Изменить

Система обслуживания и безопасности железной дороги IoT Edge

хранилище BLOB-объектов Azure
Azure Cosmos DB
Azure IoT
Azure IoT Edge
Центр Интернета вещей Azure

В этой статье описывается совместная работа между корпорацией Майкрософт и крупной железнодорожной компанией для создания решения по обслуживанию и безопасности поездов Интернета вещей.

Архитектура

Схема архитектуры решения, показывающая модули IoT Edge в трассовых бунгало. Модули Edge используют машинное обучение для выявления рисков сбоя. Модуль обработчика оповещений отправляет данные изображения в Хранилище BLOB-объектов Azure. Azure Edge Hub отправляет связанные метаданные и сообщения через Центр Интернета вещей Azure в хранилище Azure Cosmos DB.

Скачайте файл Visio для этой архитектуры.

Поток данных

  1. Сетевой подключенный служба хранилища (NAS) файловый сервер в трексайд-бунгало обслуживает обработанные и классифицированные образы колеса поезда. Три рисунка каждого колеса создают "сшитое" изображение.
  2. Модуль опроса IoT Edge оповещает устройство IoT Edge о том, что новые образы доступны для обработки.
  3. Модуль машинного обучения IoT Edge запускает стороннюю модель машинного обучения, которая обрабатывает образы и определяет области колес, требующие дополнительной проверки.
  4. Обработчик оповещений IoT Edge отправляет все изображения в Хранилище BLOB-объектов Azure, начиная с изображений с потенциальными дефектами и возвращает URI BLOB-объектов образа.
  5. Модуль Центра Интернета вещей связывает URI изображения с метаданными изображения, такими как оборудование или номер автомобиля, ось, метка времени и расположение детектора. Модуль отправляет метаданные и оповещения в Центр Интернета вещей Azure.
  6. Центр Интернета вещей отправляет метаданные через Центры событий и Функции Azure в базу данных Azure Cosmos DB.
  7. База данных Azure Cosmos DB связывает метаданные изображения с URI образов, хранящихся в Хранилище BLOB-объектов Azure. Система может использовать данные из Azure Cosmos DB для распознавания дефектов, анализа тенденций, прогнозного обслуживания и переобучения модели машинного обучения.

Компоненты

В этом примере устройства Azure IoT Edge развертываются в отслеживаемых бунгало, используя оборудование класса сервера с настроенными промышленными карта и графическими процессорами (GPU) для повышения производительности.

IoT Edge состоит из трех компонентов:

  • Модули IoT Edge — это контейнеры, которые могут работать с компонентами Azure, компонентами сторонних разработчиков или пользовательскими компонентами.

    Модули машинного обучения IoT Edge могут поддерживать Машинное обучение Azure, сторонние модели машинного обучения или пользовательский код. Текущее решение использует модель Машинного обучения с открытым кодом стороннего разработчика под названием Cogniac для оценки данных о колесах поезда и распознавания потенциальных дефектов. Программное обеспечение Машинного обучения использует исторические примеры изображений сбоев с высоким и низким уровнем достоверности для повторного обучения своей модели Машинного обучения.

  • Среда выполнения IoT Edge, состоящая из агента IoT и центра IoT Edge, выполняется на устройствах IoT Edge для управления развернутыми модулями и их координации.

  • Облачный интерфейс обеспечивает удаленный мониторинг и управление.

Система также использует следующие облачные компоненты Azure:

  • Центр Интернета вещей Azure обеспечивает безопасную двунаправленную облачную связь, управление и мониторинг модулей IoT Edge.

  • Хранилище BLOB-объектов Azure — это хранилище объектов для облака. Хранилище BLOB-объектов оптимизировано для хранения больших объемов неструктурированных данных, таких как данных изображений из этого примера.

  • Azure Cosmos DB — это полностью управляемая служба базы данных NoSQL с низким временем отклика и высокой доступностью и масштабируемостью.

Альтернативные варианты

  • Архитектура IoT Edge использует несколько модулей, но может быть сложена в один модуль в зависимости от требований к производительности решения или структуры группы разработки.

  • Железнодорожная компания владеет только системой вывода и при создании моделей Машинного обучения полагается на сторонних разработчиков. То, что модуль Машинного обучения по сути является черным ящиком, создает некоторый риск зависимости. Чтобы обслуживать решение в долгосрочной перспективе, необходимо понимать, как сторонний разработчик управляет ресурсами и предоставляет к ним общий доступ. Система может использовать модули машинного обучения заполнителя для будущих взаимодействий, когда ресурсы машинного обучения недоступны.

Подробности сценария

Azure IoT Edge обеспечивает обработку и хранение данных ближе к источнику данных. Обработка рабочих нагрузок на границе обеспечивает быстрые, согласованные ответы с меньшей зависимостью от облачных подключений и ресурсов.

Перенос машинного обучения и бизнес-логики ближе к источникам данных означает, что устройства могут быстрее реагировать на локальные изменения и критические события. Устройства могут надежно работать в автономном режиме или при ограниченном подключении.

Пограничные вычисления могут включать модели искусственного интеллекта (ИИ) и машинного обучения для создания интеллектуальных пограничных устройств и сетей. Граничная сеть может определить, какие данные следует отправлять в облако для дальнейшей обработки, а также определять приоритеты срочных и важных данных.

Компания железной дороги хотела использовать Azure IoT Edge для повышения безопасности и эффективности, предоставляя:

  • Упреждающая идентификация дефектных компонентов.
  • Прогнозное планирование обслуживания и ремонта.
  • Непрерывное улучшение анализа и прогнозирования.

Пилотный проект решения IoT Edge — это система анализа работоспособности колесика. В этой системе более 4000 детекторов трассов постоянно отслеживают и потоковые данные колеса от поездов компании. Детекторы:

  • Измеряйте тепло и силу оборудования на трассах.
  • Прослушивайте невидимые дефекты колесика или трещины колес.
  • Определите отсутствующие или неуместные части.

Модули Azure IoT Edge обрабатывают и действуют на основе данных непрерывной потоковой передачи в режиме реального времени. Модули IoT Edge работают на оборудовании серверного класса в расположенных рядом с путями помещениях, что позволяет в будущем параллельно развертывать другие рабочие нагрузки. Решение на основе IoT Edge:

  • Определяет оборудование, подверженное риску.
  • Определяет срочность восстановления.
  • Создает оповещения.
  • Отправляет данные в облако Azure для хранения.

Система анализа работоспособности колес обеспечивает раннее определение потенциальных сбоев оборудования, которые могут привести к сбою поезда. Компания может использовать сохраненные данные для выявления тенденций и информирования о предварительных расписаниях обслуживания.

Потенциальные варианты использования

Это решение идеально подходит для транспортных, телекоммуникационных и производственных отраслей. В нем рассматриваются следующие сценарии:

  • Телекоммуникационная сеть, которая должна поддерживать 99 % или лучшее время простоя.
  • Контроль качества производства, ремонт оборудования и прогнозное обслуживание в фабрике.
  • Система безопасности транспорта, которая должна обрабатывать данные потоковой передачи в режиме реального времени без задержки.
  • Транзитные системы, необходимые для своевременного предоставления уведомлений о расписании и оповещений.

Рекомендации

Эти рекомендации реализуют основные принципы платформы Azure Well-Architected Framework, которая является набором руководящих принципов, которые можно использовать для улучшения качества рабочей нагрузки. Дополнительные сведения см. в статье Microsoft Azure Well-Architected Framework.

К этому примеру применяются несколько рекомендаций.

Операции

Для развернутого решения требуется подписка Azure с разрешением на добавление субъектов-служб и возможностью создания ресурсов Azure. Дополнительные сведения см. в разделе Реестры контейнеров и субъекты-службы.

Рабочий процесс Azure Pipelines создает, проверяет, развертывает и архивирует решение IoT Edge с помощью встроенных задач Azure IoT Edge. В железнодорожной компании размещена система непрерывной интеграции или непрерывного развертывания (CI/CD) в локальной среде. На следующей схеме показана архитектура DevOps для развертывания.

Схема архитектуры DevOps.

  1. В первом конвейере CI код отправляется в репозиторий Git, активирует сборку модуля IoT Edge и регистрирует образ модуля в Реестр контейнеров Azure.

  2. Завершение конвейера CI активирует конвейер CD, который создает манифест развертывания и развертывает модуль на устройствах IoT Edge.

Развертывание включает в себя три среды: разработки, контроля качества и рабочую среду. Продвижение модуля от среды разработки к среде контроля качества и от среды контроля качества к рабочей среде поддерживает автоматическую и ручную проверку изменений.

При сборке и развертывании решения также используются:

  • Azure CLI
  • Для сборки и развертывания модулей контейнеров — Docker CE или Moby
  • Для разработки, Visual Studio или Visual Studio Code с помощью Docker, Интернета вещей Azure и соответствующих расширений языка.

Производительность

  • Системе требуется время безотказной работы 99 % и локальная доставка сообщений в течение 24 часов. Качество обслуживания (QoS) для последней мили подключения между расположенными рядом с путями помещениями и Azure определяет качество обслуживания данных на границе. Локальные поставщики услуг Интернета (ISPS) управляют последней милей подключения и могут не поддерживать необходимый QoS для уведомлений или массовой передачи данных.

  • Эта система не взаимодействует с камерами, снимающими колеса, и резервными хранилищами данных, поэтому она не имеет возможности создавать предупреждения о системе камер или о сбоях сервера изображений и управлять ими.

  • Это решение не заменяет существующие требования к ручной проверке, определяемые корпоративными и федеральными регулирующими органами.

Безопасность

Безопасность обеспечивает гарантии от преднамеренного нападения и злоупотребления ценными данными и системами. Дополнительные сведения см. в разделе "Общие сведения о компоненте безопасности".

Вопросы безопасности и мониторинга являются важными для систем IoT Edge. В этом примере:

  • Существующее стороннее корпоративное решение компании охватывает системный мониторинг.
  • Физическая безопасность трассовых бунгало и сетевой безопасности уже существуют.
  • Подключение ions из IoT Edge в облако по умолчанию защищены.

Следующие шаги

Проекты GitHub:

Ресурсы обучения решения: