Omówienie akceleratora rozwiązania do konserwacji predykcyjnejPredictive Maintenance solution accelerator overview

Akcelerator rozwiązania do konserwacji predykcyjnej to kompleksowe rozwiązanie dotyczące scenariusza biznesowego, w którym przewidywany jest moment prawdopodobnego wystąpienia awarii.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. Ten akcelerator rozwiązania można aktywnie wykorzystać w celu zoptymalizowania konserwacji.You can use this solution accelerator proactively for activities such as optimizing maintenance. Rozwiązanie łączy usługi Key Accelerator dla akceleratorów rozwiązań Azure IoT, takie jak IoT Hub i Azure Machine Learning obszaru roboczego.The solution combines key Azure IoT solution accelerators services, such as IoT Hub and an Azure Machine Learning workspace. Ten obszar roboczy zawiera model oparty na publicznym zestawie przykładowych danych, które umożliwiają prognozowanie pozostałego czasu eksploatacji (RUL, Remaining Useful Life) silnika samolotu.This workspace contains a model, based on a public sample data set, to predict the Remaining Useful Life (RUL) of an aircraft engine. Ponadto w rozwiązaniu w pełni zaimplementowano scenariusz biznesowy IoT jako punkt wyjściowy planowania i wdrażania rozwiązania zgodnego z potrzebami firmy.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.

Kod akceleratora rozwiązania do konserwacji predykcyjnej jest dostępny w witrynie GitHub.The Predictive Maintenance solution accelerator code is available on GitHub.

Architektura logicznaLogical architecture

Na poniższym diagramie przedstawiono składniki logiczne tego akceleratora rozwiązania:The following diagram outlines the logical components of the solution accelerator:

Architektura logiczna

Niebieskie elementy oznaczają usługi platformy Azure zaprowizowane w regionie, w którym wdrożono akcelerator rozwiązania.The blue items are Azure services provisioned in the region where you deployed the solution accelerator. Lista regionów, w których można wdrożyć Akcelerator rozwiązania, zostanie wyświetlona na stronie aprowizacji.The list of regions where you can deploy the solution accelerator displays on the provisioning page.

Zielony element jest aparatem symulowanych samolotów.The green item is a simulated aircraft engine. Więcej informacji na temat tych symulowanych urządzeń można znaleźć w sekcji Symulowane urządzenia.You can learn more about these simulated devices in the Simulated devices section.

Szare elementy są składnikami, które implementują możliwości zarządzania urządzeniami .The gray items are components that implement device management capabilities. Bieżąca wersja akceleratora rozwiązania do konserwacji predykcyjnej nie umożliwia aprowizowania tych zasobów.The current release of the Predictive Maintenance solution accelerator does not provision these resources. Aby dowiedzieć się więcej o zarządzaniu urządzeniami, zapoznaj się z akceleratorem rozwiązania do monitorowania zdalnego.To learn more about device management, refer to the Remote Monitoring solution accelerator.

Zasoby platformy AzureAzure resources

W portalu Azure przejdź do grupy zasobów z nazwą wybranego rozwiązania, aby wyświetlić aprowizowane zasoby.In the Azure portal, navigate to the resource group with the solution name you chose to view your provisioned resources.

Zasoby akceleratora

Po przeprowadzeniu aprowizacji akceleratora rozwiązania otrzymasz wiadomość e-mail z linkiem do obszaru roboczego usługi Machine Learning.When you provision the solution accelerator, you receive an email with a link to the Machine Learning workspace. Możesz również przejść do obszaru roboczego Machine Learning ze strony akceleratory rozwiązania IoT Microsoft Azure .You can also navigate to the Machine Learning workspace from the Microsoft Azure IoT Solution Accelerators page. Kafelek jest dostępny na tej stronie, gdy rozwiązanie jest w stanie Gotowe.A tile is available on this page when the solution is in the Ready state.

Model uczenia maszynowego

Symulowane urządzeniaSimulated devices

W akceleratorze rozwiązania symulowane urządzenie jest silnikiem samolotu.In the solution accelerator, a simulated device is an aircraft engine. W ramach rozwiązania są aprowizowane dwa silniki (dla jednego samolotu).The solution is provisioned with two engines that map to a single aircraft. Każdy silnik emituje cztery rodzaje danych telemetrycznych: z czujnika 9, czujnika 11, czujnika 14 i czujnika 15. Czujniki dostarczają dane wymagane przez model usługi Machine Learning do obliczenia pozostałego czasu eksploatacji silnika.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. Poszczególne symulowane urządzenia wysyłają następujące komunikaty telemetryczne do usługi IoT Hub:Each simulated device sends the following telemetry messages to IoT Hub:

Liczba cykli.Cycle count. Cykl jest zakończonym działaniem z okresem od dwóch do dziesięciu godzin.A cycle is a completed flight with a duration between two and ten hours. Podczas lotu dane telemetryczne są przechwytywane co pół godziny.During the flight, telemetry data is captured every half hour.

Dane telemetryczne.Telemetry. Istnieją cztery czujniki, które rejestrują atrybuty silnika.There are four sensors that record engine attributes. Czujniki te mają ogólne etykiety: czujnik 9, czujnik 11, czujnik 14 i czujnik 15.The sensors are generically labeled Sensor 9, Sensor 11, Sensor 14, and Sensor 15. Te cztery czujniki wysyłają dane telemetryczne wystarczające do uzyskania przydatnych wyników z modelu pozostałego czasu eksploatacji.These four sensors send telemetry sufficient to get useful results from the RUL model. Model wykorzystywany w tym akceleratorze rozwiązania został utworzony na podstawie publicznego zestawu danych zawierającego dane z czujników w rzeczywistych silnikach.The model used in the solution accelerator is created from a public data set that includes real engine sensor data. Aby uzyskać więcej informacji na temat sposobu tworzenia modelu na podstawie oryginalnego zestawu danych, zobacz Cortana Intelligence Gallery szablon konserwacji predykcyjnej.For more information on how the model was created from the original data set, see the Cortana Intelligence Gallery Predictive Maintenance Template.

Symulowane urządzenia obsługują w rozwiązaniu następujące polecenia wysyłane z centrum IoT:The simulated devices can handle the following commands sent from the IoT hub in the solution:

PolecenieCommand OpisDescription
StartTelemetryStartTelemetry Umożliwia sterowanie stanem symulacji.Controls the state of the simulation.
Włącza przesyłanie danych telemetrycznych przez urządzenie.Starts the device sending telemetry
StopTelemetryStopTelemetry Umożliwia sterowanie stanem symulacji.Controls the state of the simulation.
Umożliwia zatrzymanie przesyłania danych telemetrycznych przez urządzenie.Stops the device sending telemetry

Usługa IoT Hub udostępnia potwierdzenia poleceń wysyłanych do urządzeń.IoT Hub provides device command acknowledgment.

Zadanie usługi Azure Stream AnalyticsAzure Stream Analytics job

Zadanie Telemetria przetwarza strumień danych telemetrycznych przychodzących z urządzeń przy użyciu dwóch instrukcji:Job: Telemetry operates on the incoming device telemetry stream using two statements:

  • Pierwsza z nich pobiera wszystkie dane telemetryczne z urządzeń i wysyła je do magazynu obiektów blob.The first selects all telemetry from the devices and sends this data to blob storage. W tym miejscu jest to wizualizacja w aplikacji sieci Web.From here, it's visualized in the web app.
  • Druga instrukcja oblicza średnie wartości z czujników w ramach przesuwającego się okna czasowego trwającego dwie minuty i wysyła te wartości do procesora zdarzeń za pośrednictwem centrum zdarzeń.The second computes average sensor values over a two-minute sliding window and sends this data through the Event hub to an event processor.

Procesor zdarzeńEvent processor

Host procesora zdarzeń jest uruchamiany w zadaniu sieci Web Azure.The event processor host runs in an Azure Web Job. Procesor zdarzeń przyjmuje średnie wartości z czujników dla ukończonego cyklu.The event processor takes the average sensor values for a completed cycle. Następnie przekazuje te wartości do nauczonego modelu, który oblicza pozostałego czasu eksploatacji dla aparatu.It then passes those values to a trained model that calculates the RUL for an engine. Interfejs API zapewnia dostęp do modelu w obszarze roboczym Machine Learning, który jest częścią rozwiązania.An API provides access to the model in a Machine Learning workspace that's part of the solution.

Usługa Machine LearningMachine Learning

Składnik Machine Learning wykorzystuje model opracowany na podstawie danych zebranych z rzeczywistych silników samolotów.The Machine Learning component uses a model derived from data collected from real aircraft engines. Możesz przejść do obszaru roboczego Machine Learning z kafelka rozwiązania na stronie azureiotsolutions.com .You can navigate to the Machine Learning workspace from your solution's tile on the azureiotsolutions.com page. Kafelek jest dostępny, gdy rozwiązanie jest w stanie Gotowe.The tile is available when the solution is in the Ready state.

Model Machine Learning jest dostępny jako szablon, który pokazuje, jak korzystać z danych telemetrycznych zebranych za pomocą usługi IoT Solution Accelerator.The Machine Learning model is available as a template that shows how to work with telemetry collected through IoT solution accelerator services. Firma Microsoft utworzyła model regresji silnika samolotu na podstawie publicznie dostępnych danych[1]i wskazówki krok po kroku dotyczące korzystania z modelu.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.

Akcelerator rozwiązania Azure IoT do konserwacji predykcyjnej używa modelu regresji utworzonego na podstawie tego szablonu.The Azure IoT Predictive Maintenance solution accelerator uses the regression model created from this template. Model jest wdrażany w ramach subskrypcji platformy Azure i udostępniany za pomocą automatycznie wygenerowanego interfejsu API.The model is deployed into your Azure subscription and made available through an automatically generated API. Rozwiązanie obejmuje podzestaw danych testowych dla silników 4 (z 100 łącznie) i 4 (z 21 całkowitych) strumieni danych czujnika.The solution includes a subset of the testing data for 4 (of 100 total) engines and the 4 (of 21 total) sensor data streams. Te dane wystarczają do uzyskania dokładnego wyniku za pomocą nauczonego modelu.This data is sufficient to provide an accurate result from the trained model.

[1] a. Saxena i K. Goebel (2008). "Zestaw danych symulacji obniżenia wydajności aparatu TurboFan", NASA Ames dotyczących dane repozytorium (https://c3.nasa.gov/dashlink/resources/139/), NASA Ames Research Center, Moffett Field pole, 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

Następne krokiNext steps

Po zapoznaniu się z kluczowymi składnikami akceleratora rozwiązania do konserwacji predykcyjnej możesz je dostosować.Now you've seen the key components of the Predictive Maintenance solution accelerator, you may want to customize it.

Możesz również zapoznać się z innymi funkcjami akceleratorów rozwiązań IoT:You can also explore some of the other features of the IoT solution accelerators: