Artikel ini menjelaskan kolaborasi antara Microsoft dan perusahaan kereta api utama untuk membuat solusi pemeliharaan dan keselamatan kereta internet-of-things (IoT).
Sistem
Unduh file Visio arsitektur ini.
Aliran data
- Server file gambar Network Attached Storage (NAS) di bungalow trackside melayani gambar roda kereta yang diproses dan dikategorikan. Tiga gambar dari setiap roda membuat gambar yang dirangkai.
- Modul polling IoT Edge memperingatkan perangkat IoT Edge bahwa gambar baru tersedia untuk diproses.
- Modul IoT Edge ML menjalankan model ML pihak ketiga yang memproses gambar dan mengidentifikasi area roda yang membutuhkan lebih banyak inspeksi.
- Penghandel Pemberitahuan IoT Edge mengunggah semua gambar ke Azure Blob Storage, dimulai dengan gambar yang memiliki potensi cacat, dan mengembalikan URI blob gambar.
- Modul IoT Edge Hub mengaitkan URI gambar dengan metadata gambar, seperti Peralatan atau Nomor Mobil, Sumbu, Tanda Waktu, dan Lokasi Detektor. Modul mengunggah metadata dan pemberitahuan ke Azure IoT Hub.
- IoT Hub mengirimkan metadata melalui Azure Event Hubs dan Azure Functions ke database Azure Cosmos DB.
- Database Azure Cosmos DB mengaitkan metadata gambar dengan URI gambar yang disimpan di Azure Blob Storage. Sistem dapat menggunakan data dari Azure Cosmos DB untuk pengenalan cacat, analisis tren, pemeliharaan prediktif, dan pelatihan ulang model ML.
Komponen
Contoh ini menyebarkan perangkat Azure IoT Edge di bungalow trackside, menggunakan perangkat keras kelas server dengan kartu otomatisasi industri yang disesuaikan dan unit pemrosesan grafis (GPU) untuk performa.
Azure IoT Edge terdiri dari tiga komponen:
Modules IoT Edge adalah kontainer yang dapat menjalankan Azure, pihak ketiga, atau komponen kustom.
Modul ML IoT Edge dapat mendukung Azure Pembelajaran Mesin, model ML pihak ketiga, atau kode kustom. Solusi saat ini menggunakan model ML sumber terbuka pihak ketiga yang disebut Cogniac untuk menilai data roda kereta dan mengenali potensi cacat. Perangkat lunak ML menggunakan sampel historis dari gambar kegagalan dengan tingkat kepercayaan tinggi dan rendah untuk melatih kembali model ML-nya.
Runtime, IoT Edge, yang terdiri dari IoT Agent dan IoT Edge Hub, berjalan pada perangkat IoT Edge untuk mengelola dan mengoordinasikan modul yang disebarkan.
Antarmuka berbasis cloud memungkinkan pemantauan dan manajemen jarak jauh.
Sistem ini juga menggunakan komponen cloud Azure berikut:
Azure IoT Hub memungkinkan komunikasi cloud dua arah yang aman, manajemen, dan pemantauan modul IoT Edge.
Azure Blob Storage adalah penyimpanan objek untuk cloud. Penyimpanan blob dioptimalkan untuk menyimpan sejumlah besar data tidak terstruktur seperti data gambar dalam contoh ini.
Azure Cosmos DB adalah layanan database NoSQL yang dikelola sepenuhnya dengan waktu respons rendah dan ketersediaan dan skalabilitas tinggi.
Alternatif
Arsitektur IoT Edge menggunakan beberapa modul, tetapi dapat diringkas menjadi satu modul, tergantung pada persyaratan performa solusi atau struktur tim pengembangan.
Perusahaan kereta api hanya memiliki sistem inferensi, dan bergantung pada vendor pihak ketiga untuk pembuatan model ML. Sifat kotak hitam dari modul ML menimbulkan beberapa risiko dependensi. Pemeliharaan solusi jangka panjang memerlukan pemahaman tentang cara pihak ketiga mengatur dan berbagi aset. Sistem mungkin dapat menggunakan modul ML tempat penampung untuk keterlibatan di masa mendatang saat aset ML tidak tersedia.
Detail skenario
Azure IoT Edge memungkinkan pemrosesan data dan penyimpanan lebih dekat ke sumber data. Memproses beban kerja di tepi memungkinkan respons yang cepat dan konsisten dengan lebih sedikit dependensi pada konektivitas dan sumber daya cloud.
Membawa pembelajaran mesin (ML) dan logika bisnis lebih dekat ke sumber data berarti perangkat dapat bereaksi lebih cepat terhadap perubahan lokal dan peristiwa penting. Perangkat dapat beroperasi dengan andal secara offline atau saat konektivitas terbatas.
Komputasi Edge dapat menggabungkan model kecerdasan buatan (AI) dan ML untuk membuat perangkat dan jaringan tepi cerdas. Jaringan tepi dapat menentukan data mana yang akan dikirim ke cloud untuk diproses lebih lanjut, dan memprioritaskan data mendesak dan penting.
Perusahaan rel kereta api ingin menggunakan Azure IoT Edge untuk meningkatkan keamanan dan efisiensi dengan menyediakan:
- Identifikasi proaktif komponen yang rusak.
- Penjadwalan prediktif pemeliharaan dan perbaikan.
- Peningkatan analisis dan prediksi berkelanjutan.
Proyek pilot untuk solusi IoT Edge adalah sistem analisis kesehatan roda kereta. Dalam sistem ini, lebih dari 4.000 detektor trackside terus memantau dan mengalirkan data roda dari kereta perusahaan. Detektor:
- Ukur panas dan paksa peralatan di trek.
- Dengarkan cacat bantalan roda yang tidak terlihat atau retakan roda.
- Identifikasi bagian yang hilang atau salah tempat.
Modul Azure IoT Edge memproses dan bertindak pada data streaming berkelanjutan mendekati real time. Modul IoT Edge berjalan pada perangkat keras kelas server di bungalow trackside, memungkinkan penyebaran paralel beban kerja lain di masa mendatang. Solusi berbasis IoT Edge:
- Mengidentifikasi peralatan berisiko.
- Menentukan urgensi perbaikan.
- Menghasilkan pemberitahuan.
- Mengirim data ke cloud Azure untuk penyimpanan.
Sistem analisis kesehatan roda memberikan identifikasi dini tentang potensi kegagalan peralatan yang dapat menyebabkan pengganggu pelatihan. Perusahaan dapat menggunakan data tersimpan untuk melihat tren dan menginformasikan jadwal pemeliharaan preskriptif.
Kemungkinan kasus penggunaan
Solusi ini sangat ideal untuk industri transportasi, telekomunikasi, dan manufaktur. Ini berfokus pada skenario berikut:
- Jaringan telekomunikasi yang harus mempertahankan waktu aktif 99% atau lebih baik.
- Kontrol kualitas produksi, perbaikan peralatan, dan pemeliharaan prediktif di pabrik.
- Sistem keselamatan transportasi yang harus memproses data streaming real-time dengan sedikit atau tanpa latensi.
- Sistem transit yang perlu memberikan pemberitahuan dan pemberitahuan jadwal tepat waktu.
Pertimbangan
Pertimbangan ini mengimplementasikan pilar Azure Well-Architected Framework, yang merupakan serangkaian tenet panduan yang dapat digunakan untuk meningkatkan kualitas beban kerja. Untuk informasi selengkapnya, lihat Microsoft Azure Well-Architected Framework.
Beberapa pertimbangan berlaku untuk contoh ini.
Operasional
Solusi yang disebarkan memerlukan langganan Azure dengan izin untuk menambahkan perwakilan layanan dan kemampuan untuk membuat sumber daya Azure. Untuk informasi selengkapnya, lihat Registri kontainer dan perwakilan layanan.
Alur kerja Azure Pipelines membangun, menguji, menyebarkan, dan mengarsipkan solusi IoT Edge melalui tugas Azure IoT Edge bawaan. Perusahaan kereta api menghosting sistem integrasi berkelanjutan/penyebaran berkelanjutan (CI / CD) secara lokal. Diagram berikut menunjukkan arsitektur DevOps untuk penyebaran:
Di alur CI pertama, kode mendorong ke repositori Git memicu build modul IoT Edge dan mendaftarkan gambar modul di Azure Container Registry.
Penyelesaian alur CI memicu alur CD, yang menghasilkan manifes penyebaran dan menyebarkan modul ke perangkat IoT Edge.
Penyebaran memiliki tiga lingkungan: Dev, QA, dan Produksi. Promosi modul dari Dev ke QA dan dari QA ke Production mendukung pemeriksaan berpagar otomatis dan manual.
Membangun dan menyebarkan solusi juga menggunakan:
- Azure CLI
- Docker CE atau Moby untuk membangun dan menyebarkan modul kontainer
- Untuk pengembangan, Visual Studio atau Visual Studio Code dengan Docker, Azure IoT, dan ekstensi bahasa yang relevan.
Performa
Sistem ini membutuhkan waktu aktif 99% dan pengiriman pesan lokal dalam waktu 24 jam. Quality of Service (QoS) untuk jarak terakhir konektivitas antara bungalow dan Azure menentukan QoS data dari edge. Penyedia layanan internet (ISP) lokal mengatur mil terakhir konektivitas, dan mungkin tidak mendukung QoS yang diperlukan untuk pemberitahuan atau pengunggahan data massal.
Sistem ini tidak berinteraksi dengan kamera roda dan penyimpanan data pendukung, sehingga tidak memiliki kontrol atau kemampuan untuk meningkatkan peringatan pada sistem kamera atau kegagalan server gambar.
Solusi ini tidak menggantikan persyaratan inspeksi manual yang ada yang ditentukan oleh perusahaan dan otoritas pengatur federal.
Keamanan
Keamanan memberikan jaminan terhadap serangan yang disukai dan penyalahgunaan data dan sistem berharga Anda. Untuk informasi selengkapnya, lihat Gambaran Umum pilar keamanan.
Keamanan dan pemantauan adalah pertimbangan untuk sistem IoT Edge. Untuk contoh ini:
- Solusi perusahaan pihak ketiga yang ada mencakup pemantauan sistem.
- Keamanan fisik bungalow pelacakan dan keamanan jaringan sudah ada.
- Koneksi dari IoT Edge ke cloud aman secara default.
Langkah berikutnya
- Masa depan komputasi: cloud cerdas dan edge cerdas
- Dokumentasi Azure IoT Edge
- Membangun modul IoT Edge
- Solusi menyeluruh menggunakan Azure Machine Learning dan IoT Edge
- Integrasi dan penyebaran berkelanjutan ke Azure IoT Edge
- Menyebarkan modul Azure IoT Edge dari portal Microsoft Azure
Proyek GitHub:
- CloudEvents
- Azure IoT Edge dan RabbitMQ
- Templat Cookiecutter untuk Azure IoT Edge Python Module
- Streaming dalam Skala
- ServiceBusExplorer
- DASH untuk Azure Storage
Sumber daya pembelajaran solusi:
- Matriks Kompatibilitas Docker
- Plugin Jenkins Azure IoT Edge
- Event Sourcing
- Bereaksi terhadap peristiwa penyimpanan Blob
- Pengikatan penyimpanan Azure Blob untuk Azure Functions
- Streaming Tanpa Server Dalam Skala Besar dengan Azure Cosmos DB
- Kapan harus menghindari CQRS