Kurz: Generování dat simulovaného zařízení

platí pro: IoT Edge 1.1

Důležité

IoT Edge 1.1 datum ukončení podpory bylo 13. prosince 2022. Informace o způsobu podpory tohoto produktu, služby, technologie nebo rozhraní API najdete v tématu věnovaném životnímu cyklu produktů Microsoftu. Další informace o aktualizaci na nejnovější verzi IoT Edge najdete v tématu AktualizaceIoT Edge .

V tomto článku používáme trénovací data strojového učení k simulaci zařízení odesílajícího telemetrii do Azure IoT Hubu. Jak je uvedeno v úvodu, tento kurz používá sadu dat simulace snížení výkonu motoru Turbofan k simulaci dat ze sady leteckých motorů pro trénování a testování.

V našem experimentálním scénáři víme, že:

Data se skládají z vícenásobných časových řad.
Každá datová sada je rozdělená na trénovací a testovací podmnožiny.
Každá časová řada je z jiného motoru.
Každý motor začíná s různými stupni počátečního opotřebení a výrobními odchylkami.

Pro účely tohoto kurzu použijeme podmnožinu trénovacích dat jedné datové sady (FD003).

Ve skutečnosti by každý motor byl nezávislým zařízením IoT. Za předpokladu, že nemáte k dispozici kolekci motorů turbofan připojených k internetu, vytvoříme pro tato zařízení softwarový stand-in.

Simulátor je program v jazyce C#, který používá rozhraní API služby IoT Hub k programové registraci virtuálních zařízení ve službě IoT Hub. Pak načteme data pro každé zařízení z podmnožině dat poskytnuté NASA a pošleme je do centra IoT pomocí simulovaného zařízení IoT. Veškerý kód pro tuto část kurzu najdete v adresáři DeviceHarness úložiště.

Projekt DeviceHarness je projekt .NET Core napsaný v jazyce C#, který se skládá ze čtyř tříd:

Program: Vstupní bod pro provádění zodpovědný za zpracování uživatelských vstupů a celkové koordinace.
TrainingFileManager: Zodpovídá za čtení a analýzu vybraného datového souboru.
CycleData: Představuje jeden řádek dat v souboru převedený na formát zprávy.
TurbofanDevice: Zodpovídá za vytvoření zařízení IoT, které odpovídá jednomu zařízení (časové řadě), datům a přenosu dat do IoT Hubu.

Dokončení úkolů popsaných v tomto článku by mělo trvat přibližně 20 minut.

Skutečné ekvivalenty práce v tomto kroku by pravděpodobně prováděli vývojáři zařízení a cloudoví vývojáři.

V této části kurzu se naučíte:

Začleňte do vývojového prostředí externí projekt.
K vygenerování simulovaných dat zařízení IoT použijte ukázkový projekt DeviceHarness.
Zobrazení vygenerovaných dat ve službě IoT Hub

Požadavky

Tento článek je součástí série kurzů o používání služby Azure Machine Learning ve službě IoT Edge. Každý článek v řadě vychází z práce v předchozím článku. Pokud jste se k tomuto článku dostali přímo, navštivte první článek ze série.

Konfigurace editoru Visual Studio Code a sestavení projektu DeviceHarness

Otevřete relaci vzdálené plochy k vašemu vývojovému virtuálnímu počítači.
Ve Visual Studio Code otevřete složku C:\source\IoTEdgeAndMlSample\DeviceHarness.
Vzhledem k tomu, že na tomto počítači používáte rozšíření poprvé, některá rozšíření se aktualizují a nainstalují jejich závislosti. Může se zobrazit výzva k aktualizaci rozšíření. Pokud ano, vyberte Znovu načíst okno.

Pokud se v okně výstupu zobrazí chyby OmniSharp, budete muset odinstalovat rozšíření C#.
Zobrazí se výzva k přidání nezbytných zdrojů pro DeviceHarness. Vyberte Ano a přidejte je.
- Zobrazení oznámení může trvat několik sekund.
- Pokud jste toto oznámení zmeškali, zkontrolujte ikonu zvonku v pravém dolním rohu.
Vyberte Obnovit k obnovení závislostí balíčku.

Pokud tato oznámení nedostanete, zavřete Visual Studio Code, odstraňte adresáře bin a obj v C:\source\IoTEdgeAndMlSample\DeviceHarness, znovu otevřete Visual Studio Code a znovu otevřete složku DeviceHarness.
Ověřte, že je vaše prostředí správně nastavené, a to tak, že spustíte sestavení, Ctrl + Shift + B nebo Terminal>Spustit úlohu sestavení.
Zobrazí se výzva, abyste vybrali úlohu sestavení, která se má spustit. Vyberte Sestavit.
Sestavení se spustí a zobrazí zprávu o úspěchu.
Toto sestavení můžete nastavit jako výchozí úlohu sestavení výběrem Terminál>Konfigurovat výchozí úlohu sestavení... a zvolením Sestavení z výzvy.

Připojení ke službě IoT Hub a spuštění deviceHarness

Teď, když máme projektovou budovu, připojte se k centru IoT, abyste měli přístup k připojovacímu řetězci a monitorovali průběh generování dat.

Přihlaste se k předplatnému Azure v editoru Visual Studio Code tak, Ctrl + Shift + P že otevřete paletu příkazů nebo zobrazte>paletu příkazů.
Vyhledejte příkaz Azure: Přihlásit se .

Otevře se okno prohlížeče a zobrazí se výzva k zadání přihlašovacích údajů. Když budete přesměrováni na stránku s úspěchem, můžete prohlížeč zavřít.

Připojení k centru IoT a načtení připojovacího řetězce centra

V dolní části Průzkumníka ve Visual Studio Code vyberte panel Azure IoT Hub a rozbalte jej.
V rozbaleném rámečku klikněte na Vybrat IoT Hub.
Po zobrazení výzvy vyberte své předplatné Azure a pak centrum IoT.
Kliknutím na ... napravo od služby Azure IoT Hub zobrazíte další akce. Vyberte Kopírovat připojovací řetězec IoT Hubu.

Spuštění projektu DeviceHarness

Výběrem možnosti Zobrazit>terminál otevřete terminál editoru Visual Studio Code.

Pokud se výzva nezobrazí, stiskněte Enter.
Do terminálu zadejte dotnet run.
Při výzvě k zadání připojovacího řetězce IoT Hubu vložte připojovací řetězec zkopírovaný v předchozí části.
V rámci zařízení Azure IoT Hubu klikněte na tlačítko Aktualizovat.
Všimněte si, že zařízení se přidají do IoT Hubu a že se zařízení zobrazují zeleně, aby bylo možné označit, že se data odesílají přes toto zařízení. Jakmile zařízení odesílají zprávy do centra IoT, odpojí se a zobrazí se modře.
Zprávy odeslané do centra můžete zobrazit tak, že kliknete pravým tlačítkem na libovolné zařízení a vyberete Spustit monitorování integrovaného koncového bodu události. Zprávy se zobrazí v podokně výstupu v editoru Visual Studio Code.
Ukončete monitorování kliknutím v podokně výstupu služby Azure IoT Hub a zvolte Zastavit monitorování integrovaného koncového bodu události.
Nechte aplikaci běžet na dokončení, což trvá několik minut.

Kontrola aktivity ve službě IoT Hub

Data odeslaná nástrojem DeviceHarness přešla do vašeho centra IoT, kde můžete ověřit na webu Azure Portal.

Otevřete web Azure Portal a přejděte do centra IoT vytvořeného pro účely tohoto kurzu.
V nabídce levého podokna v části Monitorování vyberte Metriky.
Na stránce definice grafu klikněte na rozevírací seznam Metrika , posuňte se dolů v seznamu a vyberte Směrování: data doručená do úložiště. Graf by měl ukázat špičku, kdy byla data směrována do úložiště.

Ověření dat ve službě Azure Storage

Data, která jsme právě odeslali do vašeho centra IoT, byla směrována do kontejneru úložiště, který jsme vytvořili v předchozím článku. Pojďme se podívat na data v našem úložném účtu.

Na webu Azure Portal přejděte ke svému účtu úložiště.
V navigátoru účtu úložiště vyberte Průzkumníka služby Storage (Preview).
V Průzkumníku úložiště vyberte blob kontejnery a pak devicedata.
V podokně obsahu klikněte na složku pro název centra IoT a za ním rok, měsíc, den a hodinu. Uvidíte několik složek představujících minuty, kdy byla data zapsána.
Kliknutím do jedné z těchto složek vyhledejte datové soubory označené jako 00 a 01 odpovídající oddílu.
Soubory se zapisují ve formátu Avro . Poklikáním na jeden z těchto souborů otevřete jinou kartu prohlížeče a částečně vykreslíte data. Pokud se zobrazí výzva k otevření souboru v programu, můžete zvolit VS Code a zobrazí se správně.
Není nutné se pokoušet číst ani interpretovat data právě teď; uděláme to v dalším článku.

Uklidit zdroje

Tento kurz je součástí sady, kde každý článek vychází z práce provedené v předchozích článcích. Prosím, vyčkejte s úklidem všech prostředků, dokud nedokončíte závěrečný kurz.

Další kroky

V tomto článku jsme použili projekt .NET Core k vytvoření sady virtuálních zařízení IoT a jejich odesílání dat do centra IoT a do kontejneru Azure Storage. Tento projekt simuluje skutečný scénář, kdy fyzická zařízení IoT odesílají data do IoT Hubu a dál do kurátorovaného úložiště. Tato data zahrnují čtení senzorů, provozní nastavení, signály selhání a režimy atd. Jakmile se shromažďuje dostatek dat, použijeme je k trénování modelů, které předpovídají zbývající životnost zařízení (RUL). Toto strojové učení si předvedeme v dalším článku.

Pokračujte k dalšímu článku a natrénujte model strojového učení s daty.

Trénování a nasazení modelu Azure Machine Learning

Last updated on 2020-01-20

Sdílet prostřednictvím