Skip to content
Permalink
Branch: master
Find file Copy path
Find file Copy path
Fetching contributors…
Cannot retrieve contributors at this time
100 lines (67 sloc) 8.47 KB
title description author manager ms.service services ms.topic ms.date ms.author ms.openlocfilehash ms.sourcegitcommit ms.translationtype ms.contentlocale ms.lasthandoff ms.locfileid
Descrição geral do acelerador de soluções de Manutenção Preditiva - Azure | Microsoft Docs
Uma visão geral do acelerador de solução de manutenção preditiva do Azure IoT que prevê o ponto em que uma falha provavelmente ocorrerá para um cenário de negócios.
dominicbetts
timlt
iot-accelerators
iot-accelerators
conceptual
03/08/2019
dobett
0661503dce7ac2707065f60c3952da866ce9dcf3
ac56ef07d86328c40fed5b5792a6a02698926c2d
MT
pt-PT
11/08/2019
73827418

Descrição geral do acelerador de soluções de Manutenção Preditiva

O acelerador de soluções de Manutenção Preditiva é uma solução ponto a ponto para um cenário de negócio que prevê o momento em que poderá ocorrer uma falha. Pode utilizar, de forma pró-ativa, este acelerador de soluções para atividades como a otimização da manutenção. A solução combina os principais serviços do Azure IoT Solution Accelerators, como o Hub IoT e um espaço de trabalho Azure Machine Learning . Esta área de trabalho contém um modelo, com base num conjunto de dados de exemplo público, para prever a Vida Útil Remanescente (RUL) de um motor de aeronave. A solução implementa completamente o cenário empresarial IoT como um ponto de partida para que possa planear e implementar uma solução que satisfaça os seus próprios requisitos de negócio.

O código do acelerador de solução de manutenção preditiva está disponível no GitHub.

Arquitetura lógica

O diagrama que se segue descreve os componentes lógicos do acelerador de soluções:

Arquitetura lógica

Os itens a azul são os serviços do Azure aprovisionados na região em que implementou o acelerador de soluções. A lista de regiões em que você pode implantar o Solution Accelerator é exibida na página de provisionamento.

O item verde é um mecanismo de aeronave simulado. Pode saber mais sobre estes dispositivos simulados na secção Dispositivos simulados seguinte.

Os itens em cinza são componentes que implementam os recursos de Gerenciamento de dispositivos . A atual versão do acelerador de soluções de Manutenção Preditiva não aprovisiona estes recursos. Para saber mais sobre o gerenciamento de dispositivos, consulte o acelerador de solução de monitoramento remoto.

Recursos do Azure

No Portal do Azure, navegue para o grupo de recursos com o nome da solução que escolheu para ver os recursos aprovisionados.

Recursos de acelerador

Quando aprovisiona o acelerador de soluções, recebe um e-mail com uma ligação para a área de trabalho do Machine Learning. Você também pode navegar até o espaço de trabalho do Machine Learning na página de aceleradores de solução Microsoft Azure IOT . Quando a solução estiver no estado Pronto, estará disponível um mosaico nesta página.

Modelo de aprendizado de máquina

Dispositivos simulados

No Solution Accelerator, um dispositivo simulado é um mecanismo de aeronave. A solução é aprovisionada com dois motores que mapeiam para uma única aeronave. Cada motor emite quatro tipos de telemetria: Sensor 9, Sensor 11, Sensor 14 e Sensor 15, que fornecem os dados necessários para que o modelo do Machine Learning possa calcular a RUL desse motor. Cada dispositivo simulado envia as seguintes mensagens de telemetria ao IoT Hub:

Ciclo de contagem. Um ciclo é um vôo concluído com uma duração entre duas e dez horas. Durante o voo, os dados telemétricos são capturados a cada meia hora.

Telemetria. Há quatro sensores que registram os atributos do mecanismo. Os sensores são geralmente denominados Sensor 9, Sensor 11, Sensor 14 e Sensor 15. Esses quatro sensores enviam a telemetria suficiente para obter resultados úteis do modelo RUL. O modelo utilizado no acelerador de soluções é criado a partir de um conjunto de dados públicos, que inclui dados do sensor do motor. Para obter mais informações sobre como o modelo foi criado a partir do conjunto de dados original, consulte o modelo de manutenção preditiva Cortana Intelligence Gallery.

Os dispositivos simulados podem processar os seguintes comandos enviados a partir do hub IoT na solução:

Comando Descrição
StartTelemetry Controla o estado da simulação.
Inicia o dispositivo que envia a telemetria
StopTelemetry Controla o estado da simulação.
Para o dispositivo que envia a telemetria

O IoT Hub reconhece o comando do dispositivo.

Tarefa do Azure Stream Analytics

Tarefa: Telemetria intervém no fluxo de telemetria de entrada do dispositivo através de duas instruções:

  • A primeira seleciona toda a telemetria dos dispositivos e envia esses dados ao armazenamento de blobs. A partir daqui, ele é visualizado no aplicativo Web.
  • A segunda calcula os valores médios do sensor numa janela deslizante e envia esses dados através do Hub de Eventos a um processador de eventos.

Processador de eventos

O anfitrião do processador de eventos executa uma Tarefa Web do Azure. O processador de eventos obtém os valores médios do sensor para um ciclo concluído. Em seguida, ele passa esses valores para um modelo treinado que calcula o RUL para um mecanismo. Uma API fornece acesso ao modelo em um espaço de trabalho Machine Learning que faz parte da solução.

Machine Learning

O componente de Machine Learning utiliza um modelo derivado dos dados recolhidos de motores de aeronave reais. Você pode navegar até o espaço de trabalho Machine Learning no bloco da sua solução na página azureiotsolutions.com . O mosaico está disponível quando a solução está no estado Pronto.

O modelo de Machine Learning está disponível como um modelo que mostra como trabalhar com a telemetria coletada por meio dos serviços do acelerador de soluções do IoT. A Microsoft criou um modelo de regressão de um mecanismo de aeronave baseado em dados publicamente disponíveis[1]e orientações passo a passo sobre como usar o modelo.

O acelerador de soluções de Manutenção Preditiva do Azure IoT utiliza o modelo de regressão criado a partir deste modelo. O modelo é implantado em sua assinatura do Azure e disponibilizado por meio de uma API gerada automaticamente. A solução inclui um subconjunto dos dados de teste para 4 (de 100 total) mecanismos e os fluxos de dados de sensor de 4 (de 21 totais). Estes dados são suficientes para fornecer um resultado preciso do modelo treinado.

[1] A. Saxena e K. Goebel (2008). "Conjunto de dados de simulação de degradação do mecanismo turbofan", repositório de dados de NASA Ames Prognostics (https://c3.nasa.gov/dashlink/resources/139/), NASA Ames Research Center, Moffett Field, CA

Passos seguintes

Agora que viu os principais componentes do acelerador de soluções de Manutenção Preditiva, deverá personalizá-los.

Você também pode explorar alguns dos outros recursos dos aceleradores de solução de IoT:

You can’t perform that action at this time.