Prediktivní údržba s využitím inteligentní služby IoT Edge

Blob Storage

Cosmos DB

IoT

IoT Hub

Pipelines

Internet věcí (IoT) Edge přináší zpracování dat a úložiště blízko zdroje dat, což umožňuje rychlé a konzistentní odpovědi s omezenou závislostí na připojení ke cloudu a zdrojích. Hraniční výpočetní prostředí může začlenit modely umělé inteligence (AI) a strojového učení (ML) pro vytváření inteligentních hraničních zařízení a sítí, které se mohou integrovat s cloudem pro další zpracování a zabezpečení.

Tento článek popisuje spolupráci mezi týmem CSE (Commercial Software Engineering) Microsoftu a velkou železniční společností, která vytváří inteligentní cloudové a inteligentní řešení údržby a bezpečnosti trénování hraničních zařízení. Železniční společnost chce zlepšit bezpečnost a efektivitu železniční dopravy tím, že proaktivně identifikuje vadné komponenty, prediktivním plánováním údržby a oprav a průběžným vylepšováním jejich zjištění a predikcí. Pilotním projektem řešení ML Edge je systém pro analýzu stavu trénování kol.

Více než 4 000 detektorů trackside nepřetržitě monitoruje a streamuje data kol ze všech firemních trénů. Detektory měří teplo a sílu zařízení na stopách, naslouchají neviditelným závadám v pohybech kol nebo prolomí kolečka a identifikují chybějící nebo chybně umístěné části. Systém ML Edge zpracovává a pracuje s těmito daty detektoru nepřetržitého streamování v reálném čase za účelem identifikace ohrožených zařízení, určení naléhavosti oprav, generování upozornění a odesílání dat do cloudu Azure pro úložiště. Moduly IoT Edge běží na hardwaru třídy serveru ve sledování, což umožňuje budoucí paralelní nasazení dalších úloh.

Když ML a obchodní logiku blíže ke zdrojům dat, umožníte zařízení rychleji reagovat na místní změny a kritické události. Zařízení mohou spolehlivě fungovat offline nebo když je omezené připojení. Hraniční síť může určit, která data se mají odeslat do cloudu, nebo určit prioritu naléhavých a důležitých dat.

Systém pro analýzu stavu kol poskytuje včasnou identifikaci potenciálního selhání zařízení, což pomáhá zabránit katastrofickým selháním, která by mohla vést k trénování derailmentu. Společnost může pomocí uložených dat zjistit trendy a informovat o předem návrzivní údržbě a plánech přehodování.

Případy použití

IoT Edge implementace jsou nejdůležitější, pokud velké objemy dat zachycených v reálném čase potřebují akci nebo rozhodnutí s minimální nebo žádnou latencí. Příklad systému musel udržovat 99,999% dobu provozu, zpracovávat data až z 24 trénů a 35 milionů odečtů za den a zaručit hodinové doručování výstrah a oznámení.

Architektura

Souborový server obrázků (NAS) v lásce slouží ke zpracování a kategorizaci obrázků trénovaných kol. Tři obrázky každého kolečka vytvoří soušedý obrázek.
Modul dotazování upozorní zařízení Edge na to, že jsou k dispozici nové obrázky ke zpracování.
Model třetí strany ML obrázky zpracuje a identifikuje oblasti kol, které potřebují větší kontrolu.
Obslužná rutina upozornění nahraje všechny obrázky do služby Azure Blob Storage, počínaje obrázky s potenciálními vadami a vrátí identifikátory URI objektů blob obrázků.
IoT Edge Hub přidruží identifikátory URI obrázků k metadatům obrázků a nahraje metadata a výstrahy do Azure IoT Hub.
IoT Hub odešle metadata prostřednictvím centra událostí a Azure Functions do databáze Azure Cosmos DB.
Databáze Cosmos DB obsahuje metadata obrázků (equipment/car #, kaskády, časové razítko, umístění detektoru atd.) a odkazuje na umístění obrázků ve službě Azure Blob Storage.

Komponenty

Nasazené řešení vyžaduje předplatné Azure s oprávněním k přidání objektů služby a možnosti vytvářet prostředky Azure. Další informace najdete v tématu Registry kontejnerů a objekty služby.

Azure IoT Edge je tvořena třemi součástmi:
- IoT Edge moduly jsou kontejnery, ve které můžete spouštět Azure, komponenty třetích stran nebo vlastní komponenty. Aktuální příklad nasadí moduly IoT Edge s využitím hardwaru serverové třídy s přizpůsobenými kartami pro automatizaci průmyslu a grafickými procesory (GPU) pro výkon.
- Modul IoT Edge runtime, který se skládá z agenta IoT a IoT Edge Hubu, běží na IoT Edge zařízeních pro správu a koordinaci nasazených modulů.
- Rozhraní Azure IoT Hub umožňuje zabezpečenou obousměrnou cloudovou komunikaci, správu a monitorování IoT Edge modulů.
IoT Edge ML moduly podporují Azure Machine Learning,vlastní ML nebo vlastní kód třetích stran. Aktuální řešení používá open-source model open source ML Cogniac k hodnocení dat trénování kol a rozpoznání potenciálních vad. Software ML využívá historické vzorky obrázků s vysokou a nízkou spolehlivostí k přetrénování svého ML modelu.
Azure Blob Storage je řešení microsoftového úložiště objektů pro cloud. Úložiště objektů blob je optimalizované pro ukládání velkých objemů nestrukturovaných dat, jako jsou data obrázků v tomto příkladu.
Azure Cosmos DB je plně spravovaná databázová služba NoSQL s nízkou odezvou a vysokou dostupností a škálovatelností.
Pracovní Azure Pipelines sestaví, otestuje, nasadí a archivuje IoT Edge řešení prostřednictvím integrovaných úloh Azure IoT Edge dat.

Požadavky

Tým identifikoval několik hledisek návrhu:

Systém vyžaduje 99% dobu provozu a doručení místních zpráv během 24 hodin. Technologie QoS (Quality of Service) pro poslední vzdálenost připojení mezi službami Azure a Azure určuje QoS dat z hraničního zařízení. Místní poskytovatelé internetových služeb (ISP) řídí poslední vzdálenost připojení a nemusí podporovat požadovanou QoS pro oznámení nebo hromadné nahrávání dat.
Tento systém nevyuává rozhraní s fotoaparáty wheel a zálohovacími datovými sklady, takže nemá žádnou kontrolu ani schopnost vyvolat výstrahy týkající se selhání systému fotoaparátu nebo serveru obrázků.
Železniční společnost vlastní jenom systém odvozování a při generování modelu spoléhá na ML dodavatele třetí strany. Povaha tohoto modulu typu black-box ML představuje určité riziko závislosti. Dlouhodobá údržba řešení vyžaduje pochopení toho, jak se třetí strana řídí a sdílí prostředky. Systém může používat zástupné symboly pro ML pro budoucí zapojení, ML prostředky nejsou k dispozici.
Zabezpečení a monitorování jsou důležité pro IoT Edge systémy. Kvůli tomuto zapojení stávající podnikové řešení třetí strany pokrývalo monitorování systému. Už bylo nastaveno fyzické zabezpečení trackside a zabezpečení sítě a připojení z IoT Edge ke cloudu jsou ve výchozím nastavení zabezpečená.
Toto řešení nenahrazuje stávající požadavky ruční kontroly určené firemními a federálními regulačními autoritách.
Architektura Edge je aktuálně rozdělená do několika modulů, ale v závislosti na požadavcích na výkon řešení nebo struktuře vývojového týmu je možné ji zhuštět do jediného modulu.
Toto řešení staví na následujících předchozích zapojeních zákazníků CSE ve výrobě, průmyslu pro ropu a plynárenský průmysl a v odvětví správy přirozeného zdroje:

Nasazení

Železniční společnost hostuje místní systém kontinuální integrace/průběžného nasazování (CI/CD). Následující diagram znázorňuje architekturu DevOps nasazení:

DevOps diagramu architektury.

V prvním kanálu CI kód push do úložiště Git aktivuje sestavení modulu IoT Edge a zaregistruje image modulu v Azure Container Registry.
Po dokončení kanálu CI se aktivuje kanál CD, který vygeneruje manifest nasazení a nasadí modul do IoT Edge zařízení.

Nasazení má tři prostředí: vývoj, qa a produkční prostředí. Povýšení modulu z oblasti dev na kontrolu kvality a z kontroly kvality do produkčního prostředí podporuje jak automatické, tak ruční hradené kontroly.

Při sestavování a nasazování řešení se také používají:

Azure CLI
Docker CE nebo Moby pro sestavení a nasazení modulů kontejneru
Pro vývoj, Visual Studio nebo Visual Studio Code s využitím Dockeru, Azure IoT a relevantních jazykových rozšíření

Další kroky

GitHub projektů kódu

Studijní materiály k řešení