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.
caso de uso: Gen AI
Industrias: Manufacturing and Mobility, Aerospace and Defense (Aeroespacial y Defensa)
Productos: MongoDB Atlas, MongoDB Atlas búsqueda vectorial, MongoDB Change Streams, MongoDB Atlas base de datos, MongoDB Atlas Triggers, MongoDB Atlas Charts
emparejar: Amazon Bedrock, NextJS, panns-inference
Descripción general de la solución
Una compleja cadena de valor respalda la industria manufacturera, abarcando desde la gestión de inventario hasta los equipos y productos conectados. Los diagnósticos de causas raíz ayudan a resolver problemas, mejorar procesos y aumentar la eficiencia y calidad general de esta cadena de valor. El diagnóstico de causa raíz identifica las fuentes subyacentes de los problemas y asegura que se solucionen de forma permanente y no vuelvan a ocurrir.
El diagnóstico de la causa raíz ofrece los siguientes beneficios:
Elimina los problemas recurrentes: Aborda la verdadera causa raíz, remueve la necesidad de soluciones temporales y previene 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 un aumento de la producción y una reducción de los costos de producción.
Promueve prácticas de seguridad y medioambientales: Hace que las operaciones sean más seguras y respetuosas con el medioambiente mediante intervenciones proactivas y la 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 ventajas, implementar el diagnóstico de la causa raíz puede ser un reto debido a la gran cantidad de datos procedentes de sensores y máquinas, así como a la variedad de tipos de datos. Los métodos tradicionales dependen en gran medida de la pericia, los conocimientos y la experiencia humanos.
Esta solución explora la aplicación de IA y MongoDB Atlas búsqueda vectorial para diagnósticos avanzados de causas raíz. Utiliza la entrada de sonido y AWS Bedrock para generar informes en tiempo real sobre las anomalías detectadas. Esta implementación mejora la supervisión 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: El Raspberry Pi está equipado con sensores para medir datos de telemetría, como temperatura y humedad.
Gemelo digital de auto y aplicación móvil
Integración virtual y física: Un gemelo digital de automóvil en JavaScript y una aplicación para iPhone se conectan a configurar el sistema. Las aplicaciones envían comandos a MongoDB, que luego transmite estos comandos a la Raspberry Pi. Esta acción activa el relé para iniciar el motor físico y el gemelo digital.
Diagnósticos de audio
Grabación de audio: Cada segundo se graba el sonido del motor.
Conversión de vectores: Un embebedor convierte los clips de audio en vectores. Estos vectores son luego almacenados en MongoDB.
Búsqueda vectorial: Mediante Atlas Vector Search, el sistema predice el estado del motor, como si está apagado, funcionando normalmente, o si ha detectado un impacto metálico o suave. Luego muestra esta información en las aplicaciones, brindando a los usuarios diagnósticos en tiempo real.
Integración de AWS Bedrock
Reportes automatizados: Cuando el sistema detecta una anomalía, como audio anormal, Atlas activa una función que envía datos de telemetría y resultados del análisis de sonido a AWS Bedrock.
Generación de informes: AWS Bedrock genera un informe detallado y lo envía al tablero para su revisión.
Esta arquitectura crea un circuito de retroalimentación donde los dispositivos edge generan datos para el control y supervisión en tiempo real, ahora mejorados con diagnósticos de audio a través de vectores. La integración muestra las ventajas de utilizar Atlas búsqueda vectorial para el diagnóstico de la causa raíz, lo que mejora la eficiencia, confiabilidad e innovación en las operaciones de manufactura.
Figura 1. Arquitectura de demostración
Compilar la solución
Para implementar esta solución, sigue estos pasos:
Prepara tu hardware
Para replicar esta demostración, necesitas:
Un motor para simular el caso de uso real de una máquina. Este tutorial usa la réplica del motor Teching DM13 de cuatro cilindros, pero puedes ejecutar esta demostración con cualquier pieza de hardware que pueda funcionar y hacer ruido.
Un Raspberry Pi 5, que es el puente para host el software que se comunica con la nube.
Para obtener información detallada sobre cómo configurar estas herramientas, visite este repositorio de GitHub.
Alternativamente, puede simular esta solución sin el motor físico siguiendo las instrucciones en este repositorio de GitHub.
Configura MongoDB Atlas
Crea un clúster de MongoDB. Si no tienes una cuenta de Atlas, crea una cuenta siguiendo estos pasos.
Luego de que el clúster esté listo, replica la base de datos de la aplicación. Esta base de datos contiene datos de muestra de vehículos y sensores requeridos para usar la aplicación. Descargue el archivo de vaciado del repositorio de GitHub y utilice el mongorestore comando para cargarlo en tu clúster.
Detectar anomalías mediante la entrada de sonido
Sigue las instrucciones en este repositorio de GitHub para habilitar diagnósticos acústicos en tiempo real. Las instrucciones incluyen cómo configurar el tablero de análisis, vincularlo a la fuente de datos y crear un índice de búsqueda vectorial.
Integra AWS Bedrock para análisis mejorados con IA
Utilice Atlas Triggers, AWS EventBridge y Funciones Lambda de AWS para integrarse con AWS Bedrock. Siga las instrucciones en 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 transmisión y entrenamiento de audio, y el tablero de análisis. Para configurar la Interfaz de Usuario, actualiza las variables de entorno con la cadena de conexión de tu clúster de MongoDB y la URL de tu tablero de Atlas Charts. Luego, ejecuta la aplicación Next.js.
Consulte el repositorio de GitHub para obtener detalles adicionales sobre la configuración.
¡Bonus! 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.
Lecciones clave
Obtén diagnósticos mejorados: Integra Atlas búsqueda vectorial con diagnósticos de audio para permitir la identificación precisa de los estados y anomalías del motor, brindando una perspectiva más profunda de las causas raíz.
Habilitar supervisión en tiempo real: Utilice MongoDB y Atlas Vector Search para habilitar el procesamiento de datos en tiempo real y una respuesta inmediata a anomalías para un enfoque proactivo de mantenimiento.
Integra diferentes tipos de datos: El modelo orientado a documentos de MongoDB gestiona de forma eficiente diversos tipos de datos, lo que simplifica la integración de datos telemétricos estructurados y datos de audio no estructurados.
Escalar la gestión de datos: Utiliza MongoDB Atlas para gestionar el aumento de señales de datos de IoT generados en entornos industriales.
Genere informes automáticos: Automatice la generación de informes detallados basados en las anomalías detectadas, simplificando el proceso de reporte.
Autores
Humza Akthar, MongoDB
Rami Pinto, MongoDB
Ainhoa Mugica, MongoDB