MongoDB Atlas Vector Search와 AWS Bedrock을 활용하여 고급 근본 원인 진단을 수행하고, 다양한 데이터 유형을 통합해 실시간 분석과 선제적 유지관리를 진행합니다.
사용 사례: Gen AI
산업: 제조 및 모빌리티, 항공우주 및 방위
제품: MongoDB Atlas, Atlas Vector Search
파트너: Amazon Bedrock
솔루션 개요
제조업은 재고 관리부터 서로 연결된 장비와 제품에 이르기까지 복잡한 가치 사슬을 기반으로 운영됩니다. 근본 원인 진단을 통해 이러한 가치 사슬의 문제를 해결하고, 프로세스를 개선하며, 전반적 효율성과 품질을 향상할 수 있습니다. 증상 관리에 초점을 맞추는 예측적 유지 관리와 달리, 근본 원인 진단은 문제의 기본 원인을 파악하여 영구적인 해결을 통해 재발을 방지합니다.
근본 원인 진단은 다양한 이점을 제공합니다.
반복되는 문제 제거: 진정한 근본 원인을 해결함으로써 임시 해결책을 피하고 동일한 문제가 재발하지 않도록 방지하여 시간, 비용 및 리소스를 절약합니다.
프로세스 효율성 향상: 병목 현상과 비효율성의 근본 원인을 파악함으로써 생산량을 확대하고 생산 비용을 절감할 수 있습니다.
안전 및 환경 관행 촉진: 사전 예방적 개입과 위험 완화는 더 안전하고 환경 친화적인 작업을 촉진합니다.
지속적인 개선 추진: 근본 원인 진단의 체계적인 접근 방식은 지속적인 프로세스 개선과 혁신을 촉진합니다.
그러나 제조업에서 근본 원인 진단을 구현하는 것은 쉽지 않은 일입니다. 수많은 센서와 기계의 데이터는 양이 방대하고 복잡하며 노이즈가 많고, 다양한 데이터 유형을 통합해야 하므로 작업의 난이도가 매우 높습니다. 전통적인 방법은 인간의 전문성과 지식, 경험에 크게 의존하고 있습니다.
당사 솔루션은 사운드 입력을 활용한 고급 근본 원인 진단에 AI 및 MongoDB Atlas Vector Search를 적용하고, 이상 탐지 결과에 대한 실시간 보고서 생성을 위해 AWS Bedrock을 통합하여 실시간 모니터링 및 유지 관리를 강화합니다.
참조 아키텍처
AI 잠재력 극대화
데모 아키텍처는 여러 핵심 구성 요소의 상호 작용을 통해 데이터를 캡처하고, 저장하고, 분석하며, 보고합니다.
엔진과 라즈베리 파이
엔진 제어: Raspberry Pi가 엔진에 연결되어 릴레이를 통해 제어합니다.
원격 분석 센서: Raspberry Pi에는 온도 및 습도와 같은 원격 분석 데이터를 측정하는 센서가 장착되어 있습니다.
자동차 디지털 트윈 및 모바일 앱
가상 및 물리적 통합: JavaScript로 구현된 자동차 디지털 트윈과 iPhone 앱이 설정에 연결됩니다. 앱에서 명령어가 MongoDB로 전송되면, MongoDB는 이를 Raspberry Pi로 스트리밍하여 릴레이를 트리거하여 물리적 엔진과 디지털 트윈을 시작합니다.
오디오 진단
오디오 녹음: 엔진 소리를 매초 기록합니다.
벡터 변환: 오디오 클립은 임베더를 통해 벡터로 변환되어 MongoDB에 저장됩니다.
벡터 검색: 시스템은 Atlas Vector Search를 사용하여 엔진의 상태(꺼짐, 정상 작동, 금속 또는 부드러운 충격 감지)를 예측합니다. 이 정보가 앱에 표시되어 실시간 진단 정보를 제공합니다.
AWS Bedrock 통합
자동 보고: 이상 현상이 감지되면(예: 비정상적 소리), Atlas가 텔레메트리 데이터와 사운드 분석 결과를 AWS Bedrock으로 전송하는 기능을 트리거합니다.
보고서 생성: AWS Bedrock은 조사 결과를 바탕으로 상세한 보고서를 생성하고, 이 보고서는 검토를 위해 대시보드로 다시 전송됩니다.
이 아키텍처는 엣지 디바이스가 실시간 제어 및 모니터링을 위한 데이터를 생성하는 피드백 루프를 형성하며, 이제 벡터를 통한 오디오 진단 기능이 추가되었습니다. 이 통합은 Atlas Vector Search를 활용하여 근본 원인 진단의 강력함을 보여주며, 제조 운영의 효율성, 신뢰성 및 혁신을 크게 향상시킵니다.
그림 1. 데모 아키텍처
솔루션 구축
하드웨어를 준비하세요
이 데모를 복제하려면 다음이 필요합니다.
머신의 실제 사용 사례를 시뮬레이션하기 위한 엔진—당사는 4기통 Teching DM13 엔진 복제본을 사용하고 있지만, 실제 머신을 포함하여 작동 중 소음이 발생하는 모든 하드웨어에서 이 데모를 실행할 수 있습니다.
클라우드와 통신하는 소프트웨어를 호스팅하는 브리지 역할을 할 라즈베리 파이 5입니다.
당사 하드웨어의 상세 정보와 설정 방법은 GitHub 페이지에서 확인하실 수 있습니다.
MongoDB Atlas 설정하기
엔드투엔드로 작동하는 데모를 생성하려면 백엔드를 설정해야 합니다.
첫 번째 단계는 MongoDB 클러스터를 생성하는 것입니다. Atlas 계정이 없다면 다음 단계에 따라 계정을 생성하세요. 계정 생성이 완료되었다면 데이터 서비스 탭의 사이드바에서 '데이터베이스'를 선택한 다음 '+ 생성'을 클릭하여 원하는 리전에 새로운 MongoDB 클러스터를 생성합니다.
클러스터가 준비되면 애플리케이션 데이터베이스를 복제해야 합니다. 이 데이터베이스에는 앱 사용을 시작하는 데 필요한 샘플 차량 및 센서 데이터가 포함되어 있습니다. 이 데이터를 로드하려면 GitHub 리포지토리에 덤프 파일이 있으며, 이를 mongorestore 명령어와 함께 사용하여 데이터를 클러스터로 가져올 수 있습니다.
사운드 입력을 통해 이상 감지
Complete instructions can be found on this GitHub page, including how to set up the analytics dashboard, link it to the correct data source, and create a vector search index.
AI로 강화된 분석을 위해 AWS Bedrock을 통합하세요
당사는 AWS Bedrock과의 통합을 위해 간단한 접근 방식을 따랐습니다. 이는 센서로부터의 실시간 데이터를 더 많이 구현하고 검색 증강 생성(RAG) 아키텍처를 구현하는 더 복잡한 접근 방식의 기준이 될 수 있습니다.
To learn how to integrate AWS Bedrock with Atlas Triggers, see our GitHub page.
웹 포털 UI 실행
Next.js로 빌드된 웹 포털에는 차량의 디지털 트윈, 오디오 스트리밍 및 교육을 위한 음향 진단 인터페이스, 분석 대시보드가 포함되어 있습니다. 이를 설정하려면 MongoDB 클러스터 연결 문자열과 Atlas Charts 대시보드의 URL을 통해 환경 변수를 업데이트하세요. 업데이트가 완료되면 Next.js 애플리케이션을 실행합니다. 구체적인 명령과 추가적인 설정 세부 사항은 GitHub 리포지토리를 참조하세요.
주요 학습 사항
진단 기능 강화: Atlas Vector Search와 오디오 진단을 통합하여 엔진 상태와 이상 현상을 정확하게 파악하고, 근본 원인에 대한 심층적 인사이트를 제공합니다.
실시간 모니터링: MongoDB와 Atlas Vector Search를 사용하면 실시간 데이터 처리와 이상 현상에 즉각적으로 대응할 수 있으며, 이는 사전 예방적 유지보수에 필수적입니다.
데이터 통합: MongoDB의 document model은 다양한 데이터 유형을 효율적으로 처리하여 구조화된 텔레메트리 데이터와 비구조화된 오디오 데이터의 통합을 간소화합니다.
확장성: 이 아키텍처는 제조 환경에서 생성되는 방대한 양의 IoT 신호를 처리할 수 있도록 확장 가능한 데이터 관리를 지원합니다.
자동화: AWS Bedrock은 탐지된 이상 현상에 기반하여 상세한 보고서를 자동으로 생성하고, 보고 프로세스를 간소화합니다.
사용된 기술 및 제품
MongoDB 개발자 데이터 플랫폼
파트너 기술
Audio embedding with panns-inference
작성자
Humza Akthar, MongoDB
Rami Pinto, MongoDB
Ainhoa Mugica, MongoDB