Bewerken

Onderhouds- en veiligheidssysteem van IoT Edge

Azure Blob Storage
Azure Cosmos DB
Azure IoT
Azure IoT Edge
Azure IoT Hub

In dit artikel wordt een samenwerking tussen Microsoft en een groot spoorwegbedrijf beschreven om een ioT-oplossing (Internet of Things) te maken voor het trainen van onderhoud en veiligheid.

Architectuur

Diagram van de oplossingsarchitectuur met de IoT Edge-modules in de trackside bungalows. De Edge-modules maken gebruik van machine learning om foutrisico's te identificeren. De module waarschuwingshandler uploadt afbeeldingsgegevens naar Azure Blob Storage. Azure Edge Hub uploadt gekoppelde metagegevens en berichten via Azure IoT Hub naar Azure Cosmos DB-opslag.

Een Visio-bestand van deze architectuur downloaden.

Gegevensstroom

  1. Een NAS-bestandsserver (Network Attached Storage) in een trackside bungalow dient verwerkte en gecategoriseerde installatiekopieën van treinwielen. Drie foto's van elk wiel maken een gestikt beeld.
  2. De IoT Edge-pollingmodule waarschuwt het IoT Edge-apparaat dat er nieuwe installatiekopieën beschikbaar zijn voor verwerking.
  3. De IoT Edge ML-module voert een ML-model van derden uit dat de installatiekopieën verwerkt en wielgebieden identificeert die meer inspectie nodig hebben.
  4. De IoT Edge-waarschuwingshandler uploadt alle installatiekopieën naar Azure Blob Storage, te beginnen met afbeeldingen met mogelijke defecten en retourneert de blob-URI's van de afbeelding.
  5. De IoT Edge Hub-module koppelt de afbeeldings-URI's aan metagegevens van afbeeldingen, zoals apparatuur of autonummer, as, tijdstempel en detectorlocatie. De module uploadt de metagegevens en waarschuwingen naar Azure IoT Hub.
  6. IoT Hub verzendt de metagegevens via Event Hubs en Azure Functions naar een Azure Cosmos DB-database.
  7. De Azure Cosmos DB-database koppelt de metagegevens van de installatiekopieën aan de URI's van de afbeeldingen die zijn opgeslagen in Azure Blob Storage. Het systeem kan de gegevens van Azure Cosmos DB gebruiken voor defectherkenning, trendanalyse, voorspellend onderhoud en hertraining van ML-modellen.

Onderdelen

In dit voorbeeld worden Azure IoT Edge-apparaten geïmplementeerd in trackside bungalows, met behulp van serverklassehardware met aangepaste kaarten voor industriële automatisering en GPU's (Graphics Processing Units) voor prestaties.

IoT Edge bestaat uit drie onderdelen:

  • IoT Edge-modules zijn containers die Azure, derden of aangepaste onderdelen kunnen uitvoeren.

    IoT Edge ML-modules kunnen ondersteuning bieden voor Azure Machine Learning, ML-modellen van derden of aangepaste code. De huidige oplossing maakt gebruik van een opensource ML-model van derden met de naam Cogniac om gegevens van het treinwiel te scoren en potentiële defecten te herkennen. De ML-software maakt gebruik van historische voorbeelden van afbeeldingen met hoge en lage betrouwbaarheidsfouten om het ML-model opnieuw te trainen.

  • De IoT Edge-runtime, bestaande uit de IoT-agent en IoT Edge Hub, wordt uitgevoerd op de IoT Edge-apparaten om de geïmplementeerde modules te beheren en te coördineren.

  • Een cloudinterface maakt externe bewaking en beheer mogelijk.

Het systeem maakt ook gebruik van de volgende Azure-cloudonderdelen:

  • Azure IoT Hub maakt veilige bidirectionele cloudcommunicatie, beheer en bewaking van IoT Edge-modules mogelijk.

  • Azure Blob Storage is objectopslag 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.

Alternatieven

  • De IoT Edge-architectuur maakt gebruik van meerdere modules, maar kan worden omgezet in één module, afhankelijk van de prestatievereisten van de oplossing of de structuur van het ontwikkelteam.

  • De spoorwegmaatschappij is alleen eigenaar van het deductiesysteem en is afhankelijk van een externe leverancier voor het genereren van ML-modellen. De black box-aard van de ML-module vormt een risico op afhankelijkheid. Onderhoud van oplossingen op lange termijn vereist inzicht in hoe de derde partij assets beheert en deelt. Het systeem kan mogelijk tijdelijke ML-modules gebruiken voor toekomstige afspraken wanneer ML-assets niet beschikbaar zijn.

Scenariodetails

Azure IoT Edge maakt gegevensverwerking en opslag dichter bij de gegevensbron mogelijk. Het verwerken van workloads aan de rand maakt snelle, consistente antwoorden mogelijk met minder afhankelijkheid van cloudconnectiviteit en resources.

Door machine learning (ML) en 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.

Edge-computing kan ai- en ML-modellen (kunstmatige intelligentie) bevatten om intelligente edge-apparaten en -netwerken te maken. Het edge-netwerk kan bepalen welke gegevens naar de cloud moeten worden verzonden voor verdere verwerking en prioriteit geven aan urgente en belangrijke gegevens.

Het spoorwegbedrijf wilde Azure IoT Edge gebruiken om de veiligheid en efficiëntie te verbeteren door het volgende te bieden:

  • Proactieve identificatie van defecte onderdelen.
  • Voorspellende planning van onderhoud en reparatie.
  • Continue verbetering van analyse en voorspellingen.

Het testproject voor de IoT Edge-oplossing is een systeem voor de statusanalyse van het treinwiel. In dit systeem bewaken meer dan 4.000 trackside detectoren continu wielgegevens van de treinen van het bedrijf. De detectoren:

  • Meet warmte en kracht van apparatuur op de sporen.
  • Luister naar onzichtbare wiellagerdefecten of wielbarsten.
  • Ontbrekende of verkeerd geplaatste onderdelen identificeren.

Azure IoT Edge-modules verwerken en reageren op de continue streaminggegevens in bijna realtime. De IoT Edge-modules worden uitgevoerd op serverklassehardware in trackside bungalows, waardoor toekomstige parallelle implementatie van andere workloads mogelijk is. De ioT Edge-oplossing:

  • Identificeert risicoapparatuur.
  • Bepaalt de urgentie van de reparatie.
  • Hiermee worden waarschuwingen gegenereerd.
  • Hiermee worden gegevens verzonden naar de Azure-cloud voor opslag.

Het systeem voor wielstatusanalyse biedt vroegtijdige identificatie van mogelijke apparatuurstoringen die kunnen leiden tot het trainen van ontsporing. Het bedrijf kan opgeslagen gegevens gebruiken om trends te herkennen en prescriptieve onderhoudsschema's te informeren.

Potentiële gebruikscases

Deze oplossing is ideaal voor de transport-, telecommunicatie- en productieindustrie. Het richt zich op de volgende scenario's:

  • Een telecommunicatienetwerk dat 99% of betere uptime moet behouden.
  • Productiekwaliteitscontrole, apparatuurreparatie en voorspellend onderhoud in een fabriek.
  • Een transportveiligheidssysteem dat realtime streaminggegevens met weinig of geen latentie moet verwerken.
  • Doorvoersystemen die tijdig meldingen en waarschuwingen moeten plannen.

Overwegingen

Met deze overwegingen worden de pijlers van het Azure Well-Architected Framework geïmplementeerd. Dit is een set richtlijnen die kunnen worden gebruikt om de kwaliteit van een workload te verbeteren. Zie Microsoft Azure Well-Architected Framework voor meer informatie.

Er zijn verschillende overwegingen van toepassing op dit voorbeeld.

Operations

De geïmplementeerde oplossing vereist een Azure-abonnement met toestemming om service-principals toe te voegen en de mogelijkheid om Azure-resources te maken. Zie Containerregisters en service-principals voor meer informatie.

Een Azure Pipelines-werkstroom bouwt, test, implementeert en archiveert de IoT Edge-oplossing via ingebouwde Azure IoT Edge-taken. Het spoorwegbedrijf host on-premises het CI/CD-systeem (continue integratie/continue implementatie). In het volgende diagram ziet u de DevOps-architectuur voor implementatie:

Diagram van DevOps-architectuur.

  1. In de eerste CI-pijplijn activeert een codepush naar de Git-opslagplaats de build van de IoT Edge-module en wordt de moduleinstallatiekopieën geregistreerd in Azure Container Registry.

  2. Ci-pijplijnvoltooiing activeert de CD-pijplijn, waarmee het implementatiemanifest wordt gegenereerd en de module wordt geïmplementeerd op de IoT Edge-apparaten.

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

Het bouwen en implementeren van de oplossing maakt ook gebruik van:

  • Azure-CLI
  • Docker CE of Moby voor het bouwen en implementeren van de containermodules
  • Voor ontwikkeling, Visual Studio of Visual Studio Code met docker, Azure IoT en relevante taalextensies.

Prestaties

  • Het systeem vereist 99% uptime en on-premises berichtbezorging binnen 24 uur. De Quality of Service (QoS) voor de laatste mijl van connectiviteit tussen bungalow en Azure bepaalt de QoS van gegevens van de rand. Lokale internetproviders (ISP's) bepalen de laatste mijl van de connectiviteit en ondersteunen mogelijk niet de vereiste QoS voor meldingen of bulksgewijs uploaden van gegevens.

  • Dit systeem maakt geen interface met de wielcamera's en backinggegevensarchieven, dus heeft geen controle of mogelijkheid om waarschuwingen te genereren voor camerasysteem- of afbeeldingsserverfouten.

  • Deze oplossing vervangt geen bestaande handmatige inspectievereisten die worden bepaald door de overheidsinstanties van het bedrijf en de federale regelgeving.

Beveiliging

Beveiliging biedt garanties tegen opzettelijke aanvallen en misbruik van uw waardevolle gegevens en systemen. Zie Overzicht van de beveiligingspijler voor meer informatie.

Beveiliging en bewaking zijn overwegingen voor IoT Edge-systemen. Voor dit voorbeeld:

  • De bestaande bedrijfsoplossing van derden heeft betrekking op systeembewaking.
  • De fysieke beveiliging van trackside bungalows en netwerkbeveiliging waren al aanwezig.
  • Verbinding maken van ioT Edge naar de cloud zijn standaard beveiligd.

Volgende stappen

GitHub-projecten:

Leerbronnen voor oplossingen: