Обзор акселератора решений для прогнозного обслуживания

Акселератор решений для прогнозного обслуживания — это комплексное решение для бизнес-сценария с прогнозированием вероятной точки сбоя. Этот акселератор решений можно с упреждением использовать в таких задачах, как оптимизация обслуживания. В этом решении сочетаются ключевые службы акселераторов решений для Интернета вещей Azure, такие как Центр Интернета вещей и рабочая область Машинного обучения Azure, в которой содержится модель для прогнозирования оставшегося срока полезного использования двигателей самолетов на основании общедоступного набора демонстрационных данных. Это решение полностью реализовывает бизнес-сценарий IoT и может служить основой для планирования и реализации подобного решения в соответствии с конкретными потребностями.

Код акселератора решений для прогнозного обслуживания доступен на GitHub.

Логическая архитектура

На следующей схеме показаны логические компоненты акселератора решений:

Логическая архитектура

Синие блоки — это службы Azure, подготовленные в регионе, в котором развернут акселератор решений.

Зеленый элемент — это имитированный двигатель самолета. См. дополнительные сведения о виртуальных устройствах.

Серые элементы представляют компоненты, в которых реализованы возможности управления устройствами. В текущем выпуске акселератора решений для прогнозного обслуживания эти ресурсы не подготавливаются. Дополнительные сведения об управлении устройствами см. в статье Обзор возможностей акселератора решения для удаленного мониторинга.

Ресурсы Azure

Чтобы просмотреть подготовленные ресурсы, на портале Azure перейдите к группе ресурсов с выбранным вами именем решения.

Ресурсы акселератора

При подготовке акселератора решений вы получите электронное сообщение со ссылкой на рабочую область машинного обучения. На этой странице отображается плитка для перехода, когда решение находится в состоянии Готово.

Модель машинного обучения

Имитированные устройства

В акселераторе решений имитированное устройство представляет двигатель самолета. В этом решении есть два двигателя, установленных на одном самолете. 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. Каждое виртуальное устройство отправляет в Центр Интернета вещей следующие сообщения телеметрии.

Счетчик циклов. Циклом считается завершенный полет длительностью от двух до десяти часов. Во время полета данные телеметрии регистрируются каждые полчаса.

Телеметрия. Есть четыре датчика, которые фиксируют атрибуты двигателя. Датчики имеют универсальные имена: датчик 9, датчик 11, датчик 14 и датчик 15. Эти четыре датчика отправляют данные телеметрии, позволяющие получить полезные данные из модели оставшегося срока полезного использования. Эта модель, использованная в акселераторе решений, создается из общедоступного набора данных, который включает фактические данные датчиков двигателя. Дополнительные сведения о создании модели из исходного набора данных см. на странице шаблона диагностического обслуживания из коллекции Cortana Intelligence.

Виртуальные устройства могут обрабатывать следующие команды, отправляемые из Центра Интернета вещей в решение:

Команда Описание
StartTelemetry Управляет состоянием моделирования.
Запускает отправку данных телеметрии с устройства.
StopTelemetry Управляет состоянием моделирования.
Останавливает отправку данных телеметрии с устройства.

Центр Интернета вещей подтверждает получение команды от устройства.

Задание Azure Stream Analytics

Задание: данные телеметрии работают с потоком телеметрии входящего устройства с помощью двух инструкций:

  • Первая инструкция выбирает все данные телеметрии, поступающие от устройств, и отправляет эти данные в хранилище BLOB-объектов. Оттуда они будут визуализированы в веб-приложении.
  • Вторая инструкция вычисляет средние значения датчика за скользящее двухминутное окно и отправляет эти данные через концентратор событий в обработчик событий.

Обработчик событий

Узел обработчика событий выполняется в веб-задании Azure. Обработчик событий принимает средние значения датчика за завершенный цикл. Он передает эти значения в обученную модель, которая вычисляет оставшийся срок полезного использования двигателя. Интерфейс API предоставляет доступ к этой модели в рабочей области машинного обучения, включенной в это решение.

Машинное обучение

Компонент машинного обучения использует модель на основе данных, собранных с настоящих двигателей самолета.

Чтобы продемонстрировать работу с данными телеметрии устройства, собранными с помощью служб акселератора решений для Интернета вещей, предоставляется шаблон модели машинного обучения Azure. Корпорация Майкрософт разработала модель регрессии двигателя самолета на основе общедоступных данных[1] и пошаговое руководство по использованию модели.

Акселератор решений для прогнозного обслуживания для Интернета вещей Azure использует модель регрессии, созданную на основе этого шаблона. Это решение развертывается в подписке Azure и предоставляется через автоматически созданный интерфейса API. Решение включает набор тестовых данных по 4 (из 100 возможных) двигателям и 4 (из 21 возможного) потокам данных датчиков. Эти данные обеспечивают точный результат из обученной модели.

[1 ] A. Саксена и K. Гоебел (2008). "Турбофанный набор данных моделирования деплавности ядра", NASA Turbofan набор ( https://c3.nasa.gov/dashlink/resources/139/) , в базе данных NASA Turbofan Research, поле Моффетт, центр сертификации

Дальнейшие действия

Вы ознакомились с основными компонентами акселератора решений для прогнозного обслуживания. Вы можете попробовать настроить его.

Вы также можете ознакомиться с другими функциями акселераторов решений для Интернета вещей.