Přehled akcelerátoru řešení prediktivní údržby
Akcelerátor řešení prediktivní údržby je uceleným řešením pro podnikový scénář, které se pokouší předvídat bod, ve kterém pravděpodobně nastane chyba. Tento akcelerátor řešení můžete aktivně využívat pro různé činnosti, jako je třeba optimalizace údržby. Řešení kombinuje klíčové služby akcelerátorů řešení Azure IoT, jako jsou IoT Hub a pracovní prostor Azure Machine Learning. Tento pracovní prostor obsahuje model založený na veřejné ukázkové sadě dat, který předpovídá zbývající dobu životnosti (RUL) leteckého motoru. Řešení nabízí úplnou implementaci daného obchodního scénáře IoT jako výchozího bodu pro plánování a implementaci řešení, které vyhovuje vašim konkrétním obchodním požadavkům.
Kód akcelerátoru řešení prediktivní údržby je k dispozici na GitHubu.
Logická architektura
Následující diagram popisuje logické součásti tohoto akcelerátoru řešení:
Modré položky jsou služby Azure zřízené v oblasti, kam jste nasadili akcelerátor řešení.
Zelená položka je simulovaný letecký motor. Další informace o těchto simulovaných zařízeních najdete v části Simulovaná zařízení.
Šedé položky jsou komponenty, které implementují možnosti správy zařízení . Aktuální verze akcelerátoru řešení prediktivní údržby tyto prostředky neposkytuje. Další informace o správě zařízení najdete v akcelerátoru řešení vzdáleného monitorování.
Prostředky Azure
Na webu Azure Portal přejděte do skupiny prostředků s názvem řešení, které jste si vybrali k zobrazení zřízených prostředků.
Při zřizování akcelerátoru řešení obdržíte e-mail s odkazem na pracovní prostor Machine Learning. Na této stránce je k dispozici dlaždice v případě, že je řešení ve stavu Připraveno.
Simulovaná zařízení
V akcelerátoru řešení je simulované zařízení letecký motor. Řešení obsahuje dva motory, které jsou součástí jednoho letadla. Každý motor vysílá čtyři typy telemetrických dat: ze snímačů Sensor 9, Sensor 11, Sensor 14 a Sensor 15, které poskytují data potřebná k tomu, aby mohl model Machine Learning vypočítat zbývající dobu životnosti pro tento motor. Každé simulované zařízení posílá do služby IoT Hub následující telemetrické zprávy:
Počet cyklů. Cyklus je dokončený let s dobou trvání mezi dvěma a deseti hodinami. Během letu se telemetrická data zaznamenávají každou půlhodinu.
Telemetrie. Existují čtyři senzory, které zaznamenávají atributy motoru. Snímače jsou obecně označeny jako Sensor 9, Sensor 11, Sensor 14 a Sensor 15. Tyto čtyři senzory odesílají telemetrii dostatečné k získání užitečných výsledků z modelu RUL. Model použitý v akcelerátoru řešení je vytvořený z veřejné sady dat, obsahující data snímačů skutečného motoru. Další informace o způsobu vytvoření modelu z původní sady dat najdete v tématu Šablona prediktivní údržby v galerii Cortana Intelligence.
Simulovaná zařízení mohou v řešení zpracovávat následující příkazy odeslané ze služby IoT Hub:
| Příkaz | Popis |
|---|---|
| StartTelemetry | Řídí stav simulace. Spustí odesílání telemetrických dat ze zařízení |
| StopTelemetry | Řídí stav simulace. Zastaví odesílání telemetrických dat ze zařízení |
Služba IoT Hub zajišťuje potvrzení příkazu zařízení.
Úlohy služby Azure Stream Analytics
Úloha: Telemetrie funguje na příchozím datovém proudu telemetrie zařízení pomocí dvou příkazů:
- První vybere veškerá telemetrická data ze zařízení a odešle je do úložiště objektů blob. Odtud se vizualizuje ve webové aplikaci.
- Druhý vypočítá průměrné hodnoty snímačů v rámci dvouminutového posuvného okna a odešle je prostřednictvím centra událostí do procesoru událostí.
Procesor událostí
Hostitel procesoru událostí běží ve webové úloze Azure. Procesor událostí přebírá průměrné hodnoty snímačů za dokončený cyklus. Tyto hodnoty pak předá natrénovaný model, který vypočítá RUL pro modul. Rozhraní API poskytuje přístup k modelu v pracovním prostoru Machine Learning, který je součástí řešení.
Machine Learning
Součást Machine Learning používá model odvozený z dat shromážděných z reálných leteckých motorů.
Model Machine Learning je k dispozici jako šablona, která ukazuje, jak pracovat s telemetrií shromážděnou prostřednictvím služeb akcelerátoru řešení IoT. Microsoft vytvořil regresní model leteckého motoru na základě veřejně dostupných dat[1] a podrobných pokynů k používání modelu.
Akcelerátor řešení prediktivní údržby Azure IoT používá regresní model vytvořený z této šablony. Model se nasadí do vašeho předplatného Azure a zpřístupní se prostřednictvím automaticky generovaného rozhraní API. Řešení zahrnuje podmnožinu testovacích dat pro 4 (celkem 100) motorů a 4 (celkem 21) datových proudů snímačů. Tato data jsou dostatečná pro poskytování přesných výsledků z trénovaného modelu.
[1] A. Saxena a K. Goebel (2008). "Turbofan engine degradační sada dat", NASA Ames Prognostics Data Repository (https://c3.nasa.gov/dashlink/resources/139/), NASA Ames Research Center, Moffett Field, CA
Další kroky
Když jste se seznámili s klíčovými součástmi akcelerátoru řešení prediktivní údržby, můžete si jej přizpůsobit.
Můžete také prozkoumat některé z dalších funkcí akcelerátorů řešení IoT: