스마트 제조를 위한 IoT Data Hub 구축

솔루션 개요

최신 공장은 복잡한 제조 프로세스를 관리 위해 각각 데이터를 생성하고 서로 조정하는 여러 대의 기계와 위젯에 의존합니다. 제조업체는 오류를 해결하고 운영 효율성 높이려면 이러한 시스템이 어떻게 작동하는지 이해해야 합니다.

제조업체가 더 스마트한 애플리케이션을 빌드 할 수 있도록 이 솔루션은 MongoDB Atlas 이기종 엣지 기기에서 데이터를 가져와서 애플리케이션을 강화하는 데 사용하여 IoT 환경을 간소화할 수 있는 방법을 보여줍니다.

이 솔루션의 원칙을 다음과 같은 다른 산업으로 확장할 수 있습니다.

• 자동차: 효율적인 공장을 개발하고 복잡한 재고를 관리하여 자동차 생산을 극대화할 수 있습니다.

• 통신: IoT 사용하여 모바일 및 커넥티드 디바이스를 통해 보다 경쟁적인 서비스를 제공할 수 있습니다.

• 의료: 의료 기관과 개인 기기 모두에서 필수 의료 서비스를 제공할 수 있습니다.

참조 아키텍처

MongoDB 없이

많은 제조 환경에는 관계형 데이터베이스 를 통해 자체 독점 소프트웨어를 실행 고유한 시스템이 있습니다. 그러나 데이터 양이 증가하고 데이터 구조가 복잡해짐에 따라 관계형 데이터베이스는 관리 가 더 어려워지고 아키텍처가 더 복잡해집니다. 이로 인해 서로 다른 시스템 간에 데이터를 전송하고 최신 애플리케이션에 연결하기가 어렵습니다.

그림 1. MongoDB가 없는 참조 아키텍처

AI 잠재력 극대화

MongoDB 애플리케이션 요구 사항에 맞게 데이터를 구성할 수 있는 유연한 문서 모델 로 데이터 관리 간소화합니다. 또한 원하는 방식으로 데이터를 조회 할 수 있는 표현식 쿼리 API 제공합니다.

그림 2. MongoDB가 있는 참조 아키텍처

데이터 모델 접근 방식

공장의 센서는 여러 기계의 Time Series 데이터 스트림 다음 데이터 포인트를 캡처할 수 있습니다.

• 제품 유형

• 대기 온도(K)

• 프로세스 온도 (K)

• 회전 속도 (rpm)

• 토크 (Nm)

• 공구 마모(분)

MongoDB 와 유연한 문서 모델 사용하면 단일 time series 컬렉션 사용하여 수신되는 모든 센서 데이터 저장 수 있습니다. 예시 를 들어 다음과 같이 센서 데이터 저장 수 있습니다.

{
   "device_id": 1,
   "sensor_id": 12345,
   "start_date": ISODate("2023-01-31T10:00:00.000Z"),
   "end_date": ISODate("2023-01-31T10:59:59.000Z"),
   "measurements": [
{
   "timestamp": ISODate("2023-01-31T10:00:00.000Z"),
   "temperature": 298.1
   "speed": 1551
   "torque": 42.8
   "failure": “No failure”
},
{
   "timestamp": ISODate("2023-01-31T10:01:00.000Z"),
   "temperature": 302.4
   "speed": 1410
   "torque": 65.7
   "failure": “Power failure”
},
...
{
   "timestamp": ISODate("2023-01-31T10:42:00.000Z"),
   "temperature": 298.8
   "speed": 1455
   "torque": 41.3
   "failure": “Tool wear failure”
}
],
"transaction_count": 4223,
"avg_temperature": 300.7
}

그런 다음 MongoDB 집계 프레임워크 사용하여 Time Series 데이터 쉽게 쿼리 수 있습니다. 예시 들어 센서 날짜를 기준으로 문서를 그룹 하고 평균과 같은 애그리게이션 결과를 반환할 수 있습니다.

솔루션 빌드

그림 3. 솔루션 개요

이 솔루션은 MongoDB Atlas 및 Azure IoT Edge를 사용하여 스마트 제조 허브를 빌드 방법을 보여줍니다. 이 사용 사례 에서는 시뮬레이션된 센서가 CNC 기계에서 Azure IoT Hub로 데이터를 전송합니다. 그런 다음 데이터는 필터링되어 MongoDB Charts 사용하는 분석가와 같은 데이터 소비자가 액세스 하고 사용할 수 있는 MongoDB Atlas 로 전송됩니다.

이 워크플로를 복제하기 위해 솔루션은 센서 데이터 사용하여 기계 장애의 원인을 예측하는 머신 러닝 모델을 교육합니다. 이 단계를 안내하는 Github 리포지토리 의 지침에 따라 이 솔루션을 구현 수 있습니다.

주요 학습 사항

• IoT 애플리케이션 개발: MongoDB Atlas 에서 관련 IoT 데이터를 수집하고 이를 사용하여 머신 러닝 모델을 교육하고 비즈니스 애플리케이션을 실행 .

• IoT 데이터 확장: 문서 기반 데이터베이스 인 MongoDB IoT 애플리케이션에서 생성되는 대량의 데이터를 효율적으로 관리합니다.

• 다양한 데이터 유형 처리: MongoDB의 유연한 문서 모델 다양한 데이터 구조를 처리하므로 여러 IoT 기기 및 ML 모델의 데이터를 단일 데이터베이스 에 저장 수 있습니다.

작성자

• Diana Annie Jenosh, MongoDB

• Utsav Talwar, MongoDB

• Dr. Humza Akhtar, MongoDB

자세히 알아보기

• IoT 데이터를 활용한 앱 기반 인텔리전스

• Atlas Vector Search를 사용한 자동차 진단

• 실시간 오디오 기반 AI 진단