고급 루트 원인 진단을 위해 MongoDB Atlas Vector Search와 AWS Bedrock을 사용하여 다양한 데이터 유형을 통합하여 실시간 분석과 사전 예방적 유지 관리를 수행할 수 있습니다.
사용 사례: Gen AI
산업: 제조 및 모빌리티, 항공우주 및 방위
제품: MongoDB Atlas, MongoDB Atlas Vector Search, MongoDB Change Streams, MongoDB Atlas 데이터베이스, MongoDB Atlas Triggers, MongoDB Atlas Charts
파트너: Amazon Bedrock, NextJS, Panns-inference
솔루션 개요
복잡한 가치 사슬은 재고 관리 에서 연결된 장비 및 제품에 이르기까지 제조 산업을 지원합니다. 근본 원인 진단은 문제를 해결하고, 프로세스를 개선하며, 이 가치 사슬의 전반적인 효율성 과 품질을 향상하는 데 도움이 됩니다. 근본 원인 진단은 문제의 기본 원인을 식별하여 문제가 영구적으로 해결되고 재발하지 않도록 합니다.
근본 원인 진단은 다음과 같은 이점을 제공합니다.
반복되는 문제 제거: 실제 원인을 해결하고, 일시적인 수정을 제거하며, 문제가 다시 발생하지 않도록 방지하여 시간, 비용, 리소스를 절약할 수 있습니다.
프로세스 효율성 향상: 병목 현상과 비효율성을 원천적으로 식별하여 출력을 높이고 생산 비용을 절감합니다.
안전 및 환경 관행 촉진: 사전 개입 및 위험 예방을 통해 작업을 보다 안전하고 환경 친화적으로 만듭니다.
지속적인 개선 촉진: 근본 원인 진단의 체계적 접근 방식은 프로세스를 개선하고 혁신을 촉진합니다.
이러한 장점에도 불구하고 센서와 기계의 대량 데이터와 다양한 데이터 유형으로 인해 근본 원인 진단을 구현하기가 어려울 수 있습니다. 기존의 방법은 사람의 전문성, 지식 및 경험에 크게 의존합니다.
이 솔루션은 고급 근본 원인 진단을 위해 AI 와 MongoDB Atlas Vector Search 의 애플리케이션을 살펴봅니다. 사운드 입력과 AWS 기반을 사용하여 감지된 이상 항목에 대한 실시간 보고서를 생성합니다. 이 구현 실시간 모니터링 및 유지 관리를 향상시킵니다.
참조 아키텍처
이 데모 아키텍처는 다음 구성 요소를 사용하여 데이터를 캡처, 저장, 분석 및 보고합니다.
엔진과 라즈베리 파이
엔진 제어: 엔진이 Raspberry Pi에 연결됩니다.
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: JavaScript 의 자동차 디지털 쌍과 iPhone 앱 설정 에 연결됩니다. 앱은 MongoDB 에 명령을 보낸 다음 이러한 명령을 Raspberry Pi로 스트리밍합니다. 이 조치 릴레이가 물리적 엔진 과 디지털 쌍을 시작하도록 트리거합니다.
오디오 진단
오디오 녹음: 엔진 소리를 매초 기록합니다.
벡터 변환: 임베더는 오디오 클립을 벡터로 변환합니다. 그런 다음 이러한 벡터는 MongoDB 에 저장됩니다.
벡터 검색: 시스템은 Atlas Vector Search 사용하여 엔진이 꺼져 있는지, 정상적으로 실행 있는지, 금속성 또는 부드러운 영향 감지했는지 등 엔진의 상태를 예측합니다. 그런 다음 이 정보를 앱에 표시하여 사용자에게 실시간 진단을 제공합니다.
AWS Bedrock 통합
자동화된 보고: 시스템이 비정상적인 오디오와 같은 이상을 감지하면 Atlas가 원격 분석 데이터 및 사운드 분석 결과를 AWS Bedrock으로 전송하는 기능을 트리거합니다.
보고서 생성: AWS 기반은 자세한 보고서를 생성하여 검토 위해 대시보드로 전송합니다.
이 아키텍처는 엣지 장치가 실시간 제어 및 모니터링 위한 데이터를 생성하는 피드백 루프를 생성하며, 이제 벡터를 통한 오디오 진단으로 개선되었습니다. 이 통합은 제조 작업의 효율성 , 안정성, 혁신을 개선하는 근본 원인 진단에 Atlas Vector Search 활용할 때의 이점을 보여줍니다.
그림 1. 데모 아키텍처
솔루션 빌드
이 솔루션을 구현 하려면 다음 단계를 따르세요.
하드웨어를 준비하세요
이 데모를 복제하려면 다음이 필요합니다.
머신의 실제 사용 사례 시뮬레이션하는 엔진 . 이 튜토리얼에서는 4기통 Teching DM13 엔진 복제본 사용하지만, 실행 되고 소음이 발생할 수 있는 모든 hardware 에서 이 데모를 실행 수 있습니다.
클라우드와 통신하는 소프트웨어를 호스팅하는 다리인 Raspberry Pi 5입니다.
이러한 도구를 설정하는 방법에 대한 자세한 정보를 확인하려면 GitHub 리포지토리를 방문하세요.
또는 이 GitHub 리포지토리의 지침에 따라 물리적 엔진 없이 이 솔루션을 시뮬레이션할 수 있습니다.
MongoDB Atlas 설정하기
MongoDB 클러스터 만듭니다. Atlas 계정이 없는 경우 다음 단계에 따라계정을 생성하세요.
클러스터 준비되면 애플리케이션 데이터베이스 복제합니다. 이 데이터베이스 앱 사용하는 데 필요한 샘플 차량 및 센서 데이터 포함되어 있습니다. GitHub 리포지토리 에서 덤프 파일 다운로드하고 mongorestore 명령을 사용하여 클러스터 에 로드합니다.
사운드 입력을 통한 이상 감지
실시간 음향 진단을 활성화 하려면 이 GitHub 리포지토리 의 지침을 따르세요. 지침에는 분석 대시보드 설정하다 방법, 데이터 소스 에 연결하는 방법, 벡터 검색 인덱스 만드는 방법이 포함되어 있습니다.
AI로 강화된 분석을 위해 AWS Bedrock을 통합하세요
Atlas Triggers, AWS EventBridge 및 AWS Lambda 함수를 사용하여 AWS 기반과 통합합니다. 이 GitHub 리포지토리의 지침을 따릅니다.
웹 포털 UI 실행
웹 포털에는 차량의 디지털 쌍, 오디오 스트리밍 및 교육 위한 음향 진단 인터페이스, 분석 대시보드 등이 포함됩니다. UI 설정하다 하려면 MongoDB cluster 연결 문자열 과 Atlas Charts 대시보드 의 URL 로 환경 변수를 업데이트 . 그런 다음 Next.js 애플리케이션 실행 .
추가 설정 세부 정보는 GitHub 리포지토리 참조하세요.
주요 학습 사항
향상된 진단 기능 획득: Atlas Vector Search 오디오 진단과 통합하여 엔진 상태와 이상 현상을 정확하게 식별 활성화 근본 원인에 대한 심층적인 인사이트를 제공합니다.
실시간 모니터링 활성화 : MongoDB 와 Atlas Vector Search 사용하여 실시간 데이터를 처리 이상 징후에 즉각적으로 대응할 수 있도록 하여 사전 예방적 유지 관리 접근 방식을 활성화 .
다양한 데이터 유형 통합: MongoDB의 문서 모델은 다양한 데이터 유형을 효율적으로 처리하여 구조화된 원격 분석 데이터와 비구조화된 오디오 데이터의 통합을 간소화합니다.
데이터 관리 확장 : MongoDB Atlas 사용하여 제조 환경에서 생성되는 증가하는 IoT 데이터 신호를 처리하다 .
자동화된 보고서 생성: 감지된 이상 항목을 기반으로 자세한 보고서를 자동으로 생성하여 보고 프로세스 간소화합니다.
작성자
Humza Akthar, MongoDB
Rami Pinto, MongoDB
Ainhoa Mugica, MongoDB