wyświetlić aprowizowane zasoby.
Po przeprowadzeniu aprowizacji akceleratora rozwiązania otrzymasz wiadomość e-mail z linkiem do obszaru roboczego usługi Machine Learning. Kafelek jest dostępny na tej stronie, gdy rozwiązanie jest w stanie Gotowe.
Urządzenia symulowane
W akceleratorze rozwiązania symulowane urządzenie jest silnikiem samolotu. W ramach rozwiązania są aprowizowane dwa silniki (dla jednego samolotu). Każdy silnik emituje cztery rodzaje danych telemetrycznych: z czujnika 9, czujnika 11, czujnika 14 i czujnika 15. Czujniki dostarczają dane wymagane przez model usługi Machine Learning do obliczenia pozostałego czasu eksploatacji silnika. Poszczególne symulowane urządzenia wysyłają następujące komunikaty telemetryczne do usługi IoT Hub:
Liczba cykli. Cykl to ukończony lot z czasem trwania od dwóch do dziesięciu godzin. Podczas lotu dane telemetryczne są przechwytywane co pół godziny.
Telemetria. Istnieją cztery czujniki rejestrujące atrybuty silnika. Czujniki te mają ogólne etykiety: czujnik 9, czujnik 11, czujnik 14 i czujnik 15. Te cztery czujniki wysyłają dane telemetryczne wystarczające do uzyskania przydatnych wyników z modelu RUL. Model wykorzystywany w tym akceleratorze rozwiązania został utworzony na podstawie publicznego zestawu danych zawierającego dane z czujników w rzeczywistych silnikach. Aby uzyskać więcej informacji dotyczących tworzenia modelu na podstawie oryginalnego zestawu danych, zobacz szablon konserwacji predykcyjnej w witrynie Cortana Intelligence Gallery.
Symulowane urządzenia obsługują w rozwiązaniu następujące polecenia wysyłane z centrum IoT:
| Polecenie | Opis |
|---|---|
| StartTelemetry | Umożliwia sterowanie stanem symulacji. Włącza przesyłanie danych telemetrycznych przez urządzenie. |
| StopTelemetry | Umożliwia sterowanie stanem symulacji. Umożliwia zatrzymanie przesyłania danych telemetrycznych przez urządzenie. |
Usługa IoT Hub udostępnia potwierdzenia poleceń wysyłanych do urządzeń.
Zadanie usługi Azure Stream Analytics
Zadanie: Telemetria działa na strumieniu telemetrii przychodzącego urządzenia przy użyciu dwóch instrukcji:
- Pierwsza z nich pobiera wszystkie dane telemetryczne z urządzeń i wysyła je do magazynu obiektów blob. W tym miejscu wizualizacja jest wizualizowana w aplikacji internetowej.
- Druga instrukcja oblicza średnie wartości z czujników w ramach przesuwającego się okna czasowego trwającego dwie minuty i wysyła te wartości do procesora zdarzeń za pośrednictwem centrum zdarzeń.
Procesor zdarzeń
Host procesora zdarzeń jest uruchamiany w zadaniu sieci Web Azure. Procesor zdarzeń przyjmuje średnie wartości z czujników dla ukończonego cyklu. Następnie przekazuje te wartości do wytrenowanego modelu, który oblicza wartość RUL dla aparatu. Interfejs API zapewnia dostęp do modelu w obszarze roboczym usługi Machine Learning, który jest częścią rozwiązania.
Usługa Machine Learning
Składnik Machine Learning wykorzystuje model opracowany na podstawie danych zebranych z rzeczywistych silników samolotów.
Model usługi Machine Learning jest dostępny jako szablon, który pokazuje, jak pracować z danymi telemetrycznymi zbieranymi za pośrednictwem usług akceleratora rozwiązań IoT. Firma Microsoft opracowała model regresji silnika samolotu na podstawie publicznie dostępnych danych[1] i wskazówki krok po kroku dotyczące korzystania z modelu.
Akcelerator rozwiązania Azure IoT do konserwacji predykcyjnej używa modelu regresji utworzonego na podstawie tego szablonu. Model jest wdrażany w ramach subskrypcji platformy Azure i udostępniany za pośrednictwem automatycznie wygenerowanego interfejsu API. Rozwiązanie obejmuje podzbiór danych testowych dla 4 (z 100 łącznie) silników i 4 (z 21 łącznie) strumieni danych czujników. Te dane wystarczają do uzyskania dokładnego wyniku za pomocą nauczonego modelu.
[1] A. Saxena i K. Goebel (2008). "Turbofan Engine Degradation Simulation Data Set", NASA Ames Prognostics Data Repository (https://c3.nasa.gov/dashlink/resources/139/), NASA Ames Research Center, Moffett Field, CA
Następne kroki
Po zapoznaniu się z kluczowymi składnikami akceleratora rozwiązania do konserwacji predykcyjnej możesz je dostosować.
Możesz również zapoznać się z innymi funkcjami akceleratorów rozwiązań IoT: