Utilize o MongoDB Atlas Vector Search e o AWS Bedrock para realizar diagnósticos avançados de causa raiz, integrando diversos tipos de dados, com análise em tempo real e manutenção proativa.
Casos de uso: Gen AI
Setores: Manufatura e Mobilidade, Aeroespacial e Defesa
Produtos: MongoDB Atlas, Atlas Vector Search
Parceiros: Amazon Bedrock
Visão Geral da Solução
A indústria de manufatura é sustentada por uma cadeia de valor complexa que se estende desde o gerenciamento de estoque até os equipamentos e produtos conectados. A chave para resolver problemas, melhorar processos e aumentar a eficiência e a qualidade geral dessa cadeia de valor é o diagnóstico da causa raiz. Ao contrário da manutenção preditiva, que se concentra no gerenciamento de sintomas, o diagnóstico de causa raiz se aprofunda para identificar as fontes subjacentes dos problemas, garantindo que sejam corrigidos permanentemente e não voltem a ocorrer.
O diagnóstico de causa raiz oferece diversos benefícios:
Elimina problemas recorrentes: ao abordar a verdadeira causa raiz, evitamos correções temporárias e impedimos que o mesmo problema se repita, economizando tempo, dinheiro e recursos.
Melhora a eficiência do processo: identificar gargalos e ineficiências na sua origem resulta em maior produção e redução dos custos de produção.
Promove práticas de segurança e ambientais: intervenções proativas e mitigação de riscos promovem operações mais seguras e ambientalmente amigáveis.
Impulsiona a melhoria contínua: a abordagem sistemática de diagnóstico da causa raiz incentiva a melhoria contínua dos processos e a inovação.
No entanto, implementar os diagnósticos de causa raiz na gestão de sistemas de banco de dados pode ser desafiador. O grande volume de dados complexos e dados ruidosos que vêm de sensores e máquinas, juntamente com a necessidade de integrar diversos tipos de dados, fazem desta tarefa algo árduo. Os métodos tradicionais dependem muito da especialização, da experiência e do conhecimento dos humanos.
Nossa solução explora a aplicação de AI e do MongoDB Atlas Vector Search para diagnósticos avançados de causa raiz usando entradas de áudio e a integração do AWS Bedrock para geração de relatórios em tempo real acerca de anomalias detectadas, aprimorando o monitoramento e a manutenção em tempo real.
Arquiteturas de referência
Com o MongoDB
A arquitetura de demonstração é composta por vários componentes-chave que trabalham juntos para capturar, armazenar, analisar e relatar dados.
Mecanismo e Raspberry Pi
Controle do mecanismo: um Raspberry Pi está conectado ao mecanismo e controla esse mecanismo por meio de um relé.
Sensores de telemetria: o Raspberry Pi é equipado com sensores que medem dados de telemetria, como temperatura e umidade.
Gêmeo digital do carro e aplicativo móvel
Integração virtual e física: um gêmeo digital de carro em JavaScript e um aplicativo para iPhone estão conectados à configuração. Os comandos dos apps são enviados para o MongoDB, que os transmite para o Raspberry Pi, acionando o relé para iniciar tanto o mecanismo físico quanto o gêmeo digital.
Diagnóstico de áudio
Gravação de áudio: a cada segundo, o áudio do mecanismo é gravado.
Conversão vetorial: os clipes de áudio são convertidos em vetores por meio de um incorporador e armazenados no MongoDB.
Pesquisa vetorial: utilizando o Atlas Vector Search, o sistema prevê o status do motor (desligado, funcionando normalmente, detectando um impacto metálico ou suave). Estas informações são exibidas nos aplicativos, o que fornece diagnósticos em tempo real.
Integração do AWS Bedrock
Relatórios automatizados: quando uma anomalia é detectada (por exemplo, áudio anormal), o Atlas aciona uma função para enviar dados de telemetria e resultados de análise de som para o AWS Bedrock.
Geração de relatórios: o AWS Bedrock gera um relatório detalhado com base nas descobertas, que é então enviado de volta ao dashboard para revisão.
Essa arquitetura cria um ciclo de feedback em que dispositivos de borda geram dados para controle e monitoramento em tempo real, agora aprimorados com diagnósticos de áudio por meio de vetores. A integração demonstra o poder de utilizar o Atlas Vector Search para diagnósticos de causa raiz, melhorando significativamente a eficiência, a confiabilidade e a inovação nas operações de manufatura.
Figura 1. Demonstração da arquitetura
Construindo a Solução
Prepare seu hardware
Para replicar esta demonstração, você precisará:
Um mecanismo para simular o caso de uso real de uma máquina: estamos usando a réplica do motor Teching DM13 de quatro cilindros, mas você pode executar esta demonstração com qualquer hardware (até mesmo uma máquina real) que possa operar e fazer barulho.
Um Raspberry Pi 5, que serve como ponte para hospedar o software que se comunica com a nuvem.
Para encontrar informações detalhadas sobre nosso hardware e sua configuração, acesse esta página do GitHub.
Implante o MongoDB Atlas
Para que a demonstração funcione de ponta a ponta, você precisará configurar o backend.
A primeira etapa é criar um cluster do MongoDB. Se você não tiver uma conta do Atlas, crie uma conta seguindo estes passos. Depois de concluir, vá até a aba "Serviços de dados". Clique em "Banco de dados" na barra lateral e, em seguida, clique em "+ Criar" para criar um novo cluster do MongoDB na região que escolher.
Depois que seu cluster estiver pronto, você precisará replicar o banco de dados de aplicativo. Esse banco de dados inclui dados de amostra do veículo e do sensor, que são necessários para começar a usar o aplicativo. Para carregar esses dados, há um arquivo de despejo disponível no repositório do GitHub, que você pode usar com o comando mongorestore para importar os dados para o seu cluster.
Detecção de anomalias através de entrada sonora
As instruções detalhadas estão na página do GitHub, incluindo como configurar o painel de análise, como vincular o painel de análise à fonte de dados correta e como criar um índice de pesquisa vetorial.
Integre o AWS Bedrock para fazer análises avançadas com AI
Seguimos uma abordagem simples para a integração com o AWS Bedrock, que pode servir como base para abordagens mais complexas que implementem mais dados em tempo real de sensores e implementem uma arquitetura de geração aumentada de recuperação (RAG).
Para saber como integrar o AWSBedRock com o Atlas Triggers, consulte nossa página do GitHub.
Executar a IU do portal da web
O portal da web, que é criado com Next.js, inclui o gêmeo digital do veículo, uma interface de diagnóstico acústico para streaming de áudio e treinamento, e o painel de análise. Para configurá-lo, atualize as variáveis de ambiente com a string de conexão do seu cluster do MongoDB e com a URL do seu painel do Atlas Charts. Depois de atualizado, basta executar o aplicativo Next.js. Consulte o repositório GitHub para ver comandos específicos e detalhes adicionais de configuração.
Bônus! Controle seu veículo usando um dispositivo móvel
Para obter uma experiência mais realista de ter um veículo conectado, é possível controlar a réplica do motor e o gêmeo digital através de um aplicativo móvel. Abra o projeto Swift no Xcode, atualize as variáveis de ambiente e execute o aplicativo em um emulador ou no seu próprio iPhone ou iPad.
Principais Aprendizados
Diagnóstico aprimorado: a integração do Atlas Vector Search com os diagnósticos de áudio permite a identificação precisa dos estados e anomalias do mecanismo, proporcionando informações mais detalhadas sobre as causas raiz.
Monitoramento em tempo real: o uso do MongoDB e do Atlas Vector Search permite o processamento de dados em tempo real e a resposta imediata a anomalias, cruciais para a manutenção proativa.
Integração de dados: o MongoDB document model lida de forma eficiente com diversos tipos de dados, simplificando a integração de dados de telemetria estruturados e dados de áudio não estruturados.
Escalabilidade: a arquitetura suporta o gerenciamento dimensionável de dados, o que acomoda o grande volume de sinais de IoT gerados em um ambiente de manufatura.
Automação: o AWS Bedrock automatiza a geração de relatórios detalhados com base nas anomalias detectadas, simplificando esse processo.
Tecnologias e produtos utilizados
Plataforma de dados para desenvolvedores MongoDB
Tecnologias de parceiros
Incorporação de áudio com Panns-inference
Autores
Humza Akthar, MongoDB
Rami Pinto, MongoDB
Ainhoa Mugica, MongoDB