Overzicht van de oplossingsversneller Voorspeld onderhoudPredictive Maintenance solution accelerator overview

De oplossingsversneller Voorspeld onderhoud is een totaaloplossing voor een bedrijfsscenario die het punt voorspelt waarop naar verwachting een fout optreedt.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. U kunt deze oplossingsversneller proactief gebruiken voor activiteiten zoals het optimaliseren van onderhoud.You can use this solution accelerator proactively for activities such as optimizing maintenance. De oplossing combineert belangrijke Azure IoT-oplossing accelerators services, zoals IoT Hub en een [Azure Machine Learning] lnk-machine-learning werkruimte.The solution combines key Azure IoT solution accelerators services, such as IoT Hub and an Azure Machine Learning workspace. Deze werkruimte bevat een model, gebaseerd op een openbare verzameling voorbeeldgegevens, om de resterende bruikbare levensduur (RUL) van een vliegtuigmotor te voorspellen.This workspace contains a model, based on a public sample data set, to predict the Remaining Useful Life (RUL) of an aircraft engine. 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.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.

De oplossingsversneller voor Predictief onderhoud code is beschikbaar op GitHub.The Predictive Maintenance solution accelerator code is available on GitHub.

Logische architectuurLogical architecture

Het volgende diagram geeft een overzicht van de logische onderdelen van de oplossingsversneller:The following diagram outlines the logical components of the solution accelerator:

Logische architectuur

De blauwe items zijn Azure-services die zijn ingericht in de regio waar u de oplossingsversneller hebt geïmplementeerd.The blue items are Azure services provisioned in the region where you deployed the solution accelerator. De lijst met regio's waar u de oplossingsversneller kunt implementeren, wordt weergegeven op de pagina Inrichting.The list of regions where you can deploy the solution accelerator displays on the provisioning page.

Het groene item is een gesimuleerde vliegtuigmotor.The green item is a simulated aircraft engine. Meer informatie over deze gesimuleerde apparaten vindt u in het gedeelte Gesimuleerde apparaten.You can learn more about these simulated devices in the Simulated devices section.

De grijze items zijn onderdelen die worden geïmplementeerd Apparaatbeheer mogelijkheden.The gray items are components that implement device management capabilities. In de huidige release van de oplossingsversneller Voorspeld onderhoud worden deze resources niet ingericht.The current release of the Predictive Maintenance solution accelerator does not provision these resources. Raadpleeg voor meer informatie over het beheer van apparaten, de oplossingsverbetering voor externe controle.To learn more about device management, refer to the Remote Monitoring solution accelerator.

Azure-resourcesAzure 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.In the Azure portal, navigate to the resource group with the solution name you chose to view your provisioned resources.

Accelerator-resources

Wanneer u de oplossingsversneller inricht, krijgt u een e-mailbericht met een koppeling naar de Machine Learning-werkruimte.When you provision the solution accelerator, you receive an email with a link to the Machine Learning workspace. U kunt ook navigeren naar de Machine Learning-werkruimte van de [Microsoft Azure IoT-oplossingsversnellers] lnk-azureiotsolutions pagina.You can also navigate to the Machine Learning workspace from the Microsoft Azure IoT Solution Accelerators page. Op deze pagina is een tegel beschikbaar wanneer de oplossing de status Gereed heeft.A tile is available on this page when the solution is in the Ready state.

Machine learning-model

Gesimuleerde apparatenSimulated devices

In de solution accelerator is een gesimuleerd apparaat een vliegtuigmotor.In the solution accelerator, a simulated device is an aircraft engine. De oplossing is ingericht met twee motoren die aan één vliegtuig zijn toegewezen.The solution is provisioned with two engines that map to a single aircraft. Elke motor verzendt vier typen telemetrie: Sensor 9, Sensor 11, Sensor 14 en Sensor 15 leveren de benodigde gegevens waarmee het Machine Learning-model voor het berekenen van de resterende bruikbare Levensduur van de engine.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. Elk gesimuleerd apparaat verzendt de volgende telemetrieberichten naar IoT Hub:Each simulated device sends the following telemetry messages to IoT Hub:

Aantal maal gebruikt.Cycle count. Een cyclus is een uitgevoerde vlucht met een duur tussen twee en tien uur.A cycle is a completed flight with a duration between two and ten hours. Tijdens de vlucht worden elk half uur telemetriegegevens vastgelegd.During the flight, telemetry data is captured every half hour.

Telemetrie.Telemetry. Er zijn vier sensoren die motorkenmerken record.There are four sensors that record engine attributes. Deze sensoren worden doorgaans Sensor 9, Sensor 11 Sensor 14 en Sensor 15 genoemd.The sensors are generically labeled Sensor 9, Sensor 11, Sensor 14, and Sensor 15. Deze vier sensoren verzenden van telemetrie is voldoende om bruikbare resultaten van het RUL-model.These four sensors send telemetry sufficient to get useful results from the RUL model. Het model dat wordt gebruikt in de oplossingsversneller, wordt gemaakt op basis van een openbare gegevensset die echte motorsensorgegevens bevat.The model used in the solution accelerator is created from a public data set that includes real engine sensor data. 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.For more information on how the model was created from the original data set, see the Cortana Intelligence Gallery Predictive Maintenance Template.

De gesimuleerde apparaten kunnen de volgende opdrachten verwerken die zijn verzonden vanaf de IoT Hub in de oplossing:The simulated devices can handle the following commands sent from the IoT hub in the solution:

OpdrachtCommand DescriptionDescription
StartTelemetryStartTelemetry Bepaalt de status van de simulatie.Controls the state of the simulation.
Start het verzenden van telemetrie vanaf het apparaatStarts the device sending telemetry
StopTelemetryStopTelemetry Bepaalt de status van de simulatie.Controls the state of the simulation.
Stopt het verzenden van telemetrie vanaf het apparaatStops the device sending telemetry

IoT Hub biedt een bevestiging van apparaatopdrachten.IoT Hub provides device command acknowledgment.

Azure Stream Analytics-jobAzure Stream Analytics job

Taak: Telemetrie is van invloed op de inkomende telemetriestroom apparaat is met behulp van twee instructies:Job: Telemetry operates on the incoming device telemetry stream using two statements:

  • De eerste selecteert alle telemetrie van de apparaten en verzendt deze gegevens naar Blob Storage.The first selects all telemetry from the devices and sends this data to blob storage. Hier worden ze weergegeven in de web-app.From here, it's visualized in the 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.The second computes average sensor values over a two-minute sliding window and sends this data through the Event hub to an event processor.

GebeurtenisprocessorEvent processor

De gebeurtenisprocessorhost wordt uitgevoerd in een Azure-webtaak.The event processor host runs in an Azure Web Job. De gebeurtenisverwerking neemt de gemiddelde sensorwaarden voor een voltooide cyclus.The event processor takes the average sensor values for a completed cycle. Vervolgens worden deze waarden doorgegeven met een getraind model de RUL voor een motor berekent.It then passes those values to a trained model that calculates the RUL for an engine. Een API biedt toegang tot het model in Machine Learning-werkruimte die deel uitmaakt van de oplossing.An API provides access to the model in a Machine Learning workspace that's part of the solution.

Machine LearningMachine Learning

Het Machine Learning-onderdeel maakt gebruikt van een model dat is afgeleid van gegevens die zijn verzameld bij echte vliegtuigmotoren.The Machine Learning component uses a model derived from data collected from real aircraft engines. U kunt naar de Machine Learning-werkruimte navigeren vanaf de tegel van uw oplossing op de [azureiotsolutions.com] lnk-azureiotsolutions pagina.You can navigate to the Machine Learning workspace from your solution's tile on the azureiotsolutions.com page. De tegel is beschikbaar wanneer de oplossing de status Gereed heeft.The tile is available when the solution is in the Ready state.

De Machine Learning-model is beschikbaar als een sjabloon die laat zien hoe u werkt met telemetrie die worden verzameld via IoT-oplossing accelerator-services.The Machine Learning model is available as a template that shows how to work with telemetry collected through IoT solution accelerator services. Microsoft heeft ontwikkeld een [regressiemodel] lnk_regression_model van een vliegtuigmotor op basis van de openbaar beschikbare gegevens[1], en stapsgewijze instructies over het gebruik van het model.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.

De Azure IoT-oplossingsversneller Voorspeld onderhoud maakt gebruik van het regressiemodel dat op basis van deze sjabloon is gemaakt.The Azure IoT Predictive Maintenance solution accelerator uses the regression model created from this template. Het model is geïmplementeerd in uw Azure-abonnement en beschikbaar gesteld via een automatisch gegenereerde API.The model is deployed into your Azure subscription and made available through an automatically generated API. De oplossing omvat een subset met de testgegevens voor 4 (van in totaal 100) motoren en de 4 (van in totaal 21) gegevensstromen van sensoren.The solution includes a subset of the testing data for 4 (of 100 total) engines and the 4 (of 21 total) sensor data streams. Deze gegevens leveren een accuraat resultaat op van het getrainde model.This data is sufficient to provide an accurate result from the trained 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[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

Volgende stappenNext steps

Nu u de belangrijke onderdelen van de oplossingsversneller Voorspeld onderhoud hebt gezien, wilt u deze misschien aanpassen.Now you've seen the key components of the Predictive Maintenance solution accelerator, you may want to customize it.

U kunt ook een aantal andere functies van de IoT-oplossingsversnellers verkennen:You can also explore some of the other features of the IoT solution accelerators: