MongoDB Atlas Vector SearchとAWSを使用して高度なルート原因診断を行い、さまざまなデータ型を統合してリアルタイム分析とプロアクティブなメンテナンスを提供します。
ユースケース: Gen AI
業種: 製造業・モビリティ、航空宇宙・防衛
製品: MongoDB Atlas、 MongoDB Atlas Atlas Vector Search、 MongoDB Change Streams、 MongoDB Atlas データベース、 MongoDB Atlas Atlas Triggers、 MongoDB Atlas Charts
パートナー: Amazon Bears、NextJS、ans-ingress
ソリューション概要
複雑な値の連鎖が、在庫マネジメントから接続された機械や製品にわたる製造業をサポートします。ルート原因診断は、問題の解決、プロセスの改善、この値連鎖の全体的な効率と品質の向上に役立ちます。ルート原因診断は、問題の基礎のソースを特定し、その問題が永続的に修正され、再発しないようにします。
ルート原因診断には次の利点があります。
定期的な問題を排除します: true の原因に対処するため、一時的な修正の必要がなくなり、問題が再度発生するのを防ぎ、時間、コスト、リソースを節約します。
プロセス効率の向上: ボトルネックとその発生元で非効率性を特定するため、出力が増加し、生成コストが削減されます。
安全性と環境に適したプラクティスを使用します: プロアクティブな介入とリスク防止により、操作はより安全で環境に適したものになります。
継続的な改善を促進: ルート原因診断のシステム的アプローチにより、プロセスが改善され、イノベーションが促進されます。
ルート因果診断はそれぞれ利点がありますが、センサーやマシンからのデータが大量にあり、データ型がさまざまあるため、ルート因果診断を実装するのが困難な場合があります。従来のメソッドは、人間の専門知識、 知識 、 経験 に大きく依存しています。
このソリューションでは、高度なルート原因診断のためにAIとMongoDB Atlas Vector Searchのアプリケーションの適用を探ります。音声入力とAWS Bedrockを使用して、検出された異常に関するリアルタイムレポートを生成します。この実装、リアルタイムのモニタリングとメンテナンスが強化されます。
参照アーキテクチャ
このデモ アーキテクチャでは、次のコンポーネントを使用して、データを取得し、保存し、分析し、レポートします。
エンジンと Raspberry Pi
エンジン制御:エンジンはRaspberry Pi に接続します。
テレメトリセンサー: Raspberry Pi には、温度や湿度などのテレメトリデータを測定するためのセンサーが搭載されています。
車両のデジタルツインとモバイルアプリ
仮想と物理の統合: JavaScriptの自動車デジタル ペアとアプリが設定に接続します。アプリはMongoDBにコマンドを送信し、MongoDBはこれらのコマンドをRaspberry Piにストリーミングします。このアクションにより、リレーをトリガーして物理エンジンとデジタル ペアが起動します。
オーディオ診断
音声録音：エンジン音が1秒ごとに録音されます。
ベクトル変換: 埋め込みがオーディオをベクトルに変換する。これらのベクトルはMongoDBに保存されます。
ベクトル検索: Atlas Vector Searchを使用すると、システムはエンジンがオフであるか、正常に実行中であるか、または金属の影響や軟らかい影響を検出しているかなど、エンジンの状態を予測します。次に、この情報をアプリに表示し、ユーザーにリアルタイム診断を提供します。
AWS Bedrock 統合
自動レポート作成: システムが接続数の異常などの異常を検出すると、Atlas はAWS受信
レポート生成: AWS Red は詳細なレポートを生成し、レビューのために ダッシュボードに送信します。
このアーキテクチャにより、エッジ デバイスがリアルタイム制御とモニタリング用のデータを生成するフィードバックループが作成され、ベクトルによる言語診断が強化されています。この統合により、ルート原因診断に Atlas Vector Search を利用する利点が示され、製造操作の効率、信頼性、イノベーションが向上します。
図1。デモアーキテクチャ
ソリューションのビルド
このソリューションを実装するには、次の手順に従います。
ハードウェアを準備してください
このデモを複製するには、次のものが必要です。
マシンの実際のユースケースをシミュレートするエンジン。このチュートリアルでは、4気筒のTeching DM13エンジンのレプリカを使用しますが、ノイズを生成できる任意のハードウェアでこのデモを実行できます。
Raspberry Pi 5 は、クラウドと通信する ソフトウェア をホストするためのブリッジです。
これらのツールを設定する方法の詳細については、GitHubリポジトリをご覧ください。
あるいは、GitHubリポジトリの手順に従って、物理エンジンなしでこのソリューションをシミュレートすることもできます。
MongoDB Atlas のセットアップ
MongoDBクラスターを作成します。Atlas アカウントをお持ちでない場合は、次の手順に従ってアカウントを作成します。
クラスターの準備ができたら、アプリケーションデータベースを複製します 。このデータベースには、アプリを使用するために必要なサンプルデータとセンサーデータが含まれています。GitHubリポジトリからダンプファイルをダウンロードするし、mongorestore コマンドを使用してクラスターにロードします。
発音区別ドを検出する
この GitHubリポジトリの手順に従って、リアルタイムの空間診断を有効にします。手順には、 分析ダッシュボードの設定方法、データソースへのリンク方法、ベクトル検索インデックスの作成方法が含まれています。
AWS Bedrock を統合して、AI によって強化された分析を活用
Atlas triggers、 AWS EventBridge、 AWS Lambda Functions を使用してAWS Red と統合します。この GitHubリポジトリ の手順に従います。
Web ポータル UI を実行する
ウェブ ポータルには、ドライバーのデジタル 含まれています。UIを設定するには、MongoDBクラスターの接続文字列とAtlas ChartsダッシュボードのURLで環境変数を更新します。次に、Next.jsアプリケーションを実行します。
追加設定の詳細については、GitHubリポジトリを参照してください。
キーポイント
強化された診断を取得: Atlas Vector Search を音声診断と統合して、エンジンの状態と異常を正確に識別できるようにし、ルート原因に対するより深いインサイトを提供します。
リアルタイムモニタリングを有効にする: MongoDBと Atlas Vector Search を使用して、リアルタイムデータプロセシングを可能にし、異常値に即座に対応することで、プロアクティブなメンテナンス アプローチを実現します。
異なるデータ型を統合: MongoDB のドキュメントモデルはさまざまなデータ型を効率的に取り扱い、構造化されたテレメトリデータと非構造化オーディオデータの統合を簡素化します。
増やすデータ管理: MongoDB Atlasを使用して、製造業の環境で生成された増加する IoT データ シグナルを取り扱います。
自動レポートの生成: 検出された異常に基づいて詳細なレポートの生成を自動化し、レポート作成プロセスを簡素化します。
作成者
Humza Akthar, MongoDB
Rami Pinto、MongoDB
Ainhoa Mugica、MongoDB