使用MongoDB Atlas Vector Search 和 AWS Bedrock 进行高级根本原因诊断，集成不同的数据类型以进行实时分析和主动维护。
使用案例： Gen AI
行业： 制造与移动，航空航天与国防
产品： MongoDB Atlas、Atlas Vector Search、Change Streams、MongoDB Atlas 数据库、Atlas Triggers、MongoDB Atlas Charts
合作伙伴： Amazon Bedrock、NextJS、panns-inference
解决方案概述
从库存管理到互联设备和产品，复杂的价值链为制造业提供支持。根本原因诊断有助于解决问题、改进流程并提高该价值链的整体效率和质量。根本原因诊断可识别问题的根本的根源，并确保问题得到永久修复且不再重复出现。
根本原因诊断具有以下优点：
消除重复出现的问题：它解决了真正的根本原因，删除临时修复的需求，并防止问题再次发生，从而节省时间、金钱和资源。
提高进程效率：从根源上识别瓶颈和低效率，从而提高产量并降低生产成本。
促进安全和环保实践：通过主动干预和风险预防，使操作变得更安全、更环保。
推动持续改进：根本原因诊断的系统方法可改进流程并促进创新。
尽管有好处，但由于来自传感器和机器的大量数据以及数据类型的多样性，实现根本原因诊断可能具有挑战性。传统方法在很大程度上依赖于人类的专业知识、知识和经验。
该解决方案探索了AI和MongoDB Atlas Vector Search在高级根本原因诊断中的应用。它使用声音输入和 AWS 基岩来生成有关检测到的异常的实时报告。此实现增强了实时监控和维护。
参考架构
该演示架构使用以下组件来捕获、存储、分析和报告数据。
引擎和 Raspberry Pi
引擎控制：引擎连接到 Raspberry Pi。
遥测传感器：Raspberry Pi 配备了传感器来测量温度和湿度等遥测数据。
汽车数字孪生和移动应用
虚拟和物理集成： JavaScript 和 iPhone 应用中的汽车数字孪生连接到设置。这些应用向MongoDB发送命令，MongoDB 然后将这些命令流式传输到 Raspberry Pi。此操作会触发继电器以启动物理引擎和数字映射。
音频诊断
音频录制：每秒钟都会录制引擎的声音。
向量转换：嵌入器将音频片段转换为向量。然后，将这些向量存储在MongoDB中。
向量搜索：使用Atlas Vector Search，系统可以预测引擎的状态，例如引擎是否已关闭、是否正常运行或是否检测到金属或软影响。然后，它会在应用程序中显示这些信息，为用户提供实时诊断。
AWS Bedrock 集成
自动报告：当系统检测到异常情况（例如音频异常）时， Atlas会触发向 AWS 基岩发送遥测数据和声音分析结果的功能。
报告生成：AWS Bedrock 生成详细报告并将其发送到仪表盘以供查看。
这种架构创建了一个反馈循环，边缘设备在该循环中生成用于实时控制和监控的数据，现在通过向量进行音频诊断得到了增强。此次集成展示了利用Atlas Vector Search进行根本原因诊断的优势，从而提高了制造操作的效率、可靠性和创新性。
图1。演示架构
构建解决方案
要实现该解决方案，请按以下步骤操作：
请准备好您的硬件
要复制此演示，您需要：
模拟机器真实使用案例的引擎。本教程使用的是四缸 Teching DM13引擎副本，但您可以使用任何可以运行和发出噪音的硬件来运行此演示。
一个 Raspberry Pi 5，它是托管与云通信的软件的网桥。
要查找有关如何设立这些工具的详细信息，请访问此 GitHub 存储库。
或者，您可以按照此GitHub存储库中的说明在没有物理引擎的情况下模拟此解决方案。
设置 MongoDB Atlas
创建MongoDB集群。如果您没有Atlas帐户，请按照以下步骤创建一个帐户。
集群准备就绪后，复制应用程序数据库。该数据库包含使用该应用所需的示例车辆和传感器数据。从 GitHub 存储库 下载转储文件，并使用 mongorestore 命令将其加载到您的集群中。
通过声音输入检测异常
请按照此 GitHub存储库中的说明启用实时声学诊断。这些说明包括如何设立分析仪表盘、将其链接到数据源以及创建向量搜索索引。
集成 AWS Bedrock 以实现 AI 增强的分析
使用 Atlas Triggers、AWS EventBridge 和 AWS Lambda 与 AWS 基岩集成。按照此 GitHub存储库中的说明进行操作。
运行 Web 门户用户界面
该门户网站包括车辆的数字化双胞胎、用于音频流媒体和培训的声学诊断界面以及分析仪表盘。要设置用户界面，请使用 MongoDB 集群连接字符串和 Atlas Charts 仪表盘的 URL 更新环境变量。然后，运行Next.js应用程序。
有关其他设置详细信息，请参阅GitHub 存储库。
关键要点
获得增强的诊断功能：将Atlas Vector Search与音频诊断集成，从而启用精确识别引擎状态和异常情况，提供更深入的见解以分析根本原因。
启用实时监控：使用MongoDB和Atlas Vector Search启用实时数据处理并立即响应异常情况，从而实现主动维护。
集成不同的数据类型：MongoDB 的 document model 可高效处理不同的数据类型，从而简化结构化遥测数据和非结构化音频数据的集成。
扩展数据管理：使用MongoDB Atlas处理制造环境中生成的越来越多的物联网（IoT）数据信号。
生成自动报告：根据检测到的异常情况自动生成详细报告，从而简化报告进程。
作者
Humza Akthar, MongoDB
Rami Pinto，MongoDB
Ainhoa Mugica，MongoDB