Overzicht van de oplossingsversneller Voorspeld onderhoud
De oplossingsversneller Voorspeld onderhoud is een totaaloplossing voor een bedrijfsscenario die het punt voorspelt waarop naar verwachting een fout optreedt. U kunt deze oplossingsversneller proactief gebruiken voor activiteiten zoals het optimaliseren van onderhoud. De oplossing combineert belangrijke Services voor Azure IoT-oplossingsversnellers, zoals IoT Hub en een Azure Machine Learning-werkruimte. Deze werkruimte bevat een model, gebaseerd op een openbare verzameling voorbeeldgegevens, om de resterende bruikbare levensduur (RUL) van een vliegtuigmotor te voorspellen. De oplossing implementeert het IoT-bedrijfsscenario volledig als een beginpunt zodat u een oplossing kunt plannen en implementeren die voldoet aan uw eigen specifieke zakelijke vereisten.
De code van de oplossingsversneller voor predictief onderhoud is beschikbaar op GitHub.
Logische architectuur
Het volgende diagram geeft een overzicht van de logische onderdelen van de oplossingsversneller:
De blauwe items zijn Azure-services die zijn ingericht in de regio waar u de oplossingsversneller hebt geïmplementeerd.
Het groene item is een gesimuleerde vliegtuigmotor. Meer informatie over deze gesimuleerde apparaten vindt u in het gedeelte Gesimuleerde apparaten.
De grijze items zijn onderdelen die mogelijkheden voor apparaatbeheer implementeren. In de huidige release van de oplossingsversneller Voorspeld onderhoud worden deze resources niet ingericht. Raadpleeg de accelerator voor de externe bewakingsoplossing voor meer informatie over apparaatbeheer.
Azure-resources
Navigeer in Azure Portal naar de resourcegroep met de naam van de oplossing die u hebt gekozen om de ingerichte resources weer te geven.
Wanneer u de oplossingsversneller inricht, krijgt u een e-mailbericht met een koppeling naar de Machine Learning-werkruimte. Op deze pagina is een tegel beschikbaar wanneer de oplossing de status Gereed heeft.
Gesimuleerde apparaten
In de oplossingsversneller is een gesimuleerd apparaat een vliegtuigmotor. De oplossing is ingericht met twee motoren die aan één vliegtuig zijn toegewezen. Elke motor verzendt vier typen telemetrie: Sensor 9, Sensor 11, Sensor 14 en Sensor 15 leveren de benodigde gegevens waarmee het Machine Learning-model de RUL voor de motor berekent. Elk gesimuleerd apparaat verzendt de volgende telemetrieberichten naar IoT Hub:
Aantal maal gebruikt. Een cyclus is een voltooide vlucht met een duur tussen twee en tien uur. Tijdens de vlucht worden elk half uur telemetriegegevens vastgelegd.
Telemetrie. Er zijn vier sensoren waarmee motorkenmerken worden vastgelegd. Deze sensoren worden doorgaans Sensor 9, Sensor 11 Sensor 14 en Sensor 15 genoemd. Deze vier sensoren verzenden telemetrie voldoende om nuttige resultaten van het RUL-model te verkrijgen. Het model dat wordt gebruikt in de oplossingsversneller, wordt gemaakt op basis van een openbare gegevensset die echte motorsensorgegevens bevat. Zie Cortana Intelligence Gallery Predictive Maintenance Template (Cortana Intelligence Gallery-sjabloon voor voorspellend onderhoud) voor meer informatie over hoe het model wordt gemaakt op basis van de oorspronkelijke gegevensset.
De gesimuleerde apparaten kunnen de volgende opdrachten verwerken die zijn verzonden vanaf de IoT Hub in de oplossing:
| Opdracht | Beschrijving |
|---|---|
| StartTelemetry | Bepaalt de status van de simulatie. Start het verzenden van telemetrie vanaf het apparaat |
| StopTelemetry | Bepaalt de status van de simulatie. Stopt het verzenden van telemetrie vanaf het apparaat |
IoT Hub biedt een bevestiging van apparaatopdrachten.
Azure Stream Analytics-job
Taak: Telemetrie werkt op de telemetriestroom van het binnenkomende apparaat met behulp van twee instructies:
- De eerste selecteert alle telemetrie van de apparaten en verzendt deze gegevens naar Blob Storage. Van hieruit wordt het gevisualiseerd in de web-app.
- De tweede instructie berekent de gemiddelde sensorwaarden gedurende een sliding window van twee minuten en verzendt deze gegevens via Event Hub naar een gebeurtenisprocessor.
Gebeurtenisprocessor
De gebeurtenisprocessorhost wordt uitgevoerd in een Azure-webtaak. De gebeurtenisverwerking neemt de gemiddelde sensorwaarden voor een voltooide cyclus. Vervolgens worden deze waarden doorgegeven aan een getraind model waarmee de RUL voor een motor wordt berekend. Een API biedt toegang tot het model in een Machine Learning-werkruimte die deel uitmaakt van de oplossing.
Machine Learning
Het Machine Learning-onderdeel maakt gebruikt van een model dat is afgeleid van gegevens die zijn verzameld bij echte vliegtuigmotoren.
Het Machine Learning-model is beschikbaar als sjabloon die laat zien hoe u kunt werken met telemetrie die wordt verzameld via IoT-oplossingsversnellerservices. Microsoft heeft een regressiemodel van een vliegtuigmotor gebouwd op basis van openbaar beschikbare gegevens[1], en stapsgewijze richtlijnen voor het gebruik van het model.
De Azure IoT-oplossingsversneller Voorspeld onderhoud maakt gebruik van het regressiemodel dat op basis van deze sjabloon is gemaakt. Het model wordt geïmplementeerd in uw Azure-abonnement en beschikbaar gemaakt via een automatisch gegenereerde API. De oplossing omvat een subset van de testgegevens voor 4 (van 100 totaal) motoren en de 4 (van 21 totaal) sensorgegevensstromen. Deze gegevens leveren een accuraat resultaat op van het getrainde model.
[1] A. Saxena en 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
Volgende stappen
Nu u de belangrijke onderdelen van de oplossingsversneller Voorspeld onderhoud hebt gezien, wilt u deze misschien aanpassen.
U kunt ook enkele van de andere functies van de IoT-oplossingsversnellers verkennen: