MongoDB Atlas를 통한 예측적 유지 관리 우수성

시스템 우선 순위 지정 및 중요도 분석

그림 2. 기계 우선순위 추천을 위한 AI 시스템 다이어그램

이 단계에서는 RAG를 사용하여 예측 유지 관리가 필요한 기계를 결정합니다. 시스템은 두 가지 유형의 입력 데이터를 처리합니다.

• 생산 매개변수 및 기계 고장 빈도와 같은구조화된 데이터입니다.

• PDF 문서에저장된 기관 지식과 같은 구조화되지 않은 데이터입니다.

워크플로는 두 데이터 유형을 MongoDB Atlas 에서 벡터 임베딩으로 애그리게이션하고 운영한 다음 Vector Search를 사용하여 데이터베이스 의미론적으로 검색 . 검색 결과는 Amazon 베드락 또는 코히어를 통해 LLM에 관련 컨텍스트를 제공하고, 이 LLM은 우선순위 지정 쿼리에 대한 응답을 생성합니다. 이를 통해 유지 관리 팀이 먼저 주의가 필요한 기계를 데이터 기반으로 결정하는 데 도움이 됩니다.

실패 예측

그림 3. MongoDB Atlas를 통한 실시간 센서 모니터링

이 단계에서는 장애 예측을 위해 실시간 기계 센서 데이터 6가지 주요 단계를 통해 처리합니다.

1. 데이터 컬렉션: 우선 순위가 지정된 기계는 제품 유형, 온도, 속도, 공구 마모 등의 지표 캡처합니다.

2. 스트림 처리: 시스템이 원시 센서 데이터 변환합니다.

3. 데이터 저장: 데이터는 MongoDB Atlas 에 저장됩니다.

4. 변경 감지: 변경 스트림은 데이터에서 중요한 변경 사항을 모니터 .

5. ML 추론: 훈련된 모델은 잠재적인 장애를 예측합니다.

6. 이중 출력: Atlas Charts 데이터를 시각화하고 Change Streams는 모바일 알림 활성화 .

유지 관리 계획 생성

그림 4. AI 기반 작업 지시서 생성 시스템 다이어그램

이 단계에서는 다음 아키텍처를 통해 유지 관리 작업 주문 생성을 자동화합니다.

1. 문서 처리: 이 솔루션은 기계 매뉴얼과 오래된 작업 주문을 청크로 분할하고 코히어 임베딩 모델을 사용하여 벡터로 변환합니다.

2. 벡터 저장: 이 솔루션은 MongoDB Atlas 에 임베딩을 저장합니다.

3. 작업 주문 생성: 특수 앱 LLM을 사용하여 작업 주문 템플릿을 생성하고, 집계 파이프라인 통해 인벤토리 및 리소스 정보를 가져오고, 자세한 수리 계획을 생성합니다.

유지 관리 지침 생성

그림 5. 기술자 수리 지침을 개선하는 RAG 워크플로

이 단계에서는 RAG를 사용하여 다음 아키텍처로 연산자 지침을 개선합니다.

1. 서비스 노트 처리: 다국어 PDF 서비스 노트를 텍스트로 변환합니다.

2. 번역: 번역 모델을 통해 영어가 아닌 콘텐츠를 처리합니다.

3. 지침 생성: LLM을 사용하여 번역된 서비스 노트를 원래 수리 계획과 결합합니다.

4. 전달: 모바일 앱을 통해 기술자에게 업데이트된 유지 관리 지침을 제공합니다.