Predictief onderhoud met de intelligente IoT Edge

Blob Storage

Cosmos DB

IoT

IoT Hub

Pipelines

Internet of things (IoT) Edge brengt gegevensverwerking en -opslag dicht bij de gegevensbron, waardoor snelle, consistente reacties mogelijk zijn met minder afhankelijkheid van cloudconnectiviteit en -resources. Edge-computing kan ai- en machine learning-modellen (ML) bevatten om intelligente edge-apparaten en -netwerken te maken die kunnen worden geïntegreerd met de cloud voor verdere verwerking en beveiliging.

In dit artikel wordt een samenwerking beschreven tussen het CSE-team (Commercial Software Engineering) van Microsoft en een groot bedrijf dat een intelligente cloud- en intelligente oplossing voor onderhoud en veiligheid voor rand trainen maakt. Het bedrijf wil de veiligheid en efficiëntie van de weg verbeteren door defecte onderdelen proactief te identificeren, onderhoud en reparatie voorspellend te plannen en hun bevindingen en voorspellingen continu te verbeteren. Het proefproject voor de oplossing ML in Edge is een systeem voor het analyseren van de status van het trainwiel.

Meer dan 4000 detectoren op de spoorzijde bewaken en streamen continu wheel-gegevens van alle trajecten van het bedrijf. De detectoren meten de warmte en kracht van apparatuur op de sporen, luisteren naar onzichtbaar defecten in de wiek of scheedelen en identificeren ontbrekende of verkeerd geplaatste onderdelen. De ML on Edge-systeem verwerkt en werkt bijna in realtime op deze continue streamingdetectorgegevens om apparatuur met risico's te identificeren, de urgentie van het herstel te bepalen, waarschuwingen te genereren en gegevens naar de Azure-cloud te verzenden voor opslag. De IoT Edge modules worden uitgevoerd op hardware van serverklasse in trackside-servers, waardoor andere workloads in de toekomst parallel kunnen worden geïmplementeerd.

Door ML bedrijfslogica dichter bij de gegevensbronnen te brengen, kunnen apparaten sneller reageren op lokale wijzigingen en kritieke gebeurtenissen. Apparaten kunnen betrouwbaar offline werken of wanneer de connectiviteit beperkt is. Het Edge-netwerk kan bepalen welke gegevens naar de cloud moeten worden verzendt of prioriteit geven aan urgente en belangrijke gegevens.

Het systeem voor de analyse van de status van de wheel biedt een vroegtijdige identificatie van mogelijke apparatuurstoringen, om onherstelbare storingen te voorkomen die kunnen leiden tot ontsporing van de training. Het bedrijf kan opgeslagen gegevens gebruiken om trends te herkennen en prescriptief onderhoud en planningen voor onderhoud te informeren.

Gebruiksvoorbeelden

IoT Edge implementaties zijn het meest relevant wanneer grote hoeveelheden gegevens die in realtime worden vastgelegd actie moeten ondernemen of beslissingen moeten nemen met weinig of geen latentie. Het voorbeeldsysteem moest een uptime van 99,999% handhaven, gegevens verwerken van maximaal 24 trajecten en 35 miljoen metingen per dag en een levering van waarschuwingen en meldingen van één uur garanderen.

Architectuur

Een AFBEELDINGsbestandsserver (NAS) in een auto dient verwerkte en gecategoriseerde afbeeldingen van het trainwiel. Met drie foto's van elk wheel wordt een geseede afbeelding gemaakt.
De pollingmodule waarschuwt het Edge-apparaat dat er nieuwe afbeeldingen beschikbaar zijn voor verwerking.
Een ML van derden verwerkt de afbeeldingen en identificeert wheel-gebieden die meer inspectie nodig hebben.
De waarschuwings-handler uploadt alle afbeeldingen naar Azure Blob Storage, beginnend met afbeeldingen met mogelijke defecten, en retourneert de blob-URI's van de afbeelding.
IoT Edge Hub koppelt de afbeeldings-URI's aan metagegevens van afbeeldingen en uploadt de metagegevens en waarschuwingen naar Azure IoT Hub.
IoT Hub verzendt de metagegevens via Event Hub en Azure Functions naar een Azure Cosmos DB database.
De Cosmos DB-database bevat de metagegevens van de afbeelding (Equipment/Car #, Equipment, Timestamp, Detector Location, enzovoort) en wijst naar de locatie van afbeeldingen in Azure Blob Storage.

Onderdelen

Voor de geïmplementeerde oplossing is een Azure-abonnement vereist met machtigingen voor het toevoegen van service-principals en de mogelijkheid om Azure-resources te maken. Zie Containerregisters en service-principals voor meer informatie.

Azure IoT Edge bestaat uit drie onderdelen:
- IoT Edge modules zijn containers die Azure-, externe of aangepaste onderdelen kunnen uitvoeren. In het huidige voorbeeld worden de IoT Edge-modules in trackside-gebruik geïmplementeerd, met behulp van hardware van serverklasse met aangepaste industriële automatiseringskaarten en GPU's (Graphics Processing Units) voor prestaties.
- De IoT Edge runtime, die bestaat uit de IoT-agent en IoT Edge Hub, wordt uitgevoerd op de IoT Edge-apparaten om de geïmplementeerde modules te beheren en te coördineren.
- De Azure IoT Hub maakt veilige bi-directionele cloudcommunicatie, -beheer en -bewaking van IoT Edge mogelijk.
IoT Edge ML-modules ondersteunen Azure Machine Learning,ML modellen of aangepaste code. De huidige oplossing maakt gebruik van een opensource-model ML van derden met de naam Cogniac om de gegevens van het trainwiel te scoren en mogelijke defecten te herkennen. De ML-software gebruikt historische voorbeelden van afbeeldingen met hoge en lage betrouwbaarheid om het model opnieuw te ML trainen.
Azure Blob Storage is de oplossing voor objectopslag van Microsoft voor de cloud. Blob Storage is geoptimaliseerd voor het opslaan van enorme hoeveelheden ongestructureerde gegevens, zoals de afbeeldingsgegevens in dit voorbeeld.
Azure Cosmos DB is een volledig beheerde NoSQL-databaseservice met lage reactietijden en hoge beschikbaarheid en schaalbaarheid.
Een Azure Pipelines-werkstroom bouwt, test, implementeert en archiveert de IoT Edge oplossing via ingebouwde Azure IoT Edge taken.

Overwegingen

Het team heeft verschillende ontwerpoverwegingen geïdentificeerd:

Het systeem vereist 99% uptime en on-premises berichtbezorging binnen 24 uur. De Quality of Service (QoS) voor de laatste mijl van connectiviteit tussen de regio en Azure bepaalt de QoS van gegevens vanaf de rand. Lokale internetserviceproviders (ISP's) bepalen de laatste mijl van connectiviteit en bieden mogelijk geen ondersteuning voor de vereiste QoS voor meldingen of bulksgewijs uploaden van gegevens.
Dit systeem maakt geen gebruik van de wheel-camera's en gegevensopslag, dus heeft geen controle over of de mogelijkheid om waarschuwingen te geven bij fouten in het camerasysteem of de afbeeldingsserver.
Het bedrijf is alleen eigenaar van het deferencingsysteem en is afhankelijk van een externe leverancier voor het ML modelgeneratie. De zwarte doos-aard van de ML-module vormt een risico op afhankelijkheid. Onderhoud van langetermijnoplossing vereist inzicht in de manier waarop de derde partij assets bepaalt en deelt. Het systeem kan mogelijk tijdelijke aanduidingen gebruiken ML modules voor toekomstige interacties wanneer ML assets niet beschikbaar zijn.
Beveiliging en bewaking zijn overwegingen voor IoT Edge systemen. Voor deze betrokkenheid heeft de bestaande bedrijfsoplossing van derden betrekking op systeembewaking. De fysieke beveiliging van tracksides en netwerkbeveiliging was al ingesteld en verbindingen van de IoT Edge naar de cloud zijn standaard beveiligd.
Deze oplossing is geen vervanging van bestaande handmatige inspectievereisten die worden bepaald door de regelgevingsinstanties van het bedrijf en de federale overheid.
De Edge-architectuur is momenteel opgesplitst in meerdere modules, maar kan worden samengevat in één module, afhankelijk van de prestatievereisten van de oplossing of de structuur van het ontwikkelingsteam.
Deze oplossing is gebaseerd op de volgende eerdere CSE-klantbetrokkenheid in de productie-, olie- en gas- en natuurlijke-resourcebeheersector:

Implementatie

Het bedrijf host het on-premises systeem voor continue integratie/continue implementatie (CI/CD). In het volgende diagram ziet u de DevOps-architectuur voor implementatie:

DevOps-architectuurdiagram.

In de eerste CI-pijplijn activeert een code-push naar de Git-opslagplaats de build van de IoT Edge-module en registreert de module-afbeelding in Azure Container Registry.
Wanneer de CI-pijplijn is voltooid, activeert deze de CD-pijplijn, die het implementatiemanifest genereert en de module implementeert op IoT Edge apparaten.

De implementatie heeft drie omgevingen: Dev, QA en Production. Modulepromotie van Dev naar QA en van QA naar Production ondersteunt zowel automatische als handmatige gated controles.

Voor het bouwen en implementeren van de oplossing wordt ook het volgende gebruikt:

Azure CLI
Docker CE of Moby voor het bouwen en implementeren van de containermodules
Voor ontwikkeling kunt u Visual Studio of Visual Studio code implementeren met de extensies Docker, Azure IoT en relevante taal

Volgende stappen

GitHub codeprojecten

Resources voor oplossingsleren