予測メンテナンスのソリューション アクセラレータの概要Predictive Maintenance solution accelerator overview

予測メンテナンスのソリューション アクセラレータは、障害が発生する可能性があるポイントを予測するビジネス シナリオに対応したエンド ツー エンド ソリューションです。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. このソリューション アクセラレータを使用すると、メンテナンスの最適化などのアクティビティを先手を打って実行できます。You can use this solution accelerator proactively for activities such as optimizing maintenance. このソリューションは、IoT Hub や Azure Machine Learning ワークスペースなどの主要な Azure IoT ソリューション アクセラレータ サービスを組み合わせたものです。The solution combines key Azure IoT solution accelerators services, such as IoT Hub and an Azure Machine Learning workspace. このワークスペースには、公開されているサンプル データ セットに基づいて航空機エンジンの残存耐用年数 (RUL) を予測するモデルが含まれています。This workspace contains a model, based on a public sample data set, to predict the Remaining Useful Life (RUL) of an aircraft engine. このソリューションでは、固有のビジネス要件を満たすソリューションを計画および実装するための開始地点として使用できる、IoT ビジネス シナリオが完全に実装されています。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.

予測メンテナンスのソリューション アクセラレータのコードは GitHub で入手できますThe Predictive Maintenance solution accelerator code is available on GitHub.

論理アーキテクチャLogical architecture

次の図は、ソリューション アクセラレータの論理コンポーネントの概要を示したものです。The following diagram outlines the logical components of the solution accelerator:

論理アーキテクチャ

青色の項目は、ソリューション アクセラレータをデプロイしたリージョンにプロビジョニングされた Azure サービスです。The blue items are Azure services provisioned in the region where you deployed the solution accelerator. ソリューション アクセラレータをデプロイできるリージョンの一覧は、プロビジョニング ページに表示されます。The list of regions where you can deploy the solution accelerator displays on the provisioning page.

緑色の項目は、シミュレートされた航空機エンジンです。The green item is a simulated aircraft engine. これらのシミュレートされているデバイスの詳細については、「シミュレートされたデバイス」のセクションを参照してください。You can learn more about these simulated devices in the Simulated devices section.

灰色の項目は、デバイスの管理機能を実装しているコンポーネントです。The gray items are components that implement device management capabilities. 予測メンテナンスのソリューション アクセラレータの現在のリリースでは、これらのリソースはプロビジョニングできません。The current release of the Predictive Maintenance solution accelerator does not provision these resources. デバイスの管理の詳細については、リモート監視ソリューション アクセラレータに関するページを参照してください。To learn more about device management, refer to the Remote Monitoring solution accelerator.

Azure リソースAzure resources

Azure Portal で、指定したソリューション名の付いたリソース グループに移動して、プロビジョニングされたリソースを確認します。In the Azure portal, navigate to the resource group with the solution name you chose to view your provisioned resources.

アクセラレータ リソース

ソリューション アクセラレータをプロビジョニングすると、Machine Learning ワークスペースへのリンクを含む電子メールが届きます。When you provision the solution accelerator, you receive an email with a link to the Machine Learning workspace. この Machine Learning ワークスペースには、「Microsoft Azure IoT ソリューション アクセラレータ」ページから移動することも可能です。You can also navigate to the Machine Learning workspace from the Microsoft Azure IoT Solution Accelerators page. タイルは、ソリューションが準備完了の状態の場合にこのページで使用できます。A tile is available on this page when the solution is in the Ready state.

Machine Learning モデル

シミュレートされたデバイスSimulated devices

ソリューション アクセラレータで、シミュレートされたデバイスは航空機のエンジンです。In the solution accelerator, a simulated device is an aircraft engine. このソリューションでは、1 台の航空機にマッピングされる 2 つのエンジンをプロビジョニングしています。The solution is provisioned with two engines that map to a single aircraft. 各エンジンは、4 種類のテレメトリを出力します。センサー 9、センサー 11、センサー 14、センサー 15 は、Machine Learning モデルがそのエンジンの RUL を計算するために必要なデータを提供します。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. シミュレートされたデバイスはそれぞれ、次のテレメトリ メッセージを IoT Hub に送信します。Each simulated device sends the following telemetry messages to IoT Hub:

"サイクル数"。Cycle count. サイクルは、2 から 10 時間の期間で完了したフライトです。A cycle is a completed flight with a duration between two and ten hours. フライト中、テレメトリ データは 30 分ごとにキャプチャされます。During the flight, telemetry data is captured every half hour.

テレメトリTelemetry. エンジン属性を記録するセンサーは 4 つあります。There are four sensors that record engine attributes. センサーは総称的に、センサー 9、センサー 11、センサー 14、およびセンサー 15 とラベル付けされています。The sensors are generically labeled Sensor 9, Sensor 11, Sensor 14, and Sensor 15. これらの 4 つのセンサーは、RUL モデルから有用な結果を得るために十分なテレメトリを送信します。These four sensors send telemetry sufficient to get useful results from the RUL model. ソリューション アクセラレータで使用されるモデルは、実際のエンジンのセンサー データなど、公開されているデータ セットから作成されています。The model used in the solution accelerator is created from a public data set that includes real engine sensor data. 元のデータ セットからこのモデルを作成する方法の詳細については、Cortana Intelligence ギャラリーの予測メンテナンス テンプレートに関するページを参照してください。For more information on how the model was created from the original data set, see the Cortana Intelligence Gallery Predictive Maintenance Template.

シミュレーション デバイスは、ソリューションの IoT Hub から送信された次のコマンドを処理することができます。The simulated devices can handle the following commands sent from the IoT hub in the solution:

commandCommand 説明Description
StartTelemetryStartTelemetry シミュレーションの状態を制御します。Controls the state of the simulation.
デバイスのテレメトリ送信を開始します。Starts the device sending telemetry
StopTelemetryStopTelemetry シミュレーションの状態を制御します。Controls the state of the simulation.
デバイスのテレメトリ送信を停止します。Stops the device sending telemetry

IoT Hub は、デバイスのコマンドの受信確認を渡します。IoT Hub provides device command acknowledgment.

Azure Stream Analytics ジョブAzure Stream Analytics job

ジョブ:テレメトリは、次の 2 つのステートメントを使用して、デバイスのテレメトリの受信ストリームに対して動作します。Job: Telemetry operates on the incoming device telemetry stream using two statements:

  • 1 つ目では、デバイスからのすべてのテレメトリを選択し、このデータを Blob Storage に送信します。The first selects all telemetry from the devices and sends this data to blob storage. ここから、Web アプリで視覚化されます。From here, it's visualized in the web app.
  • 2 つ目では、2 分間のスライディング ウィンドウに渡る平均センサー値を計算し、このデータを Event Hub を介してイベント プロセッサに送信します。The second computes average sensor values over a two-minute sliding window and sends this data through the Event hub to an event processor.

イベント プロセッサEvent processor

イベント プロセッサ ホストは、Azure Web Job で実行されます。The event processor host runs in an Azure Web Job. イベント プロセッサ は、完了したサイクルの平均センサー値を受け取ります。The event processor takes the average sensor values for a completed cycle. それらの値は、エンジンの RUL を計算するトレーニングされたモデルに渡されます。It then passes those values to a trained model that calculates the RUL for an engine. API により、ソリューションの一部である Machine Learning ワークスペース内のモデルにアクセスできます。An API provides access to the model in a Machine Learning workspace that's part of the solution.

Machine LearningMachine Learning

Machine Learning コンポーネントは、実際の航空機エンジンから収集されたデータから派生したモデルを使用します。The Machine Learning component uses a model derived from data collected from real aircraft engines. この Machine Learning ワークスペースには、azureiotsolutions.com のページのソリューションのタイルから移動することも可能です。You can navigate to the Machine Learning workspace from your solution's tile on the azureiotsolutions.com page. このタイルは、ソリューションが準備完了の状態の場合に使用できます。The tile is available when the solution is in the Ready state.

Machine Learning モデルは、IoT ソリューション アクセラレータ サービスを通じて収集されたテレメトリの使用方法を示すテンプレートとして利用できます。The Machine Learning model is available as a template that shows how to work with telemetry collected through IoT solution accelerator services. Microsoft は、公開されているデータ[1] を基にして航空機エンジンの回帰モデルと、モデルの使用方法に関するステップ バイ ステップ ガイダンスを作成しました。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.

Azure IoT 予測メンテナンスのソリューション アクセラレータは、このテンプレートから作成された回帰モデルを使用します。The Azure IoT Predictive Maintenance solution accelerator uses the regression model created from this template. モデルは、Azure サブスクリプションにデプロイされ、自動的に生成される API を通じて利用できます。The model is deployed into your Azure subscription and made available through an automatically generated API. ソリューションには、4 つのエンジン (合計 100) および 4 つのセンサー データ ストリーム (合計 21) のテスト データのサブセットが含まれます。The solution includes a subset of the testing data for 4 (of 100 total) engines and the 4 (of 21 total) sensor data streams. このデータは、トレーニング済みのモデルから正確な結果を得るには十分な量です。This data is sufficient to provide an accurate result from the trained model.

[1] A. Saxena と K. Goebel (2008 年)。「Turbofan Engine Degradation Simulation Data Set (ターボファン エンジンの劣化シミュレーション データ セット)」、NASA Ames Prognostics Data Repository (https://c3.nasa.gov/dashlink/resources/139/) )、NASA Ames Research Center、カリフォルニア州モフェット フィールド[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

次のステップNext steps

予測メンテナンスのソリューション アクセラレータの主要コンポーネントは確認しました。次は、それをカスタマイズします。Now you've seen the key components of the Predictive Maintenance solution accelerator, you may want to customize it.

IoT ソリューション アクセラレータの他の機能についても学習できます。You can also explore some of the other features of the IoT solution accelerators: