Panoramica dell'acceleratore di soluzioni di manutenzione predittivaPredictive Maintenance solution accelerator overview

L'acceleratore di soluzioni di manutenzione predittiva è una soluzione end-to-end per uno scenario aziendale che consente di stimare il punto in cui è probabile che si verifichino errori.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. È possibile usare l'acceleratore di soluzioni in modo proattivo per attività come l'ottimizzazione della manutenzione.You can use this solution accelerator proactively for activities such as optimizing maintenance. La soluzione combina i servizi chiave degli acceleratori di soluzioni di Azure IoT, ad esempio Hub IoT e un'area di lavoro di Azure Machine Learning.The solution combines key Azure IoT solution accelerators services, such as IoT Hub and an Azure Machine Learning workspace. L'area di lavoro contiene un modello, basato su un set di dati di esempio pubblico, per stimare la vita utile rimanente del motore di un velivolo.This workspace contains a model, based on a public sample data set, to predict the Remaining Useful Life (RUL) of an aircraft engine. La soluzione implementa completamente lo scenario aziendale IoT come punto di partenza per poter pianificare e implementare una soluzione che soddisfi i propri requisiti aziendali.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.

Il codice dell'acceleratore di soluzioni di manutenzione predittiva è disponibile su GitHub.The Predictive Maintenance solution accelerator code is available on GitHub.

Architettura logicaLogical architecture

Il diagramma seguente illustra i componenti logici dell'acceleratore di soluzioni:The following diagram outlines the logical components of the solution accelerator:

Architettura logica

Gli elementi blu sono servizi di Azure di cui viene effettuato il provisioning nell'area in cui è stato distribuito l'acceleratore di soluzioni.The blue items are Azure services provisioned in the region where you deployed the solution accelerator. L'elenco di aree in cui è possibile distribuire l'acceleratore di soluzioni viene visualizzato nella pagina di provisioning.The list of regions where you can deploy the solution accelerator displays on the provisioning page.

L'elemento verde rappresenta un motore di aereo simulato.The green item is a simulated aircraft engine. Altre informazioni su questi dispositivi simulati sono disponibili nella sezione Dispositivi simulati.You can learn more about these simulated devices in the Simulated devices section.

Gli elementi grigi rappresentano i componenti che implementano le funzionalità di gestione del dispositivo.The gray items are components that implement device management capabilities. La versione corrente dell'acceleratore di soluzioni di manutenzione predittiva non effettua il provisioning di queste risorse.The current release of the Predictive Maintenance solution accelerator does not provision these resources. Per altre informazioni sulla gestione del dispositivo, fare riferimento all'acceleratore di soluzioni di monitoraggio remoto.To learn more about device management, refer to the Remote Monitoring solution accelerator.

Risorse di AzureAzure resources

Nel portale di Azure passare al gruppo di risorse con il nome della soluzione scelto per visualizzare le risorse di cui è stato effettuato il provisioning.In the Azure portal, navigate to the resource group with the solution name you chose to view your provisioned resources.

Risorse degli acceleratori

Quando si esegue il provisioning dell'acceleratore di soluzioni, viene visualizzato un messaggio di posta elettronica con un collegamento all'area di lavoro di Machine Learning.When you provision the solution accelerator, you receive an email with a link to the Machine Learning workspace. È anche possibile passare all'area di lavoro di Machine Learning dalla pagina Acceleratori della soluzione di Microsoft Azure IoT.You can also navigate to the Machine Learning workspace from the Microsoft Azure IoT Solution Accelerators page. Quando lo stato della soluzione è Ready (Pronto), in questa pagina è disponibile un riquadro.A tile is available on this page when the solution is in the Ready state.

Modello di Machine Learning

Dispositivi simulatiSimulated devices

Nell'acceleratore di soluzioni un dispositivo simulato è un motore di aereo.In the solution accelerator, a simulated device is an aircraft engine. Il provisioning della soluzione viene effettuato con due motori associati a un singolo aereo.The solution is provisioned with two engines that map to a single aircraft. Ogni motore genera quattro tipi di dati di telemetria: il sensore 9, il sensore 11, il sensore 14 e il sensore 15 forniscono al modello di Machine Learning i dati necessari per calcolare la vita utile rimanente per il motore.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. Ogni dispositivo simulato invia i messaggi di telemetria seguenti all'hub IoT:Each simulated device sends the following telemetry messages to IoT Hub:

Conteggio dei cicli.Cycle count. Un ciclo è un volo completato con una durata compresa tra due e dieci ore.A cycle is a completed flight with a duration between two and ten hours. Durante il volo, i dati di telemetria vengono acquisiti ogni mezz'ora.During the flight, telemetry data is captured every half hour.

Telemetria.Telemetry. Sono presenti quattro sensori che registrano gli attributi del motore.There are four sensors that record engine attributes. I sensori sono indicati genericamente con l'etichetta Sensore 9, Sensore 11, Sensore 14 e Sensore 15.The sensors are generically labeled Sensor 9, Sensor 11, Sensor 14, and Sensor 15. Questi quattro sensori inviano dati di telemetria sufficienti per ottenere risultati utili dal modello di vita utile rimanente.These four sensors send telemetry sufficient to get useful results from the RUL model. Il modello usato nell'acceleratore di soluzioni viene creato da un set di dati pubblico che include i dati reali dei sensori del motore.The model used in the solution accelerator is created from a public data set that includes real engine sensor data. Per altre informazioni sulla modalità di creazione del modello dal set di dati originale, vedere il modello di manutenzione predittiva in 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.

I dispositivi simulati possono gestire i comandi seguenti inviati dall'hub IoT nella soluzione:The simulated devices can handle the following commands sent from the IoT hub in the solution:

ComandoCommand DESCRIZIONEDescription
StartTelemetryStartTelemetry Controlla lo stato della simulazione.Controls the state of the simulation.
Avvia il dispositivo che invia i dati di telemetriaStarts the device sending telemetry
StopTelemetryStopTelemetry Controlla lo stato della simulazione.Controls the state of the simulation.
Arresta il dispositivo che invia i dati di telemetriaStops the device sending telemetry

L'hub IoT fornisce il riconoscimento dei comandi del dispositivo.IoT Hub provides device command acknowledgment.

Processo di Analisi di flusso di AzureAzure Stream Analytics job

Processo: Telemetria agisce sul flusso di dati di telemetria in ingresso dai dispositivi con due istruzioni:Job: Telemetry operates on the incoming device telemetry stream using two statements:

  • La prima seleziona tutti i dati di telemetria dai dispositivi e li invia all'archivio BLOB.The first selects all telemetry from the devices and sends this data to blob storage. Da qui vengono visualizzati nell'app Web.From here, it's visualized in the web app.
  • La seconda calcola i valori medi dei sensori in una finestra temporale scorrevole di due minuti e invia i dati tramite l'hub eventi a un processore di eventi.The second computes average sensor values over a two-minute sliding window and sends this data through the Event hub to an event processor.

Processore di eventiEvent processor

L'host processore di eventi viene eseguito in un processo Web di Azure.The event processor host runs in an Azure Web Job. Il processore di eventi considera i valori medi dei sensori per un ciclo completatoThe event processor takes the average sensor values for a completed cycle. e quindi li passa a un modello con training che calcola la vita utile rimanente di un motore.It then passes those values to a trained model that calculates the RUL for an engine. Un'API fornisce l'accesso al modello in un'area di lavoro di Machine Learning che fa parte della soluzione.An API provides access to the model in a Machine Learning workspace that's part of the solution.

Machine LearningMachine Learning

Il componente Machine Learning usa un modello derivato dai dati raccolti da veri motori di aerei.The Machine Learning component uses a model derived from data collected from real aircraft engines. È possibile passare all'area di lavoro di Machine Learning dal riquadro della soluzione nella [azureiotsolutions.com] lnk-azureiotsolutions pagina.You can navigate to the Machine Learning workspace from your solution's tile on the azureiotsolutions.com page. Quando lo stato della soluzione è Ready (Pronto), il riquadro è disponibile.The tile is available when the solution is in the Ready state.

Per visualizzare il funzionamento dei dati di telemetria raccolti attraverso i servizi degli acceleratori di soluzioni IoT, è disponibile il modello di Azure Machine Learning.The Machine Learning model is available as a template that shows how to work with telemetry collected through IoT solution accelerator services. Microsoft ha creato un modello di regressione basato su dati pubblici[[1]] e le istruzioni dettagliate su come usare il modello.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'acceleratore di soluzioni di manutenzione predittiva di Azure IoT usa il modello di regressione creato da questo modello.The Azure IoT Predictive Maintenance solution accelerator uses the regression model created from this template. Il modello viene distribuito nella sottoscrizione di Azure e reso disponibile tramite un'API generata automaticamente.The model is deployed into your Azure subscription and made available through an automatically generated API. La soluzione include un subset di dati di test per 4 (su un totale di 100) motori e 4 (su un totale di 21) flussi di dati dei sensori.The solution includes a subset of the testing data for 4 (of 100 total) engines and the 4 (of 21 total) sensor data streams. Questi dati sono sufficienti per fornire un risultato esatto dal modello con training.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

Passaggi successiviNext steps

Dopo avere esaminato i componenti chiave dell'acceleratore di soluzioni di manutenzione predittiva, è possibile personalizzarli.Now you've seen the key components of the Predictive Maintenance solution accelerator, you may want to customize it.

È anche possibile esplorare alcune altre funzionalità degli acceleratori di soluzioni IoT:You can also explore some of the other features of the IoT solution accelerators: