Visão geral do acelerador de solução de Manutenção Preditiva
O acelerador de solução de Manutenção Preditiva é uma solução de ponta a ponta para um cenário comercial e prevê o ponto no qual há a probabilidade de ocorrer uma falha. Você pode usar esse acelerador de solução de forma pró-ativa para atividades como a manutenção de otimização. A solução combina os principais serviços de aceleradores de solução de IoT do Azure, como Hub IoT e um workspace do Aprendizado de Máquina do Azure. Esse workspace contém um modelo, com base em um conjunto de dados de exemplo público, para prever a RUL (Vida Útil Restante) de um motor de aeronave. A solução implementa totalmente o cenário de negócios IoT como um ponto de partida para você planejar e implementar uma solução que atenda aos seus requisitos de negócios específicos.
O código do acelerador da solução de Manutenção Preditiva está disponível no GitHub.
Arquitetura lógica
O seguinte diagrama descreve os componentes lógicos do acelerador de solução:
Os itens azuis são serviços do Azure provisionados na região em que você implantou o acelerador de solução.
O item em verde é um mecanismo de aeronave simulada. Você pode aprender mais sobre esses dispositivos simulados na seção Dispositivos simulados.
Os itens cinzas são componentes que implementam os recursos de gerenciamento de dispositivos. A versão atual do acelerador de solução de Manutenção Preditiva não provisiona esses recursos. Para saber mais sobre o gerenciamento do dispositivo, confira o acelerador da solução de monitoramento remoto.
Recursos do Azure
No portal do Azure, navegue até o grupo de recursos com o nome da solução escolhido para exibir os recursos provisionados.
Quando você provisiona o acelerador da solução, recebe um email com um link para o workspace de Machine Learning. Um bloco fica disponível nessa página quando a solução entra no estado pronto.
Dispositivos simulados
No solution accelerator, um dispositivo simulado é um mecanismo de aeronave. A solução é provisionada com dois motores que mapeiam uma única aeronave. Cada motor emite quatro tipos de telemetria: o Sensor 9, Sensor 11, Sensor 14 e Sensor 15 fornecem os dados necessários para o modelo de Machine Learning calcular a RUL do motor. Cada dispositivo simulado envia as seguintes mensagens de telemetria ao Hub IoT:
Contagem de ciclos. Um ciclo é um voo concluído com uma duração entre duas e dez horas. Durante o voo, dados de telemetria são capturados a cada meia hora.
Telemetria. Existem quatro sensores que registram os atributos do mecanismo. Os sensores são rotulados genericamente de Sensor 9, Sensor 11, Sensor 14 e Sensor 15. Esses quatro sensores enviam a telemetria suficiente para obter resultados úteis do modelo RUL. O modelo usado no acelerador de solução é criado de um conjunto de dados público que inclui dados de sensor do mecanismo real. Para saber mais sobre como o modelo foi criado no conjunto de dados original, confira o Modelo de manutenção preditiva da Galeria do Cortana Intelligence.
Os dispositivos simulados podem lidar com os seguintes comandos enviados do hub IoT na solução:
| Comando | Descrição |
|---|---|
| StartTelemetry | Controla o estado da simulação. Inicia o dispositivo que envia a telemetria |
| StopTelemetry | Controla o estado da simulação. Para o dispositivo que envia a telemetria |
O Hub IoT fornece reconhecimento de comando do dispositivo.
Trabalho do Stream Analytics do Azure
Trabalho: a telemetria opera no fluxo de telemetria do dispositivo de entrada usando duas instruções:
- O primeiro seleciona toda a telemetria dos dispositivos e envia os dados para o armazenamento de blobs. A partir daqui, ele é visualizado no aplicativo web.
- A segunda calcula os valores médios do sensor em uma janela deslizante de dois minutos e envia esses dados por meio do Hub de Eventos para um processador de eventos.
Processador de eventos
O host do processador de eventos é executado em um trabalho de Web do Azure. O processador de eventos obtém os valores do sensor médios para um ciclo completo. Em seguida, ele passa esses valores para um modelo treinado que calcula o RUL para um mecanismo. Uma API fornece acesso ao modelo em um workspace do Machine Learning que faz parte da solução.
Machine Learning
O componente de Machine Learning usa um modelo derivado dos dados coletados de mecanismos de aeronave real.
O modelo Aprendizado de Máquina está disponível como um modelo que mostra como trabalhar com a telemetria coletada por meio dos serviços aceleradores de solução de IoT. A Microsoft criou um modelo de regressão de um mecanismo de aeronave com base em dados disponíveis publicamente[1] e diretrizes passo a passo sobre como usar o modelo.
O acelerador da solução de Manutenção Preditiva de IoT do Azure usa o modelo de regressão criado com base neste modelo. O modelo é implantado em sua assinatura do Azure e disponibilizado por meio de uma API gerada automaticamente. A solução inclui um subconjunto dos dados de teste para 4 (de um total de 100) motores e os 4 (de um total de 21) fluxos de dados de sensores. Esses dados são suficientes para fornecer um resultado preciso do modelo treinado.
[1] A. Saxena e K. Goebel (2008). "Conjunto de dados de simulação de degradação do motor turbofan", repositório de dados de prognósticos da NASA Ames (https://c3.nasa.gov/dashlink/resources/139/), Centro de Pesquisa ames da NASA, campo Moffett, AC
Próximas etapas
Agora você já viu os principais componentes do acelerador de solução de Manutenção Preditiva, convém personalizá-lo.
Você também pode explorar alguns dos outros recursos de aceleradores de solução IoT: