Szerkesztés

IoT Edge vasúti karbantartási és biztonsági rendszer

Azure Blob Storage
Azure Cosmos DB
Azure IoT
Azure IoT Edge
Azure IoT Hub

Ez a cikk a Microsoft és egy nagyobb vasúttársaság együttműködését ismerteti egy ioT-vonatkarbantartási és biztonsági megoldás létrehozása érdekében.

Architektúra

A megoldásarchitektúra diagramja, amely az IoT Edge-modulokat mutatja be a trackside bungalókban. Az Edge-modulok gépi tanulást használnak a meghibásodási kockázatok azonosításához. A riasztáskezelő modul képadatokat tölt fel az Azure Blob Storage-ba. Az Azure Edge Hub az Azure IoT Hubon keresztül feltölti a kapcsolódó metaadatokat és üzeneteket az Azure Cosmos DB Storage-ba.

Töltse le az architektúra Visio-fájlját.

Adatfolyam

  1. A pályamenti bungalóban található Hálózati csatlakoztatott tároló (NAS) rendszerképfájl-kiszolgáló feldolgozott és kategorizált vonatkerék-rendszerképeket szolgál fel. Az egyes kerekeket ábrázoló három kép összefűzött képet hoz létre.
  2. Az IoT Edge lekérdezési modul értesíti az IoT Edge-eszközt, hogy új képek érhetők el feldolgozásra.
  3. Az IoT Edge ML-modul egy külső ml-modellt futtat, amely feldolgozza a képeket, és azonosítja azokat a kerékterületeket, amelyeknél nagyobb ellenőrzésre van szükség.
  4. Az IoT Edge Riasztáskezelő feltölti az összes képet az Azure Blob Storage-ba, kezdve a potenciálisan hibás képekkel, és visszaadja a képblob URI-jait.
  5. Az IoT Edge Hub modul a kép URI-jait a kép metaadataihoz társítja, például a berendezéseket vagy az autószámot, a tengelyt, az időbélyeget és a detektor helyét. A modul feltölti a metaadatokat és a riasztásokat az Azure IoT Hubba.
  6. Az IoT Hub az Event Hubson és az Azure Functionsen keresztül küldi el a metaadatokat egy Azure Cosmos DB-adatbázisba.
  7. Az Azure Cosmos DB-adatbázis társítja a rendszerkép metaadatait az Azure Blob Storage-ban tárolt képek URI-jaihoz. A rendszer az Azure Cosmos DB-től származó adatokat használhatja a hibafelismeréshez, a trendelemzéshez, a prediktív karbantartáshoz és az ML-modellek újratanításához.

Összetevők

Ez a példa az Azure IoT Edge-eszközöket pályamenti bungalókban helyezi üzembe, a teljesítmény érdekében kiszolgálóosztályú hardvereket használ testre szabott ipari automatizálási kártyákkal és grafikus feldolgozó egységekkel (GPU-k).

Az IoT Edge három összetevőből áll:

  • Az IoT Edge-modulok olyan tárolók, amelyek azure-beli, külső vagy egyéni összetevőket futtathatnak.

    Az IoT Edge ML-modulok támogathatják az Azure Machine Tanulás, a külső ml-modelleket vagy az egyéni kódot. A jelenlegi megoldás egy cogniac nevű, külső gyártótól származó nyílt forráskódú ml-modellt használ a vonatkerekek adatainak pontozására és a lehetséges hibák felismerésére. Az ML-szoftver a nagy és alacsony megbízhatóságú hibaképek előzménymintáit használja az ML-modell újratanításához.

  • Az IoT Edge-futtatókörnyezet, amely az IoT-ügynökből és az IoT Edge Hubból áll, az IoT Edge-eszközökön fut az üzembe helyezett modulok kezelése és koordinálása érdekében.

  • A felhőalapú felület távoli monitorozást és felügyeletet tesz lehetővé.

A rendszer a következő Azure-felhőösszetevőket is használja:

  • Az Azure IoT Hub lehetővé teszi az IoT Edge-modulok biztonságos kétirányú felhőalapú kommunikációját, felügyeletét és monitorozását.

  • Az Azure Blob Storage a felhő objektumtárolója. A Blob Storage nagy mennyiségű strukturálatlan adat, például a jelen példában szereplő képadatok tárolására van optimalizálva.

  • Az Azure Cosmos DB egy teljes mértékben felügyelt NoSQL-adatbázis-szolgáltatás, amely alacsony válaszidővel, magas rendelkezésre állással és skálázhatósággal rendelkezik.

Alternatívák

  • Az IoT Edge-architektúra több modult használ, de a megoldás teljesítménykövetelményeitől vagy a fejlesztői csapat szerkezetétől függően egyetlen modulba tömörülhet.

  • A vasúttársaság csak a következtetési rendszert birtokolja, és egy harmadik féltől származó gyártóra támaszkodik az ML-modell előállításához. Az ML-modul fekete dobozos jellege függőségi kockázatot jelent. A hosszú távú megoldáskarbantartás megköveteli annak megértését, hogy a harmadik fél hogyan irányítja és osztja meg az eszközöket. Előfordulhat, hogy a rendszer helyőrző ML-modulokat használhat a jövőbeli előjegyzésekhez, ha az ML-eszközök nem érhetők el.

Forgatókönyv részletei

Az Azure IoT Edge lehetővé teszi az adatforráshoz közelebbi adatfeldolgozást és tárolást. A peremhálózati számítási feladatok feldolgozása gyors, konzisztens válaszokat tesz lehetővé, és kevesebb függőséget biztosít a felhőbeli kapcsolatoktól és erőforrásoktól.

A gépi tanulás (ML) és az üzleti logika az adatforrásokhoz való közelebb hozása azt jelenti, hogy az eszközök gyorsabban reagálhatnak a helyi változásokra és a kritikus eseményekre. Az eszközök megbízhatóan működnek offline vagy korlátozott kapcsolat esetén.

A peremhálózati számítástechnika mesterségesintelligencia- és ML-modelleket is tartalmazhat intelligens peremeszközök és hálózatok létrehozásához. A peremhálózat meghatározhatja, hogy mely adatokat küldje el a felhőbe további feldolgozás céljából, és rangsorolja a sürgős és fontos adatokat.

A vasúttársaság az Azure IoT Edge-et akarta használni a biztonság és a hatékonyság javítása érdekében a következők biztosításával:

  • A hibás összetevők proaktív azonosítása.
  • A karbantartás és javítás prediktív ütemezése.
  • Az elemzések és előrejelzések folyamatos fejlesztése.

Az IoT Edge-megoldás próbaprojektje egy vonatkerék állapotelemzési rendszere. Ebben a rendszerben több mint 4000 pálya menti érzékelő folyamatosan figyeli és folyamozza a kerékadatokat a vállalat vonataiból. Az érzékelők:

  • Mérje a pályákon lévő berendezések hő- és erőhatását.
  • Figyelje meg a láthatatlan kerékcsapágyhibákat vagy a kerék repedéseit.
  • Hiányzó vagy helytelenül elhelyezett részek azonosítása.

Az Azure IoT Edge-modulok közel valós időben dolgozzák fel és kezelik a folyamatos streamelési adatokat. Az IoT Edge-modulok kiszolgálóosztályú hardveren futnak trackside bungalókban, lehetővé téve más számítási feladatok későbbi párhuzamos üzembe helyezését. Az IoT Edge-alapú megoldás:

  • Azonosítja a veszélyeztetett berendezéseket.
  • Meghatározza a javítás sürgősségét.
  • Riasztásokat hoz létre.
  • Adatokat küld az Azure-felhőbe tárolás céljából.

A kerékállapot-elemző rendszer korai azonosítást biztosít a berendezések esetleges hibáiról, amelyek a vonat kisiklásához vezethetnek. A vállalat tárolt adatokkal észlelheti a trendeket, és tájékoztathatja az előíró karbantartási ütemterveket.

Lehetséges használati esetek

Ez a megoldás ideális a szállítási, telekommunikációs és feldolgozóipar számára. A következő forgatókönyvekre összpontosít:

  • Olyan távközlési hálózat, amelynek 99%-os vagy jobb üzemidőt kell fenntartania.
  • Éles minőség-ellenőrzés, berendezések javítása és prediktív karbantartás egy gyárban.
  • Olyan közlekedésbiztonsági rendszer, amelynek a valós idejű streamelési adatokat kevés késéssel vagy késés nélkül kell feldolgoznia.
  • Tranzitrendszerek, amelyeknek időben ütemező értesítéseket és riasztásokat kell biztosítaniuk.

Megfontolások

Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework.

Erre a példára több szempont is vonatkozik.

Üzemeltetés

Az üzembe helyezett megoldáshoz rendelkeznie kell egy Azure-előfizetéssel, amely rendelkezik engedéllyel a szolgáltatásnevek hozzáadásához és az Azure-erőforrások létrehozásához. További információ: Tárolóregisztrációs adatbázisok és szolgáltatásnevek.

Az Azure Pipelines-munkafolyamat beépített Azure IoT Edge-feladatokon keresztül építi, teszteli, telepíti és archiválja az IoT Edge-megoldást. A vasúttársaság a helyszínen üzemelteti a folyamatos integrációs/folyamatos üzembe helyezési (CI/CD) rendszert. Az alábbi ábra a DevOps-architektúrát mutatja be az üzembe helyezéshez:

DevOps-architektúradiagram.

  1. Az első CI-folyamatban egy kód leküldése a Git-adattárba aktiválja az IoT Edge-modul felépítését, és regisztrálja a modul rendszerképét az Azure Container Registryben.

  2. A CI-folyamat befejezése aktiválja a CD-folyamatot, amely létrehozza az üzembehelyezési jegyzékfájlt, és üzembe helyezi a modult az IoT Edge-eszközökön.

Az üzembe helyezés három környezettel rendelkezik: Dev, QA és Production. A modul-előléptetés a devtől a minőségbiztosításiig, valamint a QA-tól az éles környezetig egyaránt támogatja az automatikus és a manuális kapus ellenőrzéseket.

A megoldás létrehozása és üzembe helyezése a következőket is használja:

  • Azure CLI
  • A Docker CE vagy a Moby a tárolómodulok létrehozásához és üzembe helyezéséhez
  • Fejlesztéshez a Visual Studio vagy a Visual Studio Code a Dockerrel, az Azure IoT-vel és a megfelelő nyelvi bővítményekkel.

Teljesítmény

  • A rendszer 24 órán belül 99%-os üzemidőt és helyszíni üzenetkézbesítést igényel. A bungaló és az Azure közötti kapcsolat utolsó mérföldjének szolgáltatásminősége (QoS) határozza meg a peremhálózati adatok QoS-ét. A helyi internetszolgáltatók szabályozzák az utolsó mérföldnyi kapcsolatot, és előfordulhat, hogy nem támogatják az értesítésekhez vagy a tömeges adatfeltöltéshez szükséges QoS-t.

  • Ez a rendszer nem tud csatlakozni a kerékkamerákhoz és a háttéradattárakhoz, így nincs szabályozva vagy képes riasztásokat létrehozni a kamerarendszer vagy a képkiszolgáló meghibásodása esetén.

  • Ez a megoldás nem helyettesíti a vállalati és szövetségi szabályozó hatóságok által meghatározott meglévő manuális ellenőrzési követelményeket.

Biztonság

A biztonság biztosítékokat nyújt a szándékos támadások és az értékes adatokkal és rendszerekkel való visszaélés ellen. További információ: A biztonsági pillér áttekintése.

Az IoT Edge-rendszerek biztonsági és monitorozási szempontjai. Ehhez a példához:

  • A vállalat meglévő, harmadik féltől származó vállalati megoldása a rendszermonitorozást is magában foglalta.
  • A pálya menti bungalók fizikai biztonsága és a hálózati biztonság már érvényben volt.
  • Az IoT Edge-ből a felhőbe irányuló Csatlakozás alapértelmezés szerint biztonságosak.

Következő lépések

GitHub-projektek:

Megoldástanulási erőforrások: