MongoDB Atlas による予知保全の高度化

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、MongoDB Atlas Charts、MongoDB Atlas Stream Processing、MongoDB Atlas Vector Search

パートナー: Cohere、LangChain

ソリューション概要

予測メンテナンスソリューションを使用すると、ダウンタイムを 15-20% で削減し、5-20% の作業効率を向上させ、メンテナンスコストを 30-60 に削減するなど、組織は大きな運用結果を実現できます。（Deloitte による）。

このソリューションでは、MongoDB Atlasを使用して、エンドツーエンドの予測メンテナンスシステムをビルドして、デバイスの障害を防ぎ、メンテナンス操作を最適化します。このソリューションには 4 つのステージがあります。

マシンの優先順位付けとクリティカル分析: 機械学習と RAG-ベースの分析を使用して、予測メンテナンスに優先するマシンを決定します。
障害予測: Atlas Stream Processing を使用してリアルタイムのセンサーデータを処理し、潜在的な障害を発生前に検出します。
メンテナンスプランの生成: メンテナンスマニュアル、在庫データ、リソース情報について学習した LVM を使用して、障害発生状況の詳細な作業順序を自動的に生成します。
メンテナンスガイダンス生成: 強化されたメンテナンスガイダンスを生成し、Change Streamsを使用して技術担当者のモバイルデバイスに指示を直接送信します。

図 1. 予知保全ワークフローの 4 つの段階

参照アーキテクチャ

このセクションは、このソリューションの各ステージのアーキテクチャのガイドです。

マシンの優先順位付けと重要度分析

図 2. マシンの優先順位推奨のための AI システム図

このステージでは、RAG を使用して、予測メンテナンスが必要なマシンを判断します。システムは 2 種類の入力データを処理します。

本番環境パラメータやマシンの障害頻度などの構造化データ。
PDF ドキュメントに保存されている組織知識などの非構造化データ。

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計して運用し、ベクトル検索を使用してデータベースをセマンティック検索する。検索の結果は、Amazon Bedrock または Cohere を介して、優先順位クエリへの応答を生成する LLM に関連するコンテキストを提供します。これにより、メンテナンスチームは、最初に注意が必要なマシンについてデータに基づいた決定を行うことができます。

障害予測

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

このステージでは、6 つのキーステージを通じて障害予測のためのリアルタイムマシンセンサーデータを処理します。

データコレクション: 優先順位付きマシンは、製品の種類、温度、速度、ツール使用量などのメトリクスを取得します。
Stream processing: システムは未加工のセンサーデータを変換します。
データストレージ: データはMongoDB Atlasに保存されます。
変更検出: 変更ストリームは、重要な変更を検出するためにデータをモニターします。
機械学習推論: 訓練されたモデルは潜在的な障害を予測します。
二重出力: Atlas Charts はデータを視覚化し、変更ストリームはモバイル通知を有効にします。

保守計画の生成

図 4. AI を活用した作業指示書生成システムの図

このステージでは、次のアーキテクチャを通じてメンテナンスワーク順序の作成が自動化されます。

ドキュメントプロセシング: このソリューションは、マシンマニュアルと古い作業注文をチャンクに分裂し、Cohere 埋め込みモデルを使用してベクトルに変換します。
ベクトルストレージ: ソリューションはMongoDB Atlasに埋め込みを保存します。
作業注文の生成: 専用アプリは、LDM を使用して作業注文のテンプレートを生成し、集計パイプラインを通じて在庫とリソース情報を取得し、詳細な修復プランを作成します。

メンテナンスに関するガイダンスの生成

図5。RAG ワークフローで技術者の修理手順が強化

このステージでは、RAG を使用して、次のアーキテクチャで演算子指示を強化します。

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。
変換: 翻訳モデルを通じて英語以外のコンテンツを処理します。
手順生成: LVM を使用して、変換されたサービスノートを元の修復プランと組み合わせます。
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。

ソリューションのビルド

サンプル、構成ファイル、チュートリアルビデオなど、完全な実装の詳細については、このソリューションのGitHubリポジトリをご覧ください。

このリポジトリは、予測メンテナンスを実装するための本番環境に対応したテンプレートを提供します。リポジトリの README の指示に従って、次の手順をガイドします。

MongoDB Atlas の環境を設定する

このソリューションのアーキテクチャ内のステージに対してクラスター、データベース、およびコレクションを構成します。

repair_manuals コレクションと maintenance_history コレクションに対してMongoDB Atlas 検索とベクトル検索検索インデックスを設定します。検索インデックスを設定するときは、次のドキュメントを使用します。

{
   "fields": [
       {
           "numDimensions": 1024,
           "path": "embeddings",
           "similarity": "euclidean",
           "type": "vector"
       }
   ]
}

Atlas Stream Processing の構成。
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サービス統合を構成する

LLM実装には次のいずれかのサービスを選択します。

Amazon Advisor: 埋め込みと完了用に、cohere.embed-english-v3 や cohere.command-r-10 などの Cohere モデルへのアクセスを構成します。
直接APIアクセス: 埋め込みと完了用に任意のサードパーティプロバイダーを統合します。

さらに、多言語をサポートするために Google Cloud Platform APIを設定します。

アプリケーションを設定する

MongoDB接続文字列、データベース設定、必要なAPI認証情報などの環境変数を構成します。
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構成します。
メインの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。

キーポイント

MongoDB の柔軟性により、予測によるメンテナンスが可能になります。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組み合わせて、1 つのアーキテクチャでリアルタイムモニタリングとAIによる分析の両方を提供します。
MongoDB の機能は、エンドツーエンドの予測システムを強化します: 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ベクトル検索、モバイルアラート用の Change Streams などの複数のMongoDB機能を統合しています。
AIによりオートメーションが可能になります。このソリューションは、複数のAIテクノロジーと 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、マシンの優先順位付けからモバイル修復ガイダンスの提供まで、自動メンテナンスワークフローを作成します。

作成者

Dr. Humza Akhtar, MongoDB
Rami Pinto、MongoDB
Sebastian Rojas Arbulu, MongoDB

詳細

戻る

マルチエージェント予測メンテナンス

ドライバーエクスペリエンスの変換