Supervisión de un lanzamiento de cohete utilizando MongoDB Atlas y datos de IoT en tiempo real.
Industrias: Manufactura y Movilidad, venta minorista
Productos: MongoDB Atlas, MongoDB pipeline de agregación, MongoDB serie de tiempo, MongoDB Atlas Charts, MongoDB Atlas base de datos, MongoDB Atlas Data Federation, MongoDB Atlas Search, MongoDB Atlas SQL Interface, MongoDB Atlas Triggers
Resumen de la solución
Esta solución utiliza la plataforma de base de datos multi-nube de MongoDB para analizar datos IoT de un lanzamiento de cohete. Utiliza un conjunto de datos de código abierto de un lanzamiento de cohete de Blue Origin, junto con datos ficticios.
Un lanzamiento típico de cohete abarca un periodo de ocho horas desde el inicio de la cuenta regresiva hasta que la carga útil del cohete está en órbita. Durante esta ventana, aproximadamente un millón de puntos de datos por segundo son generados por sensores que capturan el rendimiento del cohete.
Si bien las métricas del cohete constituyen la mayor parte de los datos en este caso de uso, existen otras dos fuentes de datos:
Notas son creadas por ingenieros de cohetes y un sistema automatizado. Los ingenieros de Rocket crean notas cuando quieren marcar cualquier cosa para recordar después del lanzamiento. Además, un sistema automatizado observa las métricas a medida que se transmiten e incluso crea notas siempre que los valores estén fuera de su umbral esperado.
Los datos meteorológicos se recuperan de un tercero, se almacenan en un depósito de Amazon S3 y se analizan en combinación con los datos de lanzamiento después del lanzamiento.
Otras industrias y casos de uso aplicables
La capacidad de realizar análisis en tiempo real sobre datos IoT en vivo es valiosa en muchas industrias, tales como:
Fabricación: La maquinaria de fabricación está equipada con sensores IoT que funcionan durante horas, similar a un lanzamiento de cohete. El análisis debe realizarse tanto durante como después de que la maquinaria opere.
Logística de la cadena de suministro: los sensores del IoT permiten la optimización de la cadena de suministro tanto en el tránsito como posterior al mismo, desde los modos de transporte hasta los propios paquetes.
Comercio electrónico: Además de los almacenes y la logística de envío, los minoristas utilizan perspectivas en tiempo real para impulsar la personalización o mejorar los procesos empresariales.
Arquitecturas de Referencia
El siguiente diagrama muestra la arquitectura de esta solución. El modelo orientado a documentos flexible de MongoDB y las herramientas Atlas agilizan la forma en que puedes almacenar e interactuar con tus datos. Los datos en tiempo real de los sensores, las observaciones de los ingenieros y los datos meteorológicos en tiempo real pueden combinarse todos en MongoDB Atlas.
Figura 1. Arquitectura de referencia con MongoDB
Enfoque de modelo de datos
Esta solución almacena los datos de lanzamiento en dos colecciones de Atlas: launchData
y notes.
Inicialmente, los cohetes producen métricas como tuplas de 4elementos con la siguiente estructura: (device, timestamp, metric, value). Estos valores se agregan y se escriben en la colección launchData como un único documento que representa métricas de un dispositivo específico en un momento específico, como en el siguiente documento de ejemplo:
{ _id: ObjectId("62f2f8b5800b621ee724bb94"), time: ISODate("2020-10-13T13:33:30.219Z"), meta: { device: 'truth' }, TIME_NANOSECONDS_TAI: Long("1602596010219040000"), truth_pos_CON_ECEF_ECEF_M2: -5268929.31643981, truth_pos_CON_ECEF_ECEF_M1: -1387897.36558835, truth_pos_CON_ECEF_ECEF_M3: 3306577.65409484, truth_vel_CON_ECEF_ECEF_MpS2: -0.00810950305119273, truth_vel_CON_ECEF_ECEF_MpS3: 0.00414972080992211, truth_quat_CON2ECEF1: -0.458400879273711, truth_quat_CON2ECEF2: -0.176758395646534, truth_quat_CON2ECEF3: 0.511475024782863, truth_vel_CON_ECEF_ECEF_MpS1: 0.00220006484335229, truth_quat_CON2ECEF4: 0.7049953208872 }
Este modelo orientado a documentos también funciona con colecciones de series de tiempo de MongoDB.
Estos datos se pueden encontrar en el aerospace.fichero.gz archivo en el repositorio de GitHub de la solución.
Compilar la solución
El repositorio GitHub de la solución proporciona los datos y el código necesarios para que puedas empezar. Además, el repositorio incluye enlaces a una grabación de livestream de tres partes que repasa esta solución en detalle.
Para empezar con esta solución, realice los siguientes pasos.
Configura el lanzamiento del cohete y las consultas previas al lanzamiento
La primera grabación de transmisión en vivo te guía a través de los datos capturados en un lanzamiento de cohete y cómo guardar queries de agregación básicas con la API de queries de MongoDB. Luego, puedes realizar análisis básicos de los datos del sensor de IoT con Atlas Charts.
Analizar datos durante el lanzamiento
La segunda grabación del livestream muestra cómo integrar gráficas en una aplicación React para análisis en tiempo real y cómo realizar una búsqueda de notas específicas.
Encuentra perspectivas después del lanzamiento
Por último, la tercera grabación en vivo te muestra cómo combinar los datos de lanzamiento de cohetes con los datos meteorológicos para crear perspectivas posteriores al lanzamiento y analizarlos en Tableau.
Lecciones clave
La plataforma de base de datos flexible de MongoDB permite el análisis de IoT impulsado por aplicaciones al ofrecer las siguientes capacidades:
Modelado de datos a través de múltiples tipos de datos: El modelo flexible orientado a documentos de MongoDB permite almacenar varios tipos de datos en un solo documento, colección o base de datos, agilizando la interacción con tus datos y reduciendo la necesidad de diferentes tablas.
Integrar funciones para reaccionar a datos en tiempo real: La capacidad de query rápidas en MongoDB permite analizar datos en tiempo real.
Minimizar los procesos ETL con agregación local: las canalizaciones de agregación de MongoDB le permiten transformar sus datos en resultados calculados y almacenarlos en una nueva colección.
Autores
Jay Runkel, MongoDB