Översikt över lösningsacceleratorn Förutsägande underhåll
Lösningsacceleratorn Förutsägande underhåll är en lösning från slutpunkt till slutpunkt för ett affärsscenario som förutsäger den punkt då det är troligt att ett fel uppstår. Du kan använda lösningsacceleratorn proaktivt för att till exempel optimera underhållet. Lösningen kombinerar viktiga Azure IoT-lösningsacceleratortjänster, till exempel IoT Hub och en Azure Machine Learning-arbetsyta. Den här arbetsytan innehåller en modell, baserad på en offentlig provdatauppsättning, för att förutsäga återstående driftstid (RUL) för en flygplansmotor. Lösningen implementerar IoT-affärsscenariot som startpunkt när du planerar och implementerar en lösning som uppfyller dina specifika affärskrav.
Acceleratorkoden för lösningsacceleratorn Förutsägande underhåll är tillgänglig på GitHub.
Logisk arkitektur
Följande diagram illustrerar de logiska komponenterna i lösningsacceleratorn:
De blå objekten är Azure-tjänster som är etablerade i den region där du etablerade lösningsacceleratorn.
Det gröna objektet är en simulerad flygplansmotor. Mer information om dessa simulerade enheter finns i avsnittet Simulerade enheter.
De grå objekten är komponenter som implementerar enhetshanteringsfunktioner . Den aktuella versionen av lösningsacceleratorn Förebyggande underhåll etablerar inte dessa resurser. Mer information om enhetshantering finns i acceleratorn Fjärrövervakningslösning.
Azure-resurser
I Azure Portal navigerar du till resursgruppen med det lösningsnamn som du har valt för att visa dina etablerade resurser.
När du etablerar lösningsacceleratorn får du ett e-postmeddelande med en länk till Machine Learning-arbetsytan. En panel är tillgänglig på den här sidan när lösningen har statusen Redo.
Simulerade enheter
I lösningsacceleratorn är en simulerad enhet en flygplansmotor. Lösningen etableras med två motorer som mappar till ett enda flygplan. Varje motor sänder fyra typer av telemetri: Sensor 9, Sensor 11, Sensor 14 och Sensor 15 tillhandahåller de data som behövs för att Machine Learning-modellen ska kunna beräkna motorns återstående driftstid. Varje simulerad enhet skickar följande telemetrimeddelanden till IoT Hub:
Antal cykler. En cykel är en slutförd flygning med en varaktighet mellan två och tio timmar. Telemetridata samlas in varje halvtimme under flygningens längd.
Telemetri. Det finns fyra sensorer som registrerar motorattribut. Sensorerna har allmänna beteckningar: Sensor 9, Sensor 11, Sensor 14 och Sensor 15. Dessa fyra sensorer skickar telemetri tillräckligt för att få användbara resultat från RUL-modellen. Modellen som används i lösningsacceleratorn har skapats från en offentlig datauppsättning som innehåller verkliga data för motorsensorer. Mer information om hur modellen har skapats från den ursprungliga datauppsättningen finns i mallen för förebyggande underhåll i Cortana Intelligence-galleriet.
De simulerade enheterna kan hantera följande kommandon som skickas från IoT Hub i lösningen:
| Kommando | Beskrivning |
|---|---|
| StartTelemetry | Kontrollerar tillståndet för simuleringen. Startar enheten som skickar telemetri |
| StopTelemetry | Kontrollerar tillståndet för simuleringen. Stoppar enheten som skickar telemetri |
IoT Hub bekräftar enhetskommandona.
Azure Stream Analytics-jobb
Jobb: Telemetri fungerar på den inkommande enhetens telemetriström med två instruktioner:
- Det första uttrycket väljer all telemetri från enheterna och skickar dessa data till Blob Storage. Härifrån visualiseras den i webbappen.
- Den andra instruktionen beräknar genomsnittliga sensorvärden under en glidande tvåminutersperiod och skickar dem via händelsehubben till en händelseprocessor.
Händelseprocessor
Händelseprocessorvärden körs i ett Azure-webbjobb. Händelseprocessorn tar de genomsnittliga sensorvärdena från en slutförd cykel. Sedan skickas dessa värden till en tränad modell som beräknar RUL för en motor. Ett API ger åtkomst till modellen på en Machine Learning-arbetsyta som ingår i lösningen.
Machine Learning
Machine Learning-komponenten använder en modell som härletts från de data som samlats in från verkliga luftfartygsmotorer.
Machine Learning-modellen är tillgänglig som en mall som visar hur du arbetar med telemetri som samlas in via IoT-lösningsacceleratortjänster. Microsoft har skapat en regressionsmodell av en flygplansmotor baserad på offentligt tillgängliga data[1] och stegvis vägledning om hur du använder modellen.
Azure IoT-lösningsacceleratorn Förutsägande underhåll använder regressionsmodellen som skapats från den här mallen. Modellen distribueras till din Azure-prenumeration och görs tillgänglig via ett automatiskt genererat API. Lösningen innehåller en delmängd av testdata för 4 (av totalt 100) motorer och 4 (av totalt 21) sensordataströmmar. Dessa data är tillräckliga för att tillhandahålla ett korrekt resultat från Trained Model.
[1] A. Saxena och 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
Nästa steg
Nu när du har sett huvudkomponenterna i lösningsacceleratorn Förebyggande underhåll kanske du vill anpassa den.
Du kan också utforska några av de andra funktionerna i IoT-lösningsacceleratorerna: