A prediktív karbantartási megoldásgyorsító áttekintése

A prediktív karbantartási megoldásgyorsító olyan teljes körű megoldást nyújt az üzleti forgatókönyvekben, amely előrejelzi a meghibásodás várható idejét. Ezt a megoldásgyorsítót proaktív módon használhatja olyan tevékenységekhez, mint a karbantartás optimalizálása. A megoldás kombinálja a fő Azure IoT-megoldás-gyorsító szolgáltatásokat, például a IoT Hub és egy Azure Machine learning munkaterületet. Ezen a munkaterületen egy modell található a repülőmotorok maradék hasznos élettartamának (RUL-jének) előrejelzéséhez egy nyilvános minta adatkészlet alapján. A megoldás az IoT üzleti forgatókönyv teljes megvalósítását biztosítja kiindulópontként, amellyel megtervezheti és megvalósíthatja ezt a megoldást a saját üzleti követelményeinek megfelelően.

A prediktív karbantartási megoldás gyorsító kódja a githubon érhető el.

Logikai architektúra

A következő diagram a megoldásgyorsító logikai összetevőit vázolja fel:

Logikai architektúra

A kék elemek Azure-szolgáltatások, amelyek a megoldásgyorsító üzembe helyezésének régiójában vannak kiépítve.

A zöld elemek szimulált repülőgép-hajtóművek. Ezekről a szimulált eszközökről a szimulált eszközökkel foglalkozó szakaszban tudhat meg többet.

A szürke elemek olyan összetevők, amelyek implementálják az eszközök felügyeleti képességeit. A prediktív karbantartási megoldásgyorsító jelenlegi kiadása nem biztosítja ezeket az erőforrásokat. Az eszközkezelés további megismeréséhez tekintse meg a távoli figyelési megoldás gyorsítóeszközét.

Azure-erőforrások

A kiépített erőforrások megtekintéséhez az Azure Portalon keresse meg a kiválasztott megoldásnévvel rendelkező erőforráscsoportot.

Gyorssegéd-erőforrások

A megoldásgyorsító kiépítésekor egy e-mailt kap, amely tartalmazza a Machine Learning-munkaterületre mutató hivatkozást. Amikor a megoldás Kész állapotban van, elérhetővé válik egy csempe ezen az oldalon.

Machine learning-modell

Szimulált eszközök

A megoldás-gyorsító egy szimulált eszköz egy légijármű-motor. A megoldás egyetlen repülőhöz tartozó két motorral van kiépítve. Mindegyik motor négy típusú telemetriát bocsát ki: a 9. érzékelő, a 11. érzékelő, a 14. érzékelő és a 15. érzékelő telemetriáját, amelyek a motor fennmaradó hasznos élettartamának (RUL) kiszámítására szolgáló Machine Learning-modellhez szükséges adatokat biztosítják. Mindegyik szimulált eszköz a következő telemetriai üzeneteket küldi el az IoT Hubnak:

Ciklusszám. A ciklus egy befejezett, két és tíz óra közötti időtartamú járat. A rendszer félóránként rögzíti a telemetriai adatokat a repülőutak közben.

Telemetria. Négy érzékelő rögzíti a motor attribútumait. Az érzékelők általában a 9. érzékelő, 11. érzékelő, 14. érzékelő és 15. érzékelő felirattal rendelkeznek. Ez a négy érzékelő elegendő telemetria küld, hogy a RUL modellből hasznos eredményeket kapjon. A megoldásgyorsítóban használt modell egy nyilvános adatkészletből jön létre, amely valódi motorérzékelők adatait tartalmazza. További információ a modell eredeti adatkészletből való létrehozásáról: Cortana Intelligence Gallery Predictive Maintenance Template (A Cortana Intelligence Gallery prediktív karbantartási sablonja).

A szimulált eszközök a megoldás részét képező IoT Hubról küldött következő parancsokat tudják kezelni:

Parancs Leírás
StartTelemetry A szimuláció állapotát vezérli.
Elindítja a telemetriát küldő eszközt
StopTelemetry A szimuláció állapotát vezérli.
Leállítja a telemetriát küldő eszközt

Az IoT Hub nyugtázza az eszközparancsokat.

Azure Stream Analytics-feladat

Job: a telemetria két utasítás használatával működik a bejövő eszköz telemetria-adatfolyamában:

  • Az első kiválasztja az összes telemetriát az eszközökről, és ezeket az adatokat Blob Storage-ba küldi. Itt látható a webalkalmazásban.
  • A második kiszámítja az átlagos érzékelőértékeket egy kétperces csúszóablakban, és ezeket az adatokat az eseményközponton keresztül egy eseményfeldolgozóba küldi.

Eseményfeldolgozó

Az Event Processor Host egy Azure-beli webes feladatban fut. Az eseményfeldolgozó a befejezett ciklusok átlagos érzékelőértékeit kezeli. Ezután átadja ezeket az értékeket egy betanított modellnek, amely kiszámítja a motor RUL. Az API hozzáférést biztosít a modellhez egy Machine Learning munkaterületen, amely a megoldás részét képezi.

Machine Learning

A Machine Learning összetevő egy olyan modellt használ, amely valódi repülőgépek adataiból jött lére.

A Machine Learning modell olyan sablonként érhető el, amely bemutatja, hogyan használhatók a IoT-megoldás gyorsító szolgáltatásain keresztül gyűjtött telemetria. A Microsoft létrehozta a repülőgép-hajtóművek regressziós modelljét az [ 1 ] . nyilvánosan elérhető adatmennyiség alapján, és részletes útmutatást nyújt a modell használatáról.

Az Azure IoT prediktív karbantartási megoldásgyorsító az ebből a sablonból létrehozott regressziós modellt használja. A modell üzembe helyezése az Azure-előfizetésében történik, és egy automatikusan generált API-n keresztül érhető el. A megoldás a 4 (100 összesen) motor és a 4 (21 teljes) érzékelő adatstreamek tesztelési értékének egy részhalmazát tartalmazza. Ezek az adatok elegendők ahhoz, hogy pontos eredményt biztosítsanak a betanított modellből.

[1 ] A. Saxena és K. Goebel (2008). "Turbofan Engine romlási szimulációs adatkészlete", NASA Ames-i (NASA) adattárház ( https://c3.nasa.gov/dashlink/resources/139/) , NASA Ames Research Center, Moffett Field mező, CA)

További lépések

A prediktív karbantartási megoldásgyorsító fő összetevőinek áttekintése után érdemes lehet testre szabni azt.

Emellett megismerheti a IoT-megoldási gyorssegédek egyéb funkcióit is: