Обзор акселератора решений для прогнозного обслуживанияPredictive Maintenance solution accelerator overview

Акселератор решений для прогнозного обслуживания — это комплексное решение для бизнес-сценария с прогнозированием вероятной точки сбоя.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. Этот акселератор решений можно с упреждением использовать в таких задачах, как оптимизация обслуживания.You can use this solution accelerator proactively for activities such as optimizing maintenance. В этом решении сочетаются ключевые службы акселераторов решений для Интернета вещей Azure, такие как Центр Интернета вещей и рабочая область Машинного обучения Azure,The solution combines key Azure IoT solution accelerators services, such as IoT Hub and an Azure Machine Learning workspace. в которой содержится модель для прогнозирования оставшегося срока полезного использования двигателей самолетов на основании общедоступного набора демонстрационных данных.This workspace contains a model, based on a public sample data set, to predict the Remaining Useful Life (RUL) of an aircraft engine. Это решение полностью реализовывает бизнес-сценарий IoT и может служить основой для планирования и реализации подобного решения в соответствии с конкретными потребностями.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.

Код акселератора решений для прогнозного обслуживания доступен на GitHub.The Predictive Maintenance solution accelerator code is available on GitHub.

Логическая архитектураLogical architecture

На следующей схеме показаны логические компоненты акселератора решений:The following diagram outlines the logical components of the solution accelerator:

Логическая архитектура

Синие блоки — это службы Azure, подготовленные в регионе, в котором развернут акселератор решений.The blue items are Azure services provisioned in the region where you deployed the solution accelerator. Список регионов, в которых можно развернуть акселератор решений, отображается на странице подготовки.The list of regions where you can deploy the solution accelerator displays on the provisioning page.

Зеленый элемент — это имитированный двигатель самолета.The green item is a simulated aircraft engine. См. дополнительные сведения о виртуальных устройствах.You can learn more about these simulated devices in the Simulated devices section.

Серые элементы представляют компоненты, в которых реализованы возможности управления устройствами.The gray items are components that implement device management capabilities. В текущем выпуске акселератора решений для прогнозного обслуживания эти ресурсы не подготавливаются.The current release of the Predictive Maintenance solution accelerator does not provision these resources. Дополнительные сведения об управлении устройствами см. в статье Обзор возможностей акселератора решения для удаленного мониторинга.To learn more about device management, refer to the Remote Monitoring solution accelerator.

Ресурсы AzureAzure resources

Чтобы просмотреть подготовленные ресурсы, на портале Azure перейдите к группе ресурсов с выбранным вами именем решения.In the Azure portal, navigate to the resource group with the solution name you chose to view your provisioned resources.

Ресурсы акселератора

При подготовке акселератора решений вы получите электронное сообщение со ссылкой на рабочую область машинного обучения.When you provision the solution accelerator, you receive an email with a link to the Machine Learning workspace. Кроме того, вы можете перейти в рабочую область машинного обучения со страницы акселераторов решений Microsoft Azure IoT.You can also navigate to the Machine Learning workspace from the Microsoft Azure IoT Solution Accelerators page. На этой странице отображается плитка для перехода, когда решение находится в состоянии Готово.A tile is available on this page when the solution is in the Ready state.

Модель машинного обучения

Виртуальные устройстваSimulated devices

В акселераторе решений имитированное устройство представляет двигатель самолета.In the solution accelerator, a simulated device is an aircraft engine. В этом решении есть два двигателя, установленных на одном самолете.The solution is provisioned with two engines that map to a single aircraft. Каждый двигатель выдает данные телеметрии четырех типов: датчика 9, датчика 11, датчика 14 и датчика 15. Эти датчики предоставляют данные, необходимые модели машинного обучения для расчета оставшегося срока полезного использования двигателя.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. Каждое виртуальное устройство отправляет в Центр Интернета вещей следующие сообщения телеметрии.Each simulated device sends the following telemetry messages to IoT Hub:

Счетчик циклов.Cycle count. Циклом считается завершенный полет длительностью от двух до десяти часов.A cycle is a completed flight with a duration between two and ten hours. Во время полета данные телеметрии регистрируются каждые полчаса.During the flight, telemetry data is captured every half hour.

Телеметрия.Telemetry. Есть четыре датчика, которые фиксируют атрибуты двигателя.There are four sensors that record engine attributes. Датчики имеют универсальные имена: датчик 9, датчик 11, датчик 14 и датчик 15.The sensors are generically labeled Sensor 9, Sensor 11, Sensor 14, and Sensor 15. Эти четыре датчика отправляют данные телеметрии, позволяющие получить полезные данные из модели оставшегося срока полезного использования.These four sensors send telemetry sufficient to get useful results from the RUL model. Эта модель, использованная в акселераторе решений, создается из общедоступного набора данных, который включает фактические данные датчиков двигателя.The model used in the solution accelerator is created from a public data set that includes real engine sensor data. Дополнительные сведения о создании модели из исходного набора данных см. на странице шаблона диагностического обслуживания из коллекции Cortana Intelligence.For more information on how the model was created from the original data set, see the Cortana Intelligence Gallery Predictive Maintenance Template.

Виртуальные устройства могут обрабатывать следующие команды, отправляемые из Центра Интернета вещей в решение:The simulated devices can handle the following commands sent from the IoT hub in the solution:

КомандаCommand ОПИСАНИЕDescription
StartTelemetryStartTelemetry Управляет состоянием моделирования.Controls the state of the simulation.
Запускает отправку данных телеметрии с устройства.Starts the device sending telemetry
StopTelemetryStopTelemetry Управляет состоянием моделирования.Controls the state of the simulation.
Останавливает отправку данных телеметрии с устройства.Stops the device sending telemetry

Центр Интернета вещей подтверждает получение команды от устройства.IoT Hub provides device command acknowledgment.

Задание Azure Stream AnalyticsAzure Stream Analytics job

Задание: телеметрия. Работает на входящем потоке телеметрии устройства, используя две инструкции.Job: Telemetry operates on the incoming device telemetry stream using two statements:

  • Первая инструкция выбирает все данные телеметрии, поступающие от устройств, и отправляет эти данные в хранилище BLOB-объектов.The first selects all telemetry from the devices and sends this data to blob storage. Оттуда они будут визуализированы в веб-приложении.From here, it's visualized in the web app.
  • Вторая инструкция вычисляет средние значения датчика за скользящее двухминутное окно и отправляет эти данные через концентратор событий в обработчик событий.The second computes average sensor values over a two-minute sliding window and sends this data through the Event hub to an event processor.

Обработчик событийEvent processor

Узел обработчика событий выполняется в веб-задании Azure.The event processor host runs in an Azure Web Job. Обработчик событий принимает средние значения датчика за завершенный цикл.The event processor takes the average sensor values for a completed cycle. Он передает эти значения в обученную модель, которая вычисляет оставшийся срок полезного использования двигателя.It then passes those values to a trained model that calculates the RUL for an engine. Интерфейс API предоставляет доступ к этой модели в рабочей области машинного обучения, включенной в это решение.An API provides access to the model in a Machine Learning workspace that's part of the solution.

Машинное обучениеMachine Learning

Компонент машинного обучения использует модель на основе данных, собранных с настоящих двигателей самолета.The Machine Learning component uses a model derived from data collected from real aircraft engines. Вы можете перейти к рабочей области машинного обучения с помощью плитки решения, на [azureiotsolutions.com] lnk-azureiotsolutions страницы.You can navigate to the Machine Learning workspace from your solution's tile on the azureiotsolutions.com page. Плитка доступна, когда решение находится в состоянии Готово.The tile is available when the solution is in the Ready state.

Чтобы продемонстрировать работу с данными телеметрии устройства, собранными с помощью служб акселератора решений для Интернета вещей, предоставляется шаблон модели машинного обучения Azure.The Machine Learning model is available as a template that shows how to work with telemetry collected through IoT solution accelerator services. Корпорация Майкрософт разработала модель регрессии двигателя самолета на основе общедоступных данных[1] и пошаговое руководство по использованию модели.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.

Акселератор решений для прогнозного обслуживания для Интернета вещей Azure использует модель регрессии, созданную на основе этого шаблона.The Azure IoT Predictive Maintenance solution accelerator uses the regression model created from this template. Это решение развертывается в подписке Azure и предоставляется через автоматически созданный интерфейса API.The model is deployed into your Azure subscription and made available through an automatically generated API. Решение включает набор тестовых данных по 4 (из 100 возможных) двигателям и 4 (из 21 возможного) потокам данных датчиков.The solution includes a subset of the testing data for 4 (of 100 total) engines and the 4 (of 21 total) sensor data streams. Эти данные обеспечивают точный результат из обученной модели.This data is sufficient to provide an accurate result from the trained model.

[1] А. Саксена (A. Saxena) и К. Гебель (K. Goebel) (2008 г.). Turbofan Engine Degradation Simulation Data Set (Набор данных для симуляции деградации турбореактивного двигателя), Хранилище данных Центра прогнозирования Эймса (https://c3.nasa.gov/dashlink/resources/139/), Исследовательский центр Эймса, Моффетт-филд, Калифорния[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

Дальнейшие действияNext steps

Вы ознакомились с основными компонентами акселератора решений для прогнозного обслуживания. Вы можете попробовать настроить его.Now you've seen the key components of the Predictive Maintenance solution accelerator, you may want to customize it.

Вы также можете ознакомиться с другими функциями акселераторов решений для Интернета вещей.You can also explore some of the other features of the IoT solution accelerators: