Use o MongoDB Atlas Vector Search e o AWS Bedrock para obter diagnósticos avançados de causa raiz, integrando diversos tipos de dados para análise em tempo real e manutenção proativa.
Casos de uso: Gen AI
Setores: Manufatura e Mobilidade, Aeroespacial e Defesa
Produtos: MongoDB Atlas, MongoDB Atlas Vector Search, Change Streams do MongoDB, Banco de dados do MongoDB Atlas, MongoDB Atlas Triggers, Charts
Parceiros: Amazon Camara, NextJS, bandejas-inferência
Visão Geral da Solução
Uma cadeia de valor complexa oferece suporte ao setor de transformação, desde o gerenciamento de estoque até máquinas e produtos conectados. Os diagnósticos de causa raiz ajudam a resolver problemas, melhorar processos e aumentar a eficiência e a qualidade gerais dessa cadeia de valor. Os diagnósticos de causa raiz identificam as fontes subjacentes de problemas e garantem que eles sejam corrigidos permanentemente e não se repitam.
O diagnóstico de causa raiz oferece os seguintes benefícios:
Elimina problemas recorrentes: aborda a verdadeira causa raiz, remove a necessidade de correções temporárias e evita que o problema ocorra novamente, economizando tempo, dinheiro e recursos.
Melhora a eficiência do processo: identifica gargalos e ineficiências na origem, o que leva ao aumento da saída e à redução dos custos de produção.
Promove práticas de segurança e ambientais: torna as operações mais seguras e mais compatíveis com o meio ambiente por meio de intervenção proativa e redução de riscos.
Impulsiona a melhoria contínua: a abordagem sistematizada do diagnóstico de causa raiz melhora os processos e impulsiona a pesquisa.
Apesar de seus benefícios, implementar diagnósticos de causa raiz pode ser um desafio devido às grandes quantidades de dados de sensores e máquinas, bem como à variedade de tipos de dados. Os métodos tradicionais dependem fortemente da experiência, do conhecimento e da experiência humanos.
Esta solução explora a aplicação de IA e do MongoDB Atlas Vector Search para diagnóstico avançado de causa raiz. Ele usa entrada de som e o AWS Bloco para gerar relatórios em tempo real sobre anomalias detectadas. Essa implementação aprimora o monitoramento e a manutenção em tempo real.
Arquiteturas de referência
Essa arquitetura de demonstração usa os seguintes componentes para capturar, armazenar, analisar e reportar dados.
Mecanismo e Raspberry Pi
Controle do mecanismo: o mecanismo se conecta ao Raspberry Pi.
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 do carro no JavaScript e um aplicativo para iPhone se conectam para configurar. Os aplicativos enviam comandos para MongoDB, que transmite esses comandos para o Raspberry Pi. Essa ação aciona o relé para iniciar o mecanismo físico e o duplo digital.
Diagnóstico de áudio
Gravação de áudio: a cada segundo, o áudio do mecanismo é gravado.
Conversão vetorial: um incorporador converte os plug-ins de áudio em vetores. Esses vetores são então armazenados no MongoDB.
Vector Search: com o Atlas Vector Search, o sistema prev Em seguida, ele exibe essas informações nos aplicativos, fornecendo aos usuários diagnósticos em tempo real.
Integração do AWS Bedrock
Relatório automatizado: Quando o sistema detecta uma anomalia, como áudio anormal, Atlas triggers uma função que envia dados de telemetria e resultados da análise de som para o AWS Bedrock.
Geração de relatórios: a AWS gera um relatório detalhado e o envia ao dashboard para revisar.
Essa arquitetura cria um loop de feedback em que os dispositivos de borda geram dados para controle e monitoramento em tempo real, agora aprimorados com diagnóstico de áudio por meio de vetores. A integração mostra as vantagens de utilizar Atlas Vector Search para diagnóstico de causa raiz, o que melhora a eficiência, a confiabilidade e a inovação nas operações de produção.
Figura 1. Demonstração da arquitetura
Construir a solução
Para implementar esta solução, siga estas etapas:
Prepare seu hardware
Para replicar esta demonstração, você precisa:
Um mecanismo para simular o caso de uso real de uma máquina. Este tutorial usa a réplica do mecanismo de quatro cilindros Teching DM13, mas você pode executar esta demonstração com qualquer hardware que possa executar e fazer ruído.
Um Raspberry Pi 5, que é a ponte para hospedar o software que se comunica com a nuvem.
Para encontrar informações detalhadas sobre como configurar essas ferramentas, visite este repositório do GitHub.
Como alternativa, você pode simular essa solução sem o mecanismo físico seguindo as instruções neste repositório do GitHub.
Implante o MongoDB Atlas
Criar um cluster MongoDB . Se você não tiver uma conta Atlas, crie uma conta seguindo estas etapas.
Depois que o cluster estiver pronto, replique o banco de dados de aplicativo. Este banco de dados contém dados de amostra do veículo e dados do sensor necessários para usar o aplicativo. Baixe o arquivo de despejo do repositório do GitHub e use o comando mongorestore para carregá-lo no cluster.
Detecte anomalias por meio da entrada de som
Siga as instruções em neste repositório do GitHub para habilitar o diagnóstico secundário em tempo real. As instruções incluem como configurar o dashboard de análise, vinculá-lo à fonte de dados e criar um índice de pesquisa vetorial.
Integre o AWS Bedrock para fazer análises avançadas com AI
Use Atlas Triggers, AWS EventBridge e AWS Lambda Functions para integrar-se ao AWS Leitor. Siga as instruções em neste repositório do GitHub.
Executar a IU do portal da web
O portal da Web inclui o Gêmeo digital do veículo, uma interface de diagnóstico acústico para streaming e treinamento de áudio e o dashboard de análise. Para definir a IU, atualize as variáveis de ambiente com a string de conexão do cluster MongoDB e a URL do dashboard do Atlas Charts. Em seguida, execute o aplicativo Next.js.
Consulte o repositório GitHub para obter detalhes de configuração adicionais.
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
Obtenha diagnósticos aprimorados: integre o Atlas Vector Search com diagnósticos de áudio para permitir a identificação precisa dos status e anomalias do mecanismo, fornecendo perspicácia mais profunda sobre as causas principais.
Habilitar monitoramento em tempo real: Use o MongoDB e o Atlas Vector Search para habilitar o em processamento dos dados em tempo real e a resposta imediata a anomalias para uma abordagem de manutenção proativa.
Integrar diferentes tipos de dados: O document model do MongoDB lida com eficiência com diversos tipos de dados, simplificando a integração de dados de telemetria estruturados e dados de áudio não estruturados.
Dimensionar o gerenciamento de dados: use o MongoDB Atlas para lidar com o aumento dos sinais de dados de IoT gerados em ambientes de produção.
Gerar relatórios automatizados: automatize a geração de relatórios detalhados com base nas anomalias detectadas, simplificando o processo de geração de relatórios.
Autores
Humza Akthar, MongoDB
Rami Pinto, MongoDB
Ainhoa Mugica, MongoDB