障害の予測、修理計画の生成、ダウンタイムの削減に役立つ AI を活用した分析により、機器のメンテナンスを変革します。
ユースケース: アプリ主導の分析、生成系AI、IoT、シングル ビュー
業種: 製造・モビリティ、航空宇宙・防衛、エネルギー・環境
製品: MongoDB Atlas、Atlas Charts、Atlas Stream Processing、Atlas Vector Search
ソリューション概要
MongoDB Atlas は、エンドツーエンドの予知保全ソリューションを提供し、4 つの戦略的なステージを通じて、機器の故障を防ぎ、メンテナンス業務を最適化します。
マシンの優先順位付けと重要度分析
「予知保全を優先すべき機器はどれで、その理由は？」という質問に答えます。
機械学習とRAGベースの分析を使用して、重要な機器に優先順位を付けます。
履歴データと専門知識を活用して、情報に基づいた決定を行います。
障害予測
差し迫った障害の根本原因は何か、という重要な質問に答えます。
Atlas Stream Processing を通してリアルタイムのセンサーデータを処理します。
潜在的な障害が発生する前に早期検出を可能にします。
保守計画の生成
修復手順をどのようにスケジュールすべきかに焦点を当てます。
大規模言語モデルを使用して、詳細な修復プランを自動的に生成します。
メンテナンス マニュアル、在庫データ、リソース情報を組み合わせます。
メンテナンスに関するガイダンスの生成
アドレス: 機械の修理に関するより良いガイダンスを得るにはどうすればよいですか。
サービスノートと修理指示を統合することにより、メンテナンスガイダンスを強化します。
Change Streams を通じて技術者のモバイルデバイスに指示を直接配信します。
図 1. 予知保全ワークフローの 4 つの段階
MongoDB の統合データ プラットフォーム機能（ベクトル検索やリアルタイム分析など）を活用することで、組織は運用の大幅な改善を達成できます。たとえば、ダウンタイムを 15～20% 削減し、労働生産性を 5～20% 向上させ、メンテナンス コストを 30～60% 削減します。
参照アーキテクチャ
マシンの優先順位アーキテクチャ
このアーキテクチャは、RAG（検索拡張生成）を活用して、予測メンテナンスが必要な機械を特定します。システムは 2 種類の入力データを処理します。
構造化データ: 生産パラメータと機械故障の頻度。
非構造化データ: ドキュメント内の機関知識。
このワークフローは、両方のデータ型を MongoDB Atlas のベクトル埋め込みとして集約して運用可能にします。ベクトル検索を使用してセマンティック検索を実行し、関連するコンテキストを LLM（この場合は Amazon Bedrock または Cohere 経由）に提供し、優先順位付けクエリに対するコンテキスト応答を生成します。これにより、メンテナンスチームは、どのマシンに最初に注意を払うべきかについて、データに基づいた意思決定を行うことができます。
図 2. マシンの優先順位推奨のための AI システム図
センサーデータ処理アーキテクチャ
このリアルタイムアーキテクチャは、6つの重要な段階を通じて機械のセンサーデータを処理します。
データ収集: 優先度制御されたフライス盤と DAQ（データ収集装置）を用いて、製品タイプ・温度・速度・トルク・工具摩耗といった重要な測定値を取得します。
ストリーム処理: 未加工のセンサーデータをリアルタイムで変換すること。
データ ストレージ: シングル ビュー機能を備えた MongoDB Atlas の一元化されたストレージ。
変更検出: 重要なデータ変更をモニタリングします。
機械学習推論： 訓練済みモデルを実行して、潜在的な障害を予測します。
デュアル出力：Atlas Charts を使用した可視化と Change Streams を使用したモバイル通知。
図 3. MongoDB Atlasを使用したリアルタイム センサー モニタリング
作業指示書生成アーキテクチャ
このアーキテクチャは、以下の方法で保守作業指示書の作成を自動化します。
ドキュメント処理: 機械のマニュアルと古い作業指示書は、AWS/Cohere の埋め込みモデルを使用してチャンク化され、ベクトルに変換されます。
ベクトル ストレージ: MongoDB Atlas に保存されている埋め込み。
作業指示書の生成: 専用アプリが次の機能を提供します。
LLM を使用して、適切な作業指示書テンプレートを生成します。
集計を通じて在庫とリソース情報を取得します。
機械のドキュメントに基づいて詳細な修理計画を作成いたします。
図 4. AI を活用した作業指示書生成システムの図
メンテナンスガイダンスアーキテクチャ
このアーキテクチャは、RAG アプローチを通じて演算子の指示を強化します。
サービス ノート プロセシング: 多言語の PDF サービス ノートをテキストに変換します。
翻訳：英語以外のコンテンツ（この場合はスペイン語）を翻訳モデルを通じて処理します。
指示の生成：LLM を使用して、翻訳されたサービスノートと元の修理計画を組み合わせます。
配信: モバイル アプリを通じて技術者に最新のメンテナンス指示を提供します。
図5。RAG ワークフローで技術者の修理手順が強化
各アーキテクチャは MongoDB Atlas の主要機能を統合し、AI 機能には Amazon Bedrock や Cohere などの外部サービスを使用します。
ソリューションを構築する
MongoDB Atlas 環境を設定する
機械故障用のクラスターとデータベースとコレクション、センサーデータ（未加工および変換済み）、機械学習モデル、メンテナンス履歴、修理文書を設定します。
修理マニュアルとメンテナンス履歴用の MongoDB Atlas 検索インデックスおよびベクトル検索インデックスを設定します。
{ "fields": [ { "numDimensions": 1024, "path": "embeddings", "similarity": "euclidean", "type": "vector" } ] } リアルタイムのデータ変換のために Stream Processing を構成します。
監視および可視化のための Atlas Charts ダッシュボードを作成します。
AI サービスとの連携を構成
実装用に1つの LLM プロバイダーを選択します。
Amazon Bedrock: 埋め込みと補完のための Cohere モデルへのアクセスを構成します（使用可能なモデルの例: 埋め込み用 cohere.embed-english-v3、補完用 cohere.command-r-10）。
API への直接アクセス：埋め込みと補完のために、お好みのサードパーティ API プロバイダーとの統合を設定します。
多言語サポートのために Google Cloud Translation API を設定します。
アプリケーションのセットアップ
MongoDB接続文字列、データベース設定、必要なAPI認証情報を含む環境変数を設定してください。
継続的なシステムモニタリングのために推論スクリプトを配置します。
アラートアプリケーションをインストールして設定します。
メイン デモ アプリケーションを起動します。
システムのテストと検証を実行し、適切なデータフローと機能を確保します。
コードサンプル、構成ファイル、チュートリアルビデオを含む完全な実装の詳細については、GitHub リポジトリをご覧ください。このリポジトリは、MongoDB Atlas の包括的な機能セットを使用して予知保全を実装するための本番対応テンプレートを提供します。
キーポイント
MongoDB Atlas は、構造化センサーデータと非構造化メンテナンスドキュメントを統合し、単一ビューのアーキテクチャを通じてリアルタイムモニタリングと AI 駆動の分析を可能にする、予知保全のための統合プラットフォームを提供します。
このソリューションは、リアルタイムデータ用の Atlas Stream Processing、セマンティック分析用の Vector Search、モバイル アラート用の Change Streams などの複数の MongoDB 機能を統合する 4 ステージのアプローチ（優先順位付け、予測、プラン生成、ガイダンス提供）を活用します。
このアプローチにより、組織は運用の大幅な改善を実現: ダウンタイムを 15～20% 削減、労働生産性を 5～20% 向上、メンテナンスコストを 30～60% 削減。
この実装は、複数の AI 技術（RAG、LLM、機械学習モデル）と MongoDB の開発者データ プラットフォームの機能を組み合わせて、機械の優先順位付けからモバイル修理ガイダンスの提供までの自動化されたメンテナンス ワークフローを作成します。
使用した技術と製品
MongoDB 開発者データ プラットフォーム
提携技術
作成者
Dr. Humza Akhtar, MongoDB
Rami Pinto、MongoDB
Sebastian Rojas Arbulu, MongoDB