Descrição geral do acelerador de soluções de Manutenção PreditivaPredictive Maintenance solution accelerator overview

O acelerador de soluções de Manutenção Preditiva é uma solução ponto a ponto para um cenário de negócio que prevê o momento em que poderá ocorrer uma falha.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. Pode utilizar, de forma pró-ativa, este acelerador de soluções para atividades como a otimização da manutenção.You can use this solution accelerator proactively for activities such as optimizing maintenance. A solução combina os principais serviços do Azure IoT Solution Accelerators, como o Hub IoT e um espaço de trabalho Azure Machine Learning .The solution combines key Azure IoT solution accelerators services, such as IoT Hub and an Azure Machine Learning workspace. Esta área de trabalho contém um modelo, com base num conjunto de dados de exemplo público, para prever a Vida Útil Remanescente (RUL) de um motor de aeronave.This workspace contains a model, based on a public sample data set, to predict the Remaining Useful Life (RUL) of an aircraft engine. A solução implementa completamente o cenário empresarial IoT como um ponto de partida para que possa planear e implementar uma solução que satisfaça os seus próprios requisitos de negócio.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.

O código do acelerador de solução de manutenção preditiva está disponível no GitHub.The Predictive Maintenance solution accelerator code is available on GitHub.

Arquitetura lógicaLogical architecture

O diagrama que se segue descreve os componentes lógicos do acelerador de soluções:The following diagram outlines the logical components of the solution accelerator:

Arquitetura lógica

Os itens a azul são os serviços do Azure aprovisionados na região em que implementou o acelerador de soluções.The blue items are Azure services provisioned in the region where you deployed the solution accelerator. A lista de regiões em que você pode implantar o Solution Accelerator é exibida na página de provisionamento.The list of regions where you can deploy the solution accelerator displays on the provisioning page.

O item verde é um mecanismo de aeronave simulado.The green item is a simulated aircraft engine. Pode saber mais sobre estes dispositivos simulados na secção Dispositivos simulados seguinte.You can learn more about these simulated devices in the Simulated devices section.

Os itens em cinza são componentes que implementam os recursos de Gerenciamento de dispositivos .The gray items are components that implement device management capabilities. A atual versão do acelerador de soluções de Manutenção Preditiva não aprovisiona estes recursos.The current release of the Predictive Maintenance solution accelerator does not provision these resources. Para saber mais sobre o gerenciamento de dispositivos, consulte o acelerador de solução de monitoramento remoto.To learn more about device management, refer to the Remote Monitoring solution accelerator.

Recursos do AzureAzure resources

No Portal do Azure, navegue para o grupo de recursos com o nome da solução que escolheu para ver os recursos aprovisionados.In the Azure portal, navigate to the resource group with the solution name you chose to view your provisioned resources.

Recursos de acelerador

Quando aprovisiona o acelerador de soluções, recebe um e-mail com uma ligação para a área de trabalho do Machine Learning.When you provision the solution accelerator, you receive an email with a link to the Machine Learning workspace. Você também pode navegar até o espaço de trabalho do Machine Learning na página de aceleradores de solução Microsoft Azure IOT .You can also navigate to the Machine Learning workspace from the Microsoft Azure IoT Solution Accelerators page. Quando a solução estiver no estado Pronto, estará disponível um mosaico nesta página.A tile is available on this page when the solution is in the Ready state.

Modelo de aprendizado de máquina

Dispositivos simuladosSimulated devices

No Solution Accelerator, um dispositivo simulado é um mecanismo de aeronave.In the solution accelerator, a simulated device is an aircraft engine. A solução é aprovisionada com dois motores que mapeiam para uma única aeronave.The solution is provisioned with two engines that map to a single aircraft. Cada motor emite quatro tipos de telemetria: Sensor 9, Sensor 11, Sensor 14 e Sensor 15, que fornecem os dados necessários para que o modelo do Machine Learning possa calcular a RUL desse motor.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. Cada dispositivo simulado envia as seguintes mensagens de telemetria ao IoT Hub:Each simulated device sends the following telemetry messages to IoT Hub:

Ciclo de contagem.Cycle count. Um ciclo é um vôo concluído com uma duração entre duas e dez horas.A cycle is a completed flight with a duration between two and ten hours. Durante o voo, os dados telemétricos são capturados a cada meia hora.During the flight, telemetry data is captured every half hour.

Telemetria.Telemetry. Há quatro sensores que registram os atributos do mecanismo.There are four sensors that record engine attributes. Os sensores são geralmente denominados Sensor 9, Sensor 11, Sensor 14 e Sensor 15.The sensors are generically labeled Sensor 9, Sensor 11, Sensor 14, and Sensor 15. Esses quatro sensores enviam a telemetria suficiente para obter resultados úteis do modelo RUL.These four sensors send telemetry sufficient to get useful results from the RUL model. O modelo utilizado no acelerador de soluções é criado a partir de um conjunto de dados públicos, que inclui dados do sensor do motor.The model used in the solution accelerator is created from a public data set that includes real engine sensor data. Para obter mais informações sobre como o modelo foi criado a partir do conjunto de dados original, consulte o modelo de manutenção preditiva Cortana Intelligence Gallery.For more information on how the model was created from the original data set, see the Cortana Intelligence Gallery Predictive Maintenance Template.

Os dispositivos simulados podem processar os seguintes comandos enviados a partir do hub IoT na solução:The simulated devices can handle the following commands sent from the IoT hub in the solution:

ComandoCommand DescriçãoDescription
StartTelemetryStartTelemetry Controla o estado da simulação.Controls the state of the simulation.
Inicia o dispositivo que envia a telemetriaStarts the device sending telemetry
StopTelemetryStopTelemetry Controla o estado da simulação.Controls the state of the simulation.
Para o dispositivo que envia a telemetriaStops the device sending telemetry

O IoT Hub reconhece o comando do dispositivo.IoT Hub provides device command acknowledgment.

Tarefa do Azure Stream AnalyticsAzure Stream Analytics job

Tarefa: Telemetria intervém no fluxo de telemetria de entrada do dispositivo através de duas instruções:Job: Telemetry operates on the incoming device telemetry stream using two statements:

  • A primeira seleciona toda a telemetria dos dispositivos e envia esses dados ao armazenamento de blobs.The first selects all telemetry from the devices and sends this data to blob storage. A partir daqui, ele é visualizado no aplicativo Web.From here, it's visualized in the web app.
  • A segunda calcula os valores médios do sensor numa janela deslizante e envia esses dados através do Hub de Eventos a um processador de eventos.The second computes average sensor values over a two-minute sliding window and sends this data through the Event hub to an event processor.

Processador de eventosEvent processor

O anfitrião do processador de eventos executa uma Tarefa Web do Azure.The event processor host runs in an Azure Web Job. O processador de eventos obtém os valores médios do sensor para um ciclo concluído.The event processor takes the average sensor values for a completed cycle. Em seguida, ele passa esses valores para um modelo treinado que calcula o RUL para um mecanismo.It then passes those values to a trained model that calculates the RUL for an engine. Uma API fornece acesso ao modelo em um espaço de trabalho Machine Learning que faz parte da solução.An API provides access to the model in a Machine Learning workspace that's part of the solution.

Machine LearningMachine Learning

O componente de Machine Learning utiliza um modelo derivado dos dados recolhidos de motores de aeronave reais.The Machine Learning component uses a model derived from data collected from real aircraft engines. Você pode navegar até o espaço de trabalho Machine Learning no bloco da sua solução na página azureiotsolutions.com .You can navigate to the Machine Learning workspace from your solution's tile on the azureiotsolutions.com page. O mosaico está disponível quando a solução está no estado Pronto.The tile is available when the solution is in the Ready state.

O modelo de Machine Learning está disponível como um modelo que mostra como trabalhar com a telemetria coletada por meio dos serviços do acelerador de soluções do IoT.The Machine Learning model is available as a template that shows how to work with telemetry collected through IoT solution accelerator services. A Microsoft criou um modelo de regressão de um mecanismo de aeronave baseado em dados publicamente disponíveis[1]e orientações passo a passo sobre como usar o modelo.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.

O acelerador de soluções de Manutenção Preditiva do Azure IoT utiliza o modelo de regressão criado a partir deste modelo.The Azure IoT Predictive Maintenance solution accelerator uses the regression model created from this template. O modelo é implantado em sua assinatura do Azure e disponibilizado por meio de uma API gerada automaticamente.The model is deployed into your Azure subscription and made available through an automatically generated API. A solução inclui um subconjunto dos dados de teste para 4 (de 100 total) mecanismos e os fluxos de dados de sensor de 4 (de 21 totais).The solution includes a subset of the testing data for 4 (of 100 total) engines and the 4 (of 21 total) sensor data streams. Estes dados são suficientes para fornecer um resultado preciso do modelo treinado.This data is sufficient to provide an accurate result from the trained model.

[1] A. Saxena e K. Goebel (2008). "Conjunto de dados de simulação de degradação do mecanismo turbofan", repositório de dados de NASA Ames Prognostics (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

Passos seguintesNext steps

Agora que viu os principais componentes do acelerador de soluções de Manutenção Preditiva, deverá personalizá-los.Now you've seen the key components of the Predictive Maintenance solution accelerator, you may want to customize it.

Você também pode explorar alguns dos outros recursos dos aceleradores de solução de IoT:You can also explore some of the other features of the IoT solution accelerators: