利用 MongoDB Atlas Vector Search 和 AWS Bedrock 进行高级根本原因诊断，集成多种数据类型以实现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
合作伙伴： Amazon Bedrock
解决方案概述
制造业依托从库存管理到连接设备和产品的复杂价值链运作。解决问题、改进流程、提高价值链整体效率和质量的关键在于根本原因诊断。预测性维护侧重于症状管理，而根本原因诊断则不同，它能深入挖掘，找出问题根本原因，确保问题得到永久解决，不再复发。
根本原因诊断具有以下几项优点：
消除反复出现的问题：通过解决问题的真正根本原因，我们避免了临时修复，防止同一问题再次发生，从而节省时间、金钱和资源。
提高处理效率：识别瓶颈和低效环节，可以提高产量并降低生产成本。
促进安全和环保实践：主动干预和风险缓解措施促进了更安全、更环保的操作。
推动持续改进：系统化的根本原因诊断方法鼓励持续的流程改进和创新。
然而，在制造业中实现根本原因诊断可能具有挑战性。来自传感器和机器的大量复杂且嘈杂的数据，以及整合多种数据类型的需求，使其成为一项艰巨的任务。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。
我们的解决方案探索了 AI 和 MongoDB Atlas Vector Search 在高级根本原因诊断中的应用，通过声音输入实现故障溯源，并集成 AWS Bedrock 平台对检测到的异常现象生成实时报告，从而强化实时监控与维护能力。
参考架构
借助 MongoDB
演示架构由多个关键组件协同工作，以捕获、存储、分析和报告数据。
引擎和 Raspberry Pi
引擎控制： Raspberry Pi 连接到引擎，通过继电器进行控制。
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
虚拟与物理的集成：一个用 JavaScript 实现的汽车数字孪生体和一款 iPhone 应用已连接到该系统。应用的命令被发送到 MongoDB，后者将其流式传输到 Raspberry Pi，触发继电器以启动物理引擎和数字孪生。
音频诊断
音频录制：每秒钟都会录制引擎的声音。
向量转换：音频片段通过嵌入器转换为向量，并存储在 MongoDB 中。
向量搜索：使用 Atlas Vector Search，系统预测引擎状态（关闭、正常运行、检测到金属或软撞击）。此信息显示在应用上，提供实时诊断功能。
AWS Bedrock 集成
自动报告：当检测到异常（例如异常音频）时，Atlas 会触发一个功能，将遥测数据和声音分析结果发送到 AWS Bedrock。
报告生成：AWS Bedrock 根据分析结果生成一份详细报告，然后将其发送回仪表盘以供查看。
这种架构创建了一个反馈回路，其中边缘设备生成用于实时控制和监控的数据，并通过向量增强了音频诊断功能。此次集成展示了 Atlas Vector Search 在根本原因诊断中的强大能力，显著提升了制造运营的效率和创新能力。
图1。演示架构
构建该解决方案
请准备好您的硬件
要复制此演示，您需要：
一款用于模拟机器真实使用案例的引擎——我们使用的是四缸 Teching DM13 引擎副本，但您可以使用任何能够运行并发出噪音的硬件（甚至是真实的机器）来运行此演示。
一台 Raspberry Pi 5，它将作为桥梁来承载与云端通信的软件。
要查找有关我们的硬件及其设置方法的详细信息，请访问此 GitHub 页面。
设置 MongoDB Atlas
为了使演示端到端运行，您需要设置后端。
第一步是创建 MongoDB 集群。如果您还没有 Atlas 账户，请按照以下步骤创建账户。创建账户后，在“数据服务”标签页下，点击侧边栏中的“数据库”，然后点击“+ 创建”，在首选区域中创建新的 MongoDB 集群。
集群准备就绪后，您需要复制应用程序数据库。此数据库包含示例车辆和传感器数据，这些数据是开始使用该应用程序所必需的。要加载这些数据，可以在 GitHub 存储库中获取一个转储文件，您可以使用 mongorestore 命令将数据导入到您的集群中。
通过声音输入进行异常检测
完整说明请参阅此 GitHub 页面，包括如何设置分析仪表盘、将其链接到正确的数据源，以及创建向量搜索索引。
集成 AWS Bedrock 以实现 AI 增强的分析
我们采用了一种简洁的方法与 AWS Bedrock 集成，该方法可作为更复杂方案的基础，支持集成更多来自传感器的实时数据，并实现检索增强生成 (RAG) 架构。
要学习如何将 AWS Bedrock 与 Atlas Triggers 集成，请参阅我们的 GitHub 页面。
运行 Web 门户用户界面
该网络门户采用 Next.js 构建，集成了车辆数字孪生模型、支持音频流传输与训练的声音诊断接口，以及数据分析仪表盘。要进行设置，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。更新后，只需运行 Next.js 应用程序。有关特定命令和其他设置详细信息，请参考 GitHub 存储库。
关键要点
增强型诊断：将 Atlas Vector Search 与音频诊断集成，能够精确识别引擎状态和异常，提供对根本原因的深入见解。
实时监控：使用 MongoDB 和 Atlas Vector Search 可以实现实时数据处理，并能立即响应异常情况，这对于主动维护至关重要。
数据集成：MongoDB 的文档模型高效处理多种数据类型，简化了结构化遥测数据与非结构化音频数据的集成。
可扩展性：该架构支持可扩展的数据管理，能够处理制造环境中产生的海量 IoT 信号。
自动化：AWS Bedrock 会基于检测到的异常自动生成详细报告，从而简化报告流程。
使用的技术和产品
MongoDB 开发者数据平台
合作伙伴技术
作者
Humza Akthar, MongoDB
Rami Pinto，MongoDB
Ainhoa Mugica，MongoDB