Utiliza MongoDB Atlas Vector Search y AWS Bedrock para diagnósticos avanzados de causas raíz, integrando diversos tipos de datos para análisis en tiempo real y un mantenimiento proactivo.
Casos de uso: Gen AI
Industrias: Fabricación y movilidad, aeroespacial y defensa
Productos: MongoDB Atlas, Búsquedavectorial de MongoDB Atlas, Flujos de cambios deMongoDB, Base de datosde MongoDB Atlas, Desencadenadores deMongoDB Atlas, Gráficos de MongoDB Atlas
Asociados: Amazon Bedrock, NextJS, inferencia de panns
Resumen de la solución
Una compleja cadena de valor sustenta la industria manufacturera, abarcando desde la gestión de inventarios hasta los equipos y productos conectados. El diagnóstico de causa raíz ayuda a resolver problemas, mejorar los procesos e impulsar la eficiencia y la calidad general de esta cadena de valor. El diagnóstico de causa raíz identifica las causas subyacentes de los problemas y garantiza su solución permanente y no recurrencia.
El diagnóstico de causa raíz ofrece los siguientes beneficios:
Elimina problemas recurrentes: aborda la verdadera causa, elimina la necesidad de soluciones temporales y evita que el problema vuelva a ocurrir, ahorrando tiempo, dinero y recursos.
Mejora la eficiencia del proceso: identifica cuellos de botella e ineficiencias en su origen, lo que conduce a una mayor producción y una reducción de los costos de producción.
Promueve prácticas de seguridad y medio ambiente: Hace que las operaciones sean más seguras y respetuosas con el medio ambiente a través de intervenciones proactivas y prevención de riesgos.
Impulsa la mejora continua: El enfoque sistemático del diagnóstico de causa raíz mejora los procesos y fomenta la innovación.
A pesar de sus beneficios, implementar diagnósticos de causa raíz puede ser un desafío debido a la gran cantidad de datos provenientes de sensores y máquinas, así como a la variedad de tipos de datos. Los métodos tradicionales dependen en gran medida de la experiencia, el conocimiento y la pericia humana.
Esta solución explora la aplicación de IA y MongoDB Atlas Vector Search para el diagnóstico avanzado de la causa raíz. Utiliza la entrada de sonido y AWS Bedrock para generar informes en tiempo real sobre las anomalías detectadas. Esta implementación mejora la monitorización y el mantenimiento en tiempo real.
Arquitecturas de Referencia
Esta arquitectura de demostración utiliza los siguientes componentes para capturar, almacenar, analizar e informar datos.
Motor y Raspberry Pi
Control del motor: El motor se conecta a Raspberry Pi.
Sensores de telemetría: La Raspberry Pi está equipada con sensores para medir datos de telemetría como la temperatura y la humedad.
Gemelo digital de auto y aplicación móvil
Integración virtual y física: Un gemelo digital de coche en JavaScript y una aplicación para iPhone se conectan a la configuración. Las aplicaciones envían comandos a MongoDB, que a su vez los transmite a la Raspberry Pi. Esta acción activa el relé para arrancar el motor físico y el gemelo digital.
Diagnóstico de audio
Grabación de audio: Cada segundo, se graba el audio del motor.
Conversión de vectores: Un incrustador convierte los clips de audio en vectores. Estos vectores se almacenan en MongoDB.
Búsqueda vectorial: Con Atlas Vector Search, el sistema predice el estado del motor, por ejemplo, si está apagado, funcionando normalmente o ha detectado un impacto metálico o leve. Posteriormente, muestra esta información en las aplicaciones, ofreciendo a los usuarios diagnósticos en tiempo real.
Integración con AWS Bedrock
Informes automatizados: cuando el sistema detecta una anomalía, como un audio anormal, Atlas activa una función que envía datos de telemetría y resultados de análisis de sonido a AWS Bedrock.
Generación de informes: AWS Bedrock genera un informe detallado y lo envía al panel para su revisión.
Esta arquitectura crea un bucle de retroalimentación donde los dispositivos periféricos generan datos para el control y la monitorización en tiempo real, ahora mejorados con diagnósticos de audio mediante vectores. La integración muestra las ventajas de utilizar Atlas Vector Search para el diagnóstico de causa raíz, lo que mejora la eficiencia, la fiabilidad y la innovación en las operaciones de fabricación.
Figura 1. Arquitectura de demostración
Construir la solución
Para implementar esta solución, siga estos pasos:
Prepare su hardware
Para replicar esta demostración, necesitas:
Un motor para simular el uso real de una máquina. Este tutorial utiliza la réplica del motor Teching DM13 de cuatro cilindros, pero puede ejecutar esta demostración con cualquier hardware que pueda funcionar y generar ruido.
Una Raspberry Pi 5, que es el puente para alojar el software que se comunica con la nube.
Para encontrar información detallada sobre cómo configurar estas herramientas, visita este repositorio de GitHub.
Alternativamente, puede simular esta solución sin el motor físico siguiendo las instrucciones de este repositorio de GitHub.
Configurar MongoDB Atlas
Cree un clúster de MongoDB. Si no tiene una cuenta de Atlas, cree una siguiendo estos pasos.
Una vez que el clúster esté listo, replique la base de datos de la aplicación. Esta base de datos contiene datos de muestra de vehículos y sensores necesarios para usar la aplicación. Descargue el archivo de volcado del repositorio de GitHub y use el mongorestore comando para cargarlo en su clúster.
Detectar anomalías a través de la entrada de sonido
Siga las instrucciones de este repositorio de GitHub para habilitar el diagnóstico acústico en tiempo real. Las instrucciones incluyen cómo configurar el panel de análisis, vincularlo a la fuente de datos y crear un índice de búsqueda vectorial.
Integre AWS Bedrock para análisis mejorados con IA
Utilice Atlas Triggers, AWS EventBridge y las funciones de AWS Lambda para integrarse con AWS Bedrock. Siga las instrucciones de este repositorio de GitHub.
Ejecutar la interfaz de usuario del portal web
El portal web incluye el gemelo digital del vehículo, una interfaz de diagnóstico acústico para la transmisión de audio y el entrenamiento, y el panel de análisis. Para configurar la interfaz de usuario, actualice las variables de entorno con la cadena de conexión del clúster de MongoDB y la URL de su panel de Atlas Charts. A continuación, ejecute la aplicación Next.js.
Consulte el repositorio de GitHub para obtener detalles de configuración adicionales.
¡Extra! Controla tu vehículo desde un dispositivo móvil.
Para una experiencia de vehículo conectado más realista, puedes controlar la réplica del motor y el gemelo digital desde una aplicación móvil. Abre el proyecto Swift en Xcode, actualiza las variables de entorno y ejecuta la aplicación en un emulador o en tu propio teléfono o tablet iOS.
Aprendizajes clave
Obtenga diagnósticos mejorados: integre Atlas Vector Search con diagnósticos de audio para permitir una identificación precisa de estados y anomalías del motor, proporcionando conocimientos más profundos sobre las causas fundamentales.
Habilite el monitoreo en tiempo real: use MongoDB y Atlas Vector Search para habilitar el procesamiento de datos en tiempo real y la respuesta inmediata a anomalías para un enfoque de mantenimiento proactivo.
Integre diferentes tipos de datos: el modelo de documento de MongoDB maneja eficientemente diversos tipos de datos, simplificando la integración de datos de telemetría estructurados y datos de audio no estructurados.
Gestión de datos a escala: utilice MongoDB Atlas para gestionar el aumento de señales de datos de IoT generadas en entornos de fabricación.
Generar informes automatizados: Automatice la generación de informes detallados basados en anomalías detectadas, simplificando el proceso de informes.
Autores
Humza Akthar, MongoDB
Rami Pinto, MongoDB
Ainhoa Mugica, MongoDB