通过人工智能驱动的分析技术，革新设备维护，实现故障预测、生成维修计划，并减少停机时间。
行业： 制造与移动、航空航天与国防、能源与环境
产品： MongoDB Atlas、Atlas Charts、Atlas Stream Processing、Atlas Vector Search
解决方案概述
MongoDB Atlas 提供端到端的预测性维护解决方案，通过四个战略阶段帮助制造商预防设备故障并优化维护操作：
机器优先级排序和重要性分析
解决问题：我应该优先对哪台机器进行预测性维护，为什幺？
使用机器学习和基于 RAG 的分析来优先处理关键设备。
利用历史数据和专家知识做出明智的决策。
故障预测
回答关键问题：即将发生故障的根本原因是什么？
通过 Atlas Stream Processing 处理实时传感器数据。
可在潜在故障发生前及早发现。
维护计划生成
重点：我应该如何安排维修程序？
利用大型语言模型自动生成详细的修复计划。
结合维护手册、库存数据和资源信息。
维护指导生成
解决：如何获得更好的机器维修指导？
通过整合服务备注和维修说明，提供更完善的维护指导。
通过 Change Streams 直接向技术人员的移动设备传递指令
图1。预测性维护工作流程的四个阶段
通过利用 MongoDB 的统一数据平台功能，如向量搜索和实时分析，组织可以实现显著的运营改进：将停机时间缩短 15-20%，提高劳动生产率 5-20%，并降低维护成本 30-60%。
参考架构
机器优先化架构
此架构利用RAG（检索增强生成）来确定哪些机器需要预测性维护。系统处理两种类型的输入数据：
结构化数据：生产参数和机器故障频率。
非结构化数据：文档中的机构知识。
工作流将两种数据类型聚合并在 MongoDB Atlas 中作为向量嵌入进行操作。通过使用向量搜索，它可以执行语义搜索，为 LLM（本例中通过 Amazon Bedrock 或 Cohere）提供相关上下文，从而为优先级查询生成上下文响应。这有助于维护团队做出数据驱动的决策，确定哪些机器需要首先关注。
图2.用于机器优先级推荐的 AI 系统图
传感器数据处理架构
此实时架构通过六个关键阶段处理机器传感器数据：
数据收集：配备 DAQ（数据采集）功能的优先铣床可捕获关键指标（产品类型、温度、速度、扭矩、工具磨损）。
流处理：原始传感器数据的实时转换。
数据存储：集中存储在 MongoDB Atlas 中，具备单一视图功能。
变更检测：监控重大数据变更。
机器学习推理：运行经过训练的模型，以预测潜在故障。
双重输出：通过 Atlas Charts 实现可视化，并通过 Change Streams 发送移动通知。
图3.使用 MongoDB Atlas 实现实时传感器监控
工单生成架构
该架构通过以下方式自动化创建维护工单：
文档处理：机器手册和旧工作订单被分成数据块，并使用 AWS/Cohere 嵌入模型转换为向量。
向量存储：嵌入存储在 MongoDB Atlas 中。
工单生成：一款专业的应用程序，能够：
使用 LLM 生成适当的工作订单模板。
通过聚合获取库存和资源信息。
根据机器文档创建详细的维修计划。
图 4. AI 驱动的工单生成系统示意图
维护指导架构
该架构通过检索增强生成 (RAG) 方法优化操作员指令：
服务说明处理：将多语言 PDF 服务说明转换为文本。
翻译：通过翻译模型处理非英语内容（在此情况下为西班牙语）。
指令生成：使用 LLM 将翻译的维修说明与原始维修计划相结合。
交付：通过移动应用向技术人员提供更新的维护说明。
图5.RAG 工作流可优化技术人员的维修指导
每种架构都集成了 MongoDB Atlas 的核心功能，并使用外部服务（如 Amazon Bedrock 或 Cohere）来实现 AI 功能。
构建该解决方案
设置 MongoDB Atlas 环境
配置集群、数据库和集合，用于机器故障、传感器数据（原始数据和转换后的数据）、机器学习模型、维护历史和维修文档。
为维修手册和维护历史记录设置 MongoDB Atlas 搜索和向量搜索索引。
{ "fields": [ { "numDimensions": 1024, "path": "embeddings", "similarity": "euclidean", "type": "vector" } ] } 为实时数据转换配置流处理。
创建 Atlas Charts 仪表盘，进行监控和可视化。
配置 AI 服务集成
为实施选择一个 LLM 提供商：
Amazon Bedrock：为嵌入和补全配置对 Cohere 模型的访问权限（可用模型示例：cohere.embed-english-v3）对于嵌入，cohere.command-r-10 用于补全）。
直接 API 访问：设置与您选择的第三方提供商的集成，以实现嵌入和文本补全功能。
配置 Google Cloud Translation API 以支持多语言功能。
应用程序设置
配置环境变量，包括 MongoDB 连接字符串、数据库设置以及所需的 API 凭证。
部署用于持续系统监控的推理脚本。
安装并配置警报应用程序。
启动主演示应用程序。
执行系统测试和验证，确保数据流和功能的正确性。
有关完整的实现细节，包括代码示例、配置文件和教程视频，请访问 GitHub 存储库。 此存储库提供了一个生产就绪模板，用于利用 MongoDB Atlas 的全面功能集来实现预测性维护。
关键要点
MongoDB Atlas 结合结构化传感器数据和非结构化维护文档，为预测性维护提供统一平台，通过单一视图架构实现实时监控和 AI 分析。
该解决方案采用四阶段方法（优先级排序、预测、计划生成、指导传递），并整合了多种 MongoDB 功能，包括用于实时数据的 Atlas Stream Processing、用于语义分析的向量搜索，以及用于移动端提醒的 Change Streams。
通过这种方法，组织可以实现显著的运营改进：15－20% 减少停机时间，5－20% 提高劳动生产率，以及30－60% 降低维护成本。
该实施方案将多种 AI 技术（RAG、LLM、ML 模型）与 MongoDB 的开发者数据平台功能相结合，创建了一个自动化维护工作流程——从机器优先级排序到移动维修指导交付。
使用的技术和产品
MongoDB 开发者数据平台
合作伙伴技术
作者
Dr. Humza Akhtar, MongoDB
Rami Pinto，MongoDB
Sebastian Rojas Arbulu, MongoDB