Přehled akcelerátoru řešení prediktivní údržbyPredictive Maintenance solution accelerator overview

Akcelerátor řešení prediktivní údržby je uceleným řešením pro podnikový scénář, které se pokouší předvídat bod, ve kterém pravděpodobně nastane chyba.The Predictive Maintenance solution accelerator is an end-to-end solution for a business scenario that predicts the point at which a failure is likely to occur. Tento akcelerátor řešení můžete aktivně využívat pro různé činnosti, jako je třeba optimalizace údržby.You can use this solution accelerator proactively for activities such as optimizing maintenance. Řešení kombinuje klíčové služby pro řešení Azure IoT, jako je například IoT Hub a pracovní prostor Azure Machine Learning .The solution combines key Azure IoT solution accelerators services, such as IoT Hub and an Azure Machine Learning workspace. Tento pracovní prostor obsahuje model založený na veřejné ukázkové sadě dat, který předpovídá zbývající dobu životnosti (RUL) leteckého motoru.This workspace contains a model, based on a public sample data set, to predict the Remaining Useful Life (RUL) of an aircraft engine. Řešení nabízí úplnou implementaci daného obchodního scénáře IoT jako výchozího bodu pro plánování a implementaci řešení, které vyhovuje vašim konkrétním obchodním požadavkům.The solution fully implements the IoT business scenario as a starting point for you to plan and implement a solution that meets your own specific business requirements.

Kód akcelerátoru řešení prediktivní údržby je k dispozici na GitHubu.The Predictive Maintenance solution accelerator code is available on GitHub.

Logická architekturaLogical architecture

Následující diagram popisuje logické součásti tohoto akcelerátoru řešení:The following diagram outlines the logical components of the solution accelerator:

Logická architektura

Modré položky jsou služby Azure zřízené v oblasti, kam jste nasadili akcelerátor řešení.The blue items are Azure services provisioned in the region where you deployed the solution accelerator. Seznam oblastí, do kterých můžete nasadit akcelerátor řešení, najdete na stránce zřizování.The list of regions where you can deploy the solution accelerator displays on the provisioning page.

Zelená položka je simulovaný modul pro letadlo.The green item is a simulated aircraft engine. Další informace o těchto simulovaných zařízeních najdete v části Simulovaná zařízení.You can learn more about these simulated devices in the Simulated devices section.

Šedé položky jsou komponenty, které implementují funkce správy zařízení .The gray items are components that implement device management capabilities. Aktuální verze akcelerátoru řešení prediktivní údržby tyto prostředky neposkytuje.The current release of the Predictive Maintenance solution accelerator does not provision these resources. Další informace o správě zařízení najdete v akcelerátoru řešení vzdáleného monitorování.To learn more about device management, refer to the Remote Monitoring solution accelerator.

Prostředky AzureAzure resources

Na webu Azure Portal přejděte do skupiny prostředků s názvem řešení, které jste si vybrali k zobrazení zřízených prostředků.In the Azure portal, navigate to the resource group with the solution name you chose to view your provisioned resources.

Prostředky akcelerátoru

Při zřizování akcelerátoru řešení obdržíte e-mail s odkazem na pracovní prostor Machine Learning.When you provision the solution accelerator, you receive an email with a link to the Machine Learning workspace. Můžete také přejít na Machine Learning pracovní prostor ze stránky Microsoft Azure akcelerátory řešení IoT .You can also navigate to the Machine Learning workspace from the Microsoft Azure IoT Solution Accelerators page. Na této stránce je k dispozici dlaždice v případě, že je řešení ve stavu Připraveno.A tile is available on this page when the solution is in the Ready state.

Model strojového učení

Simulovaná zařízeníSimulated devices

V akcelerátoru řešení je simulované zařízení modulem letadla.In the solution accelerator, a simulated device is an aircraft engine. Řešení obsahuje dva motory, které jsou součástí jednoho letadla.The solution is provisioned with two engines that map to a single aircraft. 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.Each engine emits four types of telemetry: Sensor 9, Sensor 11, Sensor 14, and Sensor 15 provide the data necessary for the Machine Learning model to calculate the RUL for the engine. Každé simulované zařízení posílá do služby IoT Hub následující telemetrické zprávy:Each simulated device sends the following telemetry messages to IoT Hub:

Počet cyklů.Cycle count. Cyklus je dokončený let s dobou trvání mezi dvěma a deseti hodinami.A cycle is a completed flight with a duration between two and ten hours. Během letu se telemetrická data zaznamenávají každou půlhodinu.During the flight, telemetry data is captured every half hour.

Telemetrie.Telemetry. Existují čtyři senzory, které zaznamenávají atributy modulu.There are four sensors that record engine attributes. Snímače jsou obecně označeny jako Sensor 9, Sensor 11, Sensor 14 a Sensor 15.The sensors are generically labeled Sensor 9, Sensor 11, Sensor 14, and Sensor 15. Tyto čtyři snímače odesílají telemetrii dostačující pro získání užitečných výsledků z modelu RUL.These four sensors send telemetry sufficient to get useful results from the RUL model. Model použitý v akcelerátoru řešení je vytvořený z veřejné sady dat, obsahující data snímačů skutečného motoru.The model used in the solution accelerator is created from a public data set that includes real engine sensor data. Další informace o způsobu vytvoření modelu z původní sady dat najdete v tématu Šablona prediktivní údržby v galerii Cortana Intelligence.For more information on how the model was created from the original data set, see the Cortana Intelligence Gallery Predictive Maintenance Template.

Simulovaná zařízení mohou v řešení zpracovávat následující příkazy odeslané ze služby IoT Hub:The simulated devices can handle the following commands sent from the IoT hub in the solution:

PříkazCommand PopisDescription
StartTelemetryStartTelemetry Řídí stav simulace.Controls the state of the simulation.
Spustí odesílání telemetrických dat ze zařízeníStarts the device sending telemetry
StopTelemetryStopTelemetry Řídí stav simulace.Controls the state of the simulation.
Zastaví odesílání telemetrických dat ze zařízeníStops the device sending telemetry

Služba IoT Hub zajišťuje potvrzení příkazu zařízení.IoT Hub provides device command acknowledgment.

Úlohy služby Azure Stream AnalyticsAzure Stream Analytics job

Úloha: telemetrie pracuje na datovém proudu telemetrie příchozích zařízení pomocí dvou příkazů:Job: Telemetry operates on the incoming device telemetry stream using two statements:

  • První vybere veškerá telemetrická data ze zařízení a odešle je do úložiště objektů blob.The first selects all telemetry from the devices and sends this data to blob storage. Tady je vizuál ve webové aplikaci.From here, it's visualized in the web app.
  • Druhý vypočítá průměrné hodnoty snímačů v rámci dvouminutového posuvného okna a odešle je prostřednictvím centra událostí do procesoru událostí.The second computes average sensor values over a two-minute sliding window and sends this data through the Event hub to an event processor.

Procesor událostíEvent processor

Hostitel procesoru událostí běží ve webové úloze Azure.The event processor host runs in an Azure Web Job. Procesor událostí přebírá průměrné hodnoty snímačů za dokončený cyklus.The event processor takes the average sensor values for a completed cycle. Pak tyto hodnoty předá do trained model, který vypočítá RUL pro modul.It then passes those values to a trained model that calculates the RUL for an engine. Rozhraní API poskytuje přístup k modelu v pracovním prostoru Machine Learning, který je součástí řešení.An API provides access to the model in a Machine Learning workspace that's part of the solution.

Machine LearningMachine Learning

Součást Machine Learning používá model odvozený z dat shromážděných z reálných leteckých motorů.The Machine Learning component uses a model derived from data collected from real aircraft engines. Do pracovního prostoru Machine Learning můžete přejít na dlaždici vašeho řešení na stránce azureiotsolutions.com .You can navigate to the Machine Learning workspace from your solution's tile on the azureiotsolutions.com page. Tato dlaždice je k dispozici v případě, že je řešení ve stavu Připraveno.The tile is available when the solution is in the Ready state.

Model Machine Learning je k dispozici jako šablona, která ukazuje, jak pracovat se telemetrie shromážděnými prostřednictvím služeb akcelerátoru řešení IoT.The Machine Learning model is available as a template that shows how to work with telemetry collected through IoT solution accelerator services. Společnost Microsoft vytvořila regresní model leteckého motoru na základě veřejně dostupných dat[1]a podrobné pokyny k použití modelu.Microsoft has built a regression model of an aircraft engine based on publicly available data[1], and step-by-step guidance on how to use the model.

Akcelerátor řešení prediktivní údržby Azure IoT používá regresní model vytvořený z této šablony.The Azure IoT Predictive Maintenance solution accelerator uses the regression model created from this template. Model se nasadí do vašeho předplatného Azure a zpřístupní se prostřednictvím automaticky generovaného rozhraní API.The model is deployed into your Azure subscription and made available through an automatically generated API. Řešení zahrnuje podmnožinu testovacích dat pro 4 (z celkem 100) modulů a 4 (z celkem 21) datových proudů senzorů.The solution includes a subset of the testing data for 4 (of 100 total) engines and the 4 (of 21 total) sensor data streams. Tato data jsou dostatečná pro poskytování přesných výsledků z trénovaného modelu.This data is sufficient to provide an accurate result from the trained model.

[1] a. Saxena a K. Goebel (2008). "Sada dat simulace degradace modulu Turbofan", úložiště dat NASA Ames Prognostics (https://c3.nasa.gov/dashlink/resources/139/), NASA Ames Research Center, Moffett Field pole, CA[1] A. Saxena and 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

Další krokyNext steps

Když jste se seznámili s klíčovými součástmi akcelerátoru řešení prediktivní údržby, můžete si jej přizpůsobit.Now you've seen the key components of the Predictive Maintenance solution accelerator, you may want to customize it.

Můžete si také projít některé z dalších funkcí akcelerátorů řešení IoT:You can also explore some of the other features of the IoT solution accelerators: