Descrição geral do acelerador de soluções de Manutenção Preditiva
O acelerador de soluções de Manutenção Preditiva é uma solução ponto a ponto para um cenário de negócio que prevê o momento em que poderá ocorrer uma falha. Pode utilizar, de forma pró-ativa, este acelerador de soluções para atividades como a otimização da manutenção. A solução combina serviços de aceleradores de solução Azure IoT, como Hub IoT e um espaço de trabalho de Aprendizagem automática Azure. Esta área de trabalho contém um modelo, com base num conjunto de dados de exemplo público, para prever a Vida Útil Remanescente (RUL) de um motor de aeronave. A solução implementa completamente o cenário empresarial IoT como um ponto de partida para que possa planear e implementar uma solução que satisfaça os seus próprios requisitos de negócio.
O código do acelerador de solução de manutenção preditiva está disponível no GitHub.
Arquitetura lógica
O diagrama que se segue descreve os componentes lógicos do acelerador de soluções:
Os itens a azul são os serviços do Azure aprovisionados na região em que implementou o acelerador de soluções.
O item verde é um motor de avião simulado. Pode saber mais sobre estes dispositivos simulados na secção Dispositivos simulados seguinte.
Os itens cinzentos são componentes que implementam capacidades de gestão de dispositivos . A atual versão do acelerador de soluções de Manutenção Preditiva não aprovisiona estes recursos. Para saber mais sobre a gestão do dispositivo, consulte o acelerador de solução de monitorização remota.
Recursos do Azure
No Portal do Azure, navegue para o grupo de recursos com o nome da solução que escolheu para ver os recursos aprovisionados.
Quando aprovisiona o acelerador de soluções, recebe um e-mail com uma ligação para a área de trabalho do Machine Learning. Quando a solução estiver no estado Pronto, estará disponível um mosaico nesta página.
Dispositivos simulados
No acelerador de solução, um dispositivo simulado é um motor de avião. A solução é aprovisionada com dois motores que mapeiam para uma única aeronave. Cada motor emite quatro tipos de telemetria: Sensor 9, Sensor 11, Sensor 14 e Sensor 15, que fornecem os dados necessários para que o modelo do Machine Learning possa calcular a RUL desse motor. Cada dispositivo simulado envia as seguintes mensagens de telemetria ao IoT Hub:
Ciclo de contagem. Um ciclo é um voo completo com uma duração entre duas e dez horas. Durante o voo, os dados telemétricos são capturados a cada meia hora.
A telemetria. Há quatro sensores que registam atributos do motor. Os sensores são geralmente denominados Sensor 9, Sensor 11, Sensor 14 e Sensor 15. Estes quatro sensores enviam telemetria suficiente para obter resultados úteis do modelo RUL. O modelo utilizado no acelerador de soluções é criado a partir de um conjunto de dados públicos, que inclui dados do sensor do motor. Para obter mais informações sobre a criação do modelo a partir do conjunto de dados original, consulte o artigo Cortana Intelligence Gallery Predictive Maintenance Template (Modelo de Manutenção Preditiva do Cortana Intelligence Gallery).
Os dispositivos simulados podem processar os seguintes comandos enviados a partir 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 IoT Hub reconhece o comando do dispositivo.
Tarefa do Azure Stream Analytics
Trabalho: A telemetria opera no fluxo de telemetria do dispositivo de entrada utilizando duas declarações:
- A primeira seleciona toda a telemetria dos dispositivos e envia esses dados ao armazenamento de blobs. A partir daqui, é visualizado na aplicação web.
- A segunda calcula os valores médios do sensor numa janela deslizante e envia esses dados através do Hub de Eventos a um processador de eventos.
Processador de eventos
O anfitrião do processador de eventos executa uma Tarefa Web do Azure. O processador de eventos obtém os valores médios do sensor para um ciclo concluído. Em seguida, passa esses valores para um modelo treinado que calcula o RUL para um motor. Uma API fornece acesso ao modelo num espaço de trabalho machine learning que faz parte da solução.
Machine Learning
O componente de Machine Learning utiliza um modelo derivado dos dados recolhidos de motores de aeronave reais.
O modelo machine learning está disponível como um modelo que mostra como trabalhar com telemetria recolhida através de serviços de acelerador de solução IoT. A Microsoft construiu um modelo de regressão de um motor de avião baseado em dados disponíveis ao público[1], e orientação passo a passo sobre como utilizar o modelo.
O acelerador de soluções de Manutenção Preditiva do Azure IoT utiliza o modelo de regressão criado a partir deste modelo. O modelo é implantado na sua subscrição Azure e disponibilizado através de uma API gerada automaticamente. A solução inclui um subconjunto dos dados de teste para 4 (de 100 no total) motores e os fluxos de dados de sensores 4 (de 21 no total). Estes 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 da NASA Ames (https://c3.nasa.gov/dashlink/resources/139/), Centro de Investigação da NASA Ames, Campo Moffett, CA
Passos seguintes
Agora que viu os principais componentes do acelerador de soluções de Manutenção Preditiva, deverá personalizá-los.
Também pode explorar algumas das outras características dos aceleradores de solução IoT: