Tahmine Dayalı Bakım çözüm hızlandırıcısına genel bakış
Tahmine Dayalı Bakım çözümü, arızanın oluşma ihtimali olan anı tahmin eden iş senaryosu için uçtan uca bir çözümdür. Bu çözüm hızlandırıcısını, bakım iyileştirmesi gibi etkinlikler için proaktif olarak kullanabilirsiniz. Çözüm, IoT Hub ve Azure Machine Learning çalışma alanı gibi önemli Azure IoT çözüm hızlandırıcıları hizmetlerini birleştirir. Bu çalışma alanı, bir uçak motorunun Kalan Kullanım Ömrü’nü (RUL) öngörmek için genel bir örnek veri kümesini temel alan bir model içerir. Bu çözüm, kendinize özel iş gereksinimlerinizi karşılayacak bir çözümü planlamanız ve uygulamanız amacıyla sizin için bir başlangıç noktası olarak IoT iş senaryosunu tam olarak uygular.
Tahmine Dayalı Bakım çözüm hızlandırıcısı kodu GitHub'da kullanılabilir.
Mantıksal mimari
Aşağıdaki diyagram, çözüm hızlandırıcısının mantıksal bileşenlerinin ana hatlarını vermektedir:
Mavi öğeler, çözüm hızlandırıcısını dağıttığınız bölgede sağlanan Azure hizmetleridir.
Yeşil öğe bir simülasyon uçak motorudur. Sanal cihazlar bölümde bu sanal cihazlarla ilgili daha fazla bilgiye ulaşabilirsiniz.
Gri öğeler , cihaz yönetimi özelliklerini uygulayan bileşenlerdir. Tahmine Dayalı Bakım çözüm hızlandırıcısının geçerli sürümü, bu kaynakları sağlamaz. Cihaz yönetimi hakkında daha fazla bilgi edinmek için Uzaktan İzleme çözümü hızlandırıcısına bakın.
Azure kaynakları
Azure portalda sağlanan kaynaklarınızı görüntülemek için seçtiğiniz çözüm adına sahip kaynak grubuna gidin.
Çözüm hızlandırıcısını sağladığınızda, Machine Learning çalışma alanına bağlantısı da olan bir e-posta alırsınız. Çözüm Hazır durumda olduğunda bu sayfada bir kutucuk kullanılabilir.
Sanal cihazlar
Çözüm hızlandırıcısında simülasyon cihazı bir uçak motorudur. Çözüm, tek bir uçakla eşlenen 2 motorla sağlanır. Her motor dört tür telemetri yayar: Algılayıcı 9, Algılayıcı 11, Algılayıcı 14 ve Algılayıcı 15, Machine Learning modelinin bu motorun RUL değerini hesaplaması için gereken verileri sağlar. Her sanal cihaz IoT Hub'ına şu telemetri iletilerini gönderir:
Döngü sayısı. Döngü, süresi iki ile on saat arasında olan tamamlanmış bir uçuşdur. Uçuş sırasında telemetri verileri yarım saatte bir yakalanır.
Telemetri. Motor özniteliklerini kaydeden dört algılayıcı vardır. Bu algılayıcılar genel olarak Algılayıcı 9, Algılayıcı 11, Algılayıcı 14 ve Algılayıcı 15 olarak etiketlenir. Bu dört algılayıcı, RUL modelinden yararlı sonuçlar elde etmek için yeterli telemetri gönderir. Çözüm hızlandırıcısında kullanılan model, gerçek altyapı algılayıcı verilerinin bulunduğu ortak bir veri kümesinden oluşturulur. Özgün veri kümesinden modelin oluşturulması hakkında daha fazla bilgi için bkz. Cortana Intelligence Gallery Tahmine Dayalı Bakım Şablonu.
Sanal cihazlar, çözümde IoT hub'ı tarafından gönderilen aşağıdaki komutları işleyebilir:
| Komut | Açıklama |
|---|---|
| StartTelemetry | Benzetim durumunu denetler. Cihazın telemetri göndermesini başlatır |
| StopTelemetry | Benzetim durumunu denetler. Cihazın telemetri göndermesini durdurur |
IoT hub'ı cihaz komut bildirim sağlar.
Azure Stream Analytics işi
İş: Telemetri, gelen cihaz telemetrisi akışını iki durumu kullanarak çalıştırır:
- İlki, cihazlardan tüm telemetriyi seçer ve bu verileri blob depolamaya gönderir. Buradan web uygulamasında görselleştirilir.
- İkinciyse iki dakikalık kayan pencere üzerinde ortalama algılayıcı değerlerini ölçer ve bu verileri Olay hub'ı aracılığıyla olay işlemcisi’ne gönderir.
Olay işlemcisi
Olay işleyicisi konağı bir Azure Web İşi’nde çalıştırır. Olay işlemcisi, tamamlanan bir döngü için ortalama algılayıcı değerlerini alır. Ardından bu değerleri bir altyapının RUL değerini hesaplayan eğitilmiş bir modele geçirir. API, çözümün parçası olan bir Machine Learning çalışma alanında modele erişim sağlar.
Machine Learning
Machine Learning bileşeni gerçek uçak motorlarından toplanan verilerden türetilmiş bir model kullanır.
Machine Learning modeli, IoT çözüm hızlandırıcısı hizmetleri aracılığıyla toplanan telemetri verilerinin nasıl çalışıldığını gösteren bir şablon olarak kullanılabilir. Microsoft, genel kullanıma açık verileri [1] temel alan bir uçak motorunun regresyon modelini ve modelin nasıl kullanılacağına ilişkin adım adım yönergeleri oluşturmaçmıştır.
Azure IoT Tahmine Dayalı Bakım çözümü, bu şablondan oluşturulan regresyon modelini kullanır. Model Azure aboneliğinize dağıtılır ve otomatik olarak oluşturulan bir API aracılığıyla kullanılabilir hale gelir. Çözüm, 4 (toplam 100) altyapı için test verilerinin bir alt kümesini ve 4 (toplam 21 sensör veri akışı) içerir. Bu veriler, eğitilmiş modelden doğru bir sonuç elde etmek için yeterlidir.
[1] A. Saxena ve 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
Sonraki adımlar
Tahmine Dayalı Bakım çözüm hızlandırıcısının temel bileşenlerini gördüğünüze göre bunları özelleştirmek isteyebilirsiniz.
IoT çözüm hızlandırıcılarının diğer özelliklerinden bazılarını da keşfedebilirsiniz: