Crie um Hub de Dados IoT para Manufatura Inteligente

Visão Geral da Solução

As fábricas modernas dependem de várias máquinas e widgets que produzem dados e se coordenam entre si para gerenciar processos complexos de produção. Os fabricantes devem entender como esses sistemas operam para solucionar erros e impulsionar a eficiência operacional.

Para ajudar os fabricantes a criar aplicativos mais inteligentes, esta solução mostra como o MongoDB Atlas pode simplificar um cenário de IoT pegando dados de dispositivos de borda Dispares e usando-os para alimentar aplicativos.

Você pode estender os princípios desta solução para outros setores, como:

• Automotivo: você pode desenvolver fábricas eficientes e gerenciar estoques complexos para maximizar a produção de automóveis.

• Telecomunicações: você pode usar a IoT para oferecer serviços mais concorridos por meio de dispositivos móveis e conectados.

• Saúde: você pode fornecer serviços de saúde essenciais tanto em organizações médicas quanto em dispositivos pessoais.

Arquiteturas de referência

Sem MongoDB

Muitos ambientes de produção têm sistemas únicos que executam seu próprio software proprietário com um banco de dados relacional. No entanto, à medida que o volume de dados cresce e as estruturas de dados se tornam mais sofisticadas, os bancos de dados relacionais se tornam mais difíceis de gerenciar e sua arquitetura se torna mais complicada. Isso dificulta a transferência de dados entre diferentes sistemas e a conexão a aplicativos mais recentes.

Figura 1. Arquitetura de referência sem MongoDB

Com o MongoDB

O MongoDB simplifica o gerenciamento de dados com seu modelo de documento flexível, permitindo que você organize dados para atender aos requisitos do seu aplicação . Ele também oferece uma API de query expressiva para recuperar os dados da maneira que você desejar.

Figura 2. Arquitetura de referência com MongoDB

Abordagem do modelo de dados

Os sensores em uma fábrica podem transmitir dados de série temporal para várias máquinas, capturando os seguintes pontos de dados:

• Tipo de Produto

• Temperatura do Ar (K)

• Temperatura do Processo (K)

• Velocidade de Rotação (rpm)

• Torque (Nm)

• Desgaste da ferramenta (min)

Com o MongoDB e seu modelo de documento flexível, você pode usar uma única coleção de séries temporais para armazenar todos os dados recebidos do sensor. Por exemplo, você pode armazenar dados do sensor da seguinte maneira:

{
   "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
}

Em seguida, você pode usar a estrutura de agregação do MongoDB para consultar facilmente dados de série temporal. Por exemplo, é possível agrupar documentos pela data do sensor e retornar resultados agregados, como a média.

Construir a solução

Figura 3. Visão geral da solução

Esta solução mostra como construir um centros de produção inteligentes utilizando MongoDB Atlas e Azure IoT Edge. Neste caso de uso, os sensores simulados enviam dados de máquinas CPU para o Azure IoT Hub. Em seguida, os dados são filtrados e enviados para o MongoDB Atlas, onde os consumidores de dados, como analistas que usam o MongoDB Charts, podem acessá-los e usá-los.

Para replicar esse fluxo de trabalho, a solução usa dados de sensores para treinar um modelo de aprendizado de máquina que prever a causa de uma falha na máquina. Você pode implementar essa solução seguindo as instruções no repositório GitHub, que o orienta nessas etapas.

Principais Aprendizados

• Desenvolva aplicativos IoT: Colete dados relevantes de IoT no MongoDB Atlas e use-os para treinar modelos de machine learning e executar aplicativos comerciais.

• Dimensionar dados de IoT: como banco de dados baseado em documentos, o MongoDB gerencia com eficiência os grandes volumes de dados gerados por aplicativos de IoT.

• Lidar com diversos tipos de dados: o modelo de documento flexível do MongoDB lida com diferentes estruturas de dados, permitindo armazenar dados de vários dispositivos IoT e modelos de ML em um único banco de dados.

Autor(a)

• Diana Annie Jenosh, MongoDB

• Utsav Talwar, MongoDB

• Dr. Humza Akhtar, MongoDB

Saiba mais

• Inteligência orientada por aplicativos com dados IoT

• Diagnóstico automotivo usando o Atlas Vector Search

• Diagnóstico de AI em tempo real com base em áudio