Présentation de l’accélérateur de solution de maintenance prédictivePredictive Maintenance solution accelerator overview

L’accélérateur de solution Maintenance prédictive est une solution de bout en bout pour un scénario d’entreprise qui prévoit le moment auquel une défaillance est susceptible de se produire.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. Vous pouvez utiliser cet accélérateur de solution de manière proactive pour des activités telles que l’optimisation de la maintenance.You can use this solution accelerator proactively for activities such as optimizing maintenance. La solution combine des services d’accélérateur de solution Azure IoT clés, notamment IoT Hub et un espace de travail Azure Machine Learning.The solution combines key Azure IoT solution accelerators services, such as IoT Hub and an Azure Machine Learning workspace. Cet espace de travail contient un modèle basé sur un échantillon de données publiques, permettant de prédire la durée de vie utile restante (VUR) d’un moteur d’avion.This workspace contains a model, based on a public sample data set, to predict the Remaining Useful Life (RUL) of an aircraft engine. La solution implémente complètement le scénario professionnel IoT comme point de départ, pour vous permettre de planifier et de mettre en œuvre une solution qui réponde à vos besoins professionnels.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.

Le code de l’accélérateur de solution de maintenance prédictive est disponible sur GitHub.The Predictive Maintenance solution accelerator code is available on GitHub.

Architecture logiqueLogical architecture

Le diagramme suivant décrit les composants logiques de l’accélérateur de solution :The following diagram outlines the logical components of the solution accelerator:

Architecture logique

Les éléments en bleu sont des services Azure configurés dans la région dans laquelle vous avez déployé l’accélérateur de solution.The blue items are Azure services provisioned in the region where you deployed the solution accelerator. La liste des régions dans lesquelles il est possible de déployer l’accélérateur de solution apparaît sur la page de configuration.The list of regions where you can deploy the solution accelerator displays on the provisioning page.

L’élément vert simule un moteur d’avion.The green item is a simulated aircraft engine. Des informations supplémentaires sur ces appareils simulés sont disponibles dans la section Simulations d’appareils.You can learn more about these simulated devices in the Simulated devices section.

Les éléments gris sont des composants qui implémentent les fonctionnalités de gestion des appareils .The gray items are components that implement device management capabilities. La version actuelle de l’accélérateur de solution Maintenance prédictive ne configure pas ces ressources.The current release of the Predictive Maintenance solution accelerator does not provision these resources. Pour plus d’informations sur la gestion des appareils, voir Accélérateur de solution de supervision à distance.To learn more about device management, refer to the Remote Monitoring solution accelerator.

Ressources AzureAzure resources

Dans le portail Azure, accédez au groupe de ressources portant le nom de solution que vous avez choisi, pour afficher vos ressources configurées.In the Azure portal, navigate to the resource group with the solution name you chose to view your provisioned resources.

Ressources de l’accélérateur

Lorsque vous approvisionnez l’accélérateur de solution, vous recevez un e-mail contenant un lien vers l’espace de travail Machine Learning.When you provision the solution accelerator, you receive an email with a link to the Machine Learning workspace. Vous pouvez également accéder à l’espace de travail Machine Learning sur la page Accélérateurs de solution Microsoft Azure IoT.You can also navigate to the Machine Learning workspace from the Microsoft Azure IoT Solution Accelerators page. Une vignette est disponible sur cette page lorsque le statut de la solution est Prêt.A tile is available on this page when the solution is in the Ready state.

Modèle Machine Learning

Simulations d’appareilsSimulated devices

Dans l’accélérateur de solution, un appareil simulé est un moteur d’avion.In the solution accelerator, a simulated device is an aircraft engine. La solution est configurée avec deux moteurs correspondant à un même avion.The solution is provisioned with two engines that map to a single aircraft. Chaque moteur émet quatre types de données de télémétrie : Capteur 9, Capteur 11, Capteur 14 et Capteur 15 fournissent les données nécessaires au modèle Machine Learning pour calculer la durée de vie utile restante du moteur.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. Chaque appareil simulé envoie les messages de télémétrie suivants à l’IoT Hub :Each simulated device sends the following telemetry messages to IoT Hub:

Nombre de cycles.Cycle count. Un cycle est un vol d’une durée comprise entre deux et dix heures.A cycle is a completed flight with a duration between two and ten hours. Pendant le vol, les données de télémétrie sont collectées toutes les demi-heures.During the flight, telemetry data is captured every half hour.

Télémétrie.Telemetry. Quatre capteurs enregistrent les attributs du moteur.There are four sensors that record engine attributes. Les capteurs sont nommés de manière générique Capteur 9, Capteur 11, Capteur 14 et Capteur 15.The sensors are generically labeled Sensor 9, Sensor 11, Sensor 14, and Sensor 15. Ces quatre capteurs envoie une télémétrie suffisante pour obtenir des résultats utiles à partir du modèle de durée de vie utile restante.These four sensors send telemetry sufficient to get useful results from the RUL model. Le modèle utilisé dans l’accélérateur de solution est créé à partir d’un jeu de données publiques qui inclut des données réelles de capteurs de moteur.The model used in the solution accelerator is created from a public data set that includes real engine sensor data. Pour plus d’informations sur la création du modèle à partir du jeu de données d’origine, voir Modèle de maintenance prédictive Cortana Intelligence Gallery.For more information on how the model was created from the original data set, see the Cortana Intelligence Gallery Predictive Maintenance Template.

Les appareils simulés peuvent prendre en charge les commandes suivantes, envoyées à partir d’IoT Hub dans la solution :The simulated devices can handle the following commands sent from the IoT hub in the solution:

CommandeCommand DescriptionDescription
StartTelemetryStartTelemetry Contrôle l’état de la simulation.Controls the state of the simulation.
Commande à l’appareil d’envoyer des données de télémétrieStarts the device sending telemetry
StopTelemetryStopTelemetry Contrôle l’état de la simulation.Controls the state of the simulation.
Commande à l’appareil de cesser l’envoi de données de télémétrieStops the device sending telemetry

IoT Hub fournit un accusé de réception de la commande de l’appareil.IoT Hub provides device command acknowledgment.

Tâche Azure Stream AnalyticsAzure Stream Analytics job

Tâche : Télémétrie agit sur le flux entrant de télémétrie de l’appareil avec deux instructions :Job: Telemetry operates on the incoming device telemetry stream using two statements:

  • La première sélectionne toutes les données de télémétrie à partir des appareils et envoie ces données au Blob Storage.The first selects all telemetry from the devices and sends this data to blob storage. D’ici, elles sont visualisées dans l’application web.From here, it's visualized in the web app.
  • La seconde calcule les valeurs de capteurs moyennes sur une fenêtre glissante de deux minutes et les envoie via l’Event Hub à un processeur d’événements.The second computes average sensor values over a two-minute sliding window and sends this data through the Event hub to an event processor.

Processeur d’événementsEvent processor

L’hôte de processeur d’événements s’exécute dans une tâche web Azure.The event processor host runs in an Azure Web Job. Le processeur d’événements mémorise les valeurs moyennes des capteurs sur un cycle terminé.The event processor takes the average sensor values for a completed cycle. Il les transmet à un modèle formé pour calculer la durée de vie utile restante d’un moteur.It then passes those values to a trained model that calculates the RUL for an engine. Une API permet d’accéder au modèle dans un espace de travail Machine Learning qui fait partie de la solution.An API provides access to the model in a Machine Learning workspace that's part of the solution.

Machine LearningMachine Learning

Le composant Machine Learning utilise un modèle dérivé des données collectées à partir des moteurs d’avion réels.The Machine Learning component uses a model derived from data collected from real aircraft engines. Vous pouvez accéder à l’espace de travail Machine Learning grâce à la vignette de votre solution sur la page azureiotsolutions.com.You can navigate to the Machine Learning workspace from your solution's tile on the azureiotsolutions.com page. La vignette est disponible lorsque le statut de la solution est Prêt.The tile is available when the solution is in the Ready state.

Le modèle Machine Learning est disponible comme modèle qui montre comment utiliser les données télémétriques recueillies via les services des accélérateurs de solution IoT.The Machine Learning model is available as a template that shows how to work with telemetry collected through IoT solution accelerator services. Microsoft a créé un modèle de régression d’un moteur d’avion à partir de données disponibles publiquement[1], ainsi que des instructions d’utilisation détaillées.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.

L’accélérateur de solution de maintenance prédictive Azure IoT utilise le modèle de régression créé à partir de ce modèle.The Azure IoT Predictive Maintenance solution accelerator uses the regression model created from this template. Le modèle est déployé dans votre abonnement Azure et mis a disposition via une API générée automatiquement.The model is deployed into your Azure subscription and made available through an automatically generated API. La solution inclut un sous-ensemble des données de tests pour 4 (sur un total 100) moteurs et 4 (sur un total 21) flux de données de capteurs.The solution includes a subset of the testing data for 4 (of 100 total) engines and the 4 (of 21 total) sensor data streams. Ces données sont suffisantes pour fournir un résultat exact du modèle formé.This data is sufficient to provide an accurate result from the trained model.

[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[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

Étapes suivantesNext steps

Maintenant que vous connaissez les composants clés de l’accélérateur de solution Maintenance prédictive, vous pouvez passer à la personnalisation.Now you've seen the key components of the Predictive Maintenance solution accelerator, you may want to customize it.

Vous pouvez également explorer certaines des autres fonctionnalités des accélérateurs de solution IoT :You can also explore some of the other features of the IoT solution accelerators: