Översikt över lösningsacceleratorn Förutsägande underhållPredictive Maintenance solution accelerator overview

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.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. Du kan använda lösningsacceleratorn proaktivt för att till exempel optimera underhållet.You can use this solution accelerator proactively for activities such as optimizing maintenance. Lösningen kombinerar viktiga Azure IoT-Lösningsacceleratorer tjänster, till exempel IoT Hub och en [Azure Machine Learning] lnk-machine-learning arbetsyta.The solution combines key Azure IoT solution accelerators services, such as IoT Hub and an Azure Machine Learning workspace. Den här arbetsytan innehåller en modell, baserad på en offentlig provdatauppsättning, för att förutsäga återstående driftstid (RUL) för en flygplansmotor.This workspace contains a model, based on a public sample data set, to predict the Remaining Useful Life (RUL) of an aircraft engine. Lösningen implementerar IoT-affärsscenariot som startpunkt när du planerar och implementerar en lösning som uppfyller dina specifika affärskrav.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.

Förebyggande underhåll lösningsaccelerator koden finns på GitHub.The Predictive Maintenance solution accelerator code is available on GitHub.

Logisk arkitekturLogical architecture

Följande diagram illustrerar de logiska komponenterna i lösningsacceleratorn:The following diagram outlines the logical components of the solution accelerator:

Logisk arkitektur

De blå objekten är Azure-tjänster som är etablerade i den region där du etablerade lösningsacceleratorn.The blue items are Azure services provisioned in the region where you deployed the solution accelerator. etableringssidan finns en lista med de regioner där du kan distribuera lösningsacceleratorn.The list of regions where you can deploy the solution accelerator displays on the provisioning page.

Det gröna objektet är en simulerad flygplansmotor.The green item is a simulated aircraft engine. Mer information om dessa simulerade enheter finns i avsnittet Simulerade enheter.You can learn more about these simulated devices in the Simulated devices section.

De grå objekten är komponenter som implementerar enhetshantering funktioner.The gray items are components that implement device management capabilities. Den aktuella versionen av lösningsacceleratorn Förebyggande underhåll etablerar inte dessa resurser.The current release of the Predictive Maintenance solution accelerator does not provision these resources. Om du vill veta mer om hantering av enheter kan referera till den lösningsacceleratorn för fjärrövervakning.To learn more about device management, refer to the Remote Monitoring solution accelerator.

Azure-resurserAzure resources

I Azure Portal navigerar du till resursgruppen med det lösningsnamn som du har valt för att visa dina etablerade resurser.In the Azure portal, navigate to the resource group with the solution name you chose to view your provisioned resources.

Accelerator resurser

När du etablerar lösningsacceleratorn får du ett e-postmeddelande med en länk till Machine Learning-arbetsytan.When you provision the solution accelerator, you receive an email with a link to the Machine Learning workspace. Du kan också navigera till Machine Learning-arbetsyta från den [Microsoft Azure IoT-Lösningsacceleratorer] lnk-azureiotsolutions sidan.You can also navigate to the Machine Learning workspace from the Microsoft Azure IoT Solution Accelerators page. En panel är tillgänglig på den här sidan när lösningen har statusen Redo.A tile is available on this page when the solution is in the Ready state.

Machine learning-modell

Simulerade enheterSimulated devices

I solution accelerator är en simulerad enhet en flygplansmotor.In the solution accelerator, a simulated device is an aircraft engine. Lösningen etableras med två motorer som mappar till ett enda flygplan.The solution is provisioned with two engines that map to a single aircraft. Varje motor sänder fyra typer av telemetri: Sensor 9, Sensor 11, Sensor 14 och Sensor 15 tillhandahåller data som behövs för att Machine Learning-modellen att beräkna RUL för motorn.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. Varje simulerad enhet skickar följande telemetrimeddelanden till IoT Hub:Each simulated device sends the following telemetry messages to IoT Hub:

Antal cykler.Cycle count. En cykel är en slutförd flygning med varierande längd på mellan två 10 timmar.A cycle is a completed flight with a duration between two and ten hours. Telemetridata samlas in varje halvtimme under flygningens längd.During the flight, telemetry data is captured every half hour.

Telemetri.Telemetry. Det finns fyra sensorer som registrerar motorattribut.There are four sensors that record engine attributes. Sensorerna har allmänna beteckningar: Sensor 9, Sensor 11, Sensor 14 och Sensor 15.The sensors are generically labeled Sensor 9, Sensor 11, Sensor 14, and Sensor 15. Dessa fyra sensorer skickar telemetri som är tillräckliga för att få fram användbara resultat från RUL-modellen.These four sensors send telemetry sufficient to get useful results from the RUL model. Modellen som används i lösningsacceleratorn har skapats från en offentlig datauppsättning som innehåller verkliga data för motorsensorer.The model used in the solution accelerator is created from a public data set that includes real engine sensor data. Mer information om hur modellen har skapats från den ursprungliga datauppsättningen finns i mallen för förebyggande underhåll i Cortana Intelligence-galleriet.For more information on how the model was created from the original data set, see the Cortana Intelligence Gallery Predictive Maintenance Template.

De simulerade enheterna kan hantera följande kommandon som skickas från IoT Hub i lösningen:The simulated devices can handle the following commands sent from the IoT hub in the solution:

KommandoCommand BeskrivningDescription
StartTelemetryStartTelemetry Kontrollerar tillståndet för simuleringen.Controls the state of the simulation.
Startar enheten som skickar telemetriStarts the device sending telemetry
StopTelemetryStopTelemetry Kontrollerar tillståndet för simuleringen.Controls the state of the simulation.
Stoppar enheten som skickar telemetriStops the device sending telemetry

IoT Hub bekräftar enhetskommandona.IoT Hub provides device command acknowledgment.

Azure Stream Analytics-jobbAzure Stream Analytics job

Jobb: Telemetri körs på den inkommande telemetriströmmen för enheten med hjälp av två uttryck:Job: Telemetry operates on the incoming device telemetry stream using two statements:

  • Det första uttrycket väljer all telemetri från enheterna och skickar dessa data till Blob Storage.The first selects all telemetry from the devices and sends this data to blob storage. Härifrån kan de sedan visualiseras i webbappen.From here, it's visualized in the web app.
  • Den andra instruktionen beräknar genomsnittliga sensorvärden under en glidande tvåminutersperiod och skickar dem via händelsehubben till en händelseprocessor.The second computes average sensor values over a two-minute sliding window and sends this data through the Event hub to an event processor.

HändelseprocessorEvent processor

Händelseprocessorvärden körs i ett Azure-webbjobb.The event processor host runs in an Azure Web Job. Händelseprocessorn tar de genomsnittliga sensorvärdena från en slutförd cykel.The event processor takes the average sensor values for a completed cycle. Den skickar dessa värden till en tränad modell som beräknar RUL för en motor.It then passes those values to a trained model that calculates the RUL for an engine. En API ger åtkomst till modellen i en Machine Learning-arbetsyta som är en del av lösningen.An API provides access to the model in a Machine Learning workspace that's part of the solution.

Machine LearningMachine Learning

Machine Learning-komponenten använder en modell som härletts från de data som samlats in från verkliga luftfartygsmotorer.The Machine Learning component uses a model derived from data collected from real aircraft engines. Du kan navigera till Machine Learning-arbetsytan från din lösningsikon på den [azureiotsolutions.com] lnk-azureiotsolutions sidan.You can navigate to the Machine Learning workspace from your solution's tile on the azureiotsolutions.com page. Panelen är tillgänglig när lösningen har statusen Redo.The tile is available when the solution is in the Ready state.

Machine Learning-modellen är tillgänglig som en mall som visar hur du arbetar med telemetri som samlas in via IoT solution accelerator-tjänster.The Machine Learning model is available as a template that shows how to work with telemetry collected through IoT solution accelerator services. Microsoft har byggt en [regressionsmodell] lnk_regression_model av en flygplansmotor baserat på offentligt tillgängliga data[1], och stegvisa anvisningar information om hur du använder modellen.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.

Azure IoT-lösningsacceleratorn Förutsägande underhåll använder regressionsmodellen som skapats från den här mallen.The Azure IoT Predictive Maintenance solution accelerator uses the regression model created from this template. Modellen distribueras i din Azure-prenumeration och görs tillgängliga via en automatiskt genererad API.The model is deployed into your Azure subscription and made available through an automatically generated API. Lösningen innehåller en delmängd av testdata för 4 (av totalt 100) motorer och 4 (av totalt 21) dataströmmar.The solution includes a subset of the testing data for 4 (of 100 total) engines and the 4 (of 21 total) sensor data streams. Dessa data är tillräckliga för att tillhandahålla ett korrekt resultat från Trained Model.This data is sufficient to provide an accurate result from the 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[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

Nästa stegNext steps

Nu när du har sett huvudkomponenterna i lösningsacceleratorn Förebyggande underhåll kanske du vill anpassa den.Now you've seen the key components of the Predictive Maintenance solution accelerator, you may want to customize it.

Du kan även utforska några av de andra funktionerna i IoT-Lösningsacceleratorer:You can also explore some of the other features of the IoT solution accelerators: