Bu makalede, Microsoft ile büyük bir demiryolu şirketi arasında nesnelerin İnterneti (IoT) eğitim bakım ve güvenlik çözümü oluşturmak için işbirliği açıklanır.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
Veri akışı
- Bir trackside bungalovdaki Ağa Bağlı Depolama (NAS) görüntü dosyası sunucusu, işlenmiş ve kategorilere ayrılmış tren tekerleği görüntüleri sunar. Her tekerleğin üç resmi dikişli bir görüntü oluşturur.
- IoT Edge yoklama modülü, IoT Edge cihazına işleme için yeni görüntülerin kullanılabildiğini uyarır.
- IoT Edge ML modülü, görüntüleri işleyen ve daha fazla inceleme gerektiren tekerlek alanlarını tanımlayan bir üçüncü taraf ML modeli çalıştırır.
- IoT Edge Uyarı İşleyicisi, olası kusurlara sahip görüntülerden başlayarak tüm görüntüleri Azure Blob Depolama yükler ve görüntü blobu URI'lerini döndürür.
- IoT Edge Hub modülü görüntü URI'lerini Ekipman veya Araba Numarası, Aks, Zaman Damgası ve Algılayıcı Konumu gibi görüntü meta verileriyle ilişkilendirir. Modül, meta verileri ve uyarıları Azure IoT Hub'a yükler.
- IoT Hub, meta verileri Event Hubs aracılığıyla ve Azure İşlevleri bir Azure Cosmos DB veritabanına gönderir.
- Azure Cosmos DB veritabanı, görüntü meta verilerini Azure Blob Depolama depolanan görüntülerin URI'leriyle ilişkilendirir. Sistem hata tanıma, eğilim analizi, tahmine dayalı bakım ve ML modelini yeniden eğitme için Azure Cosmos DB'den alınan verileri kullanabilir.
Bileşenler
Bu örnek, performans için özelleştirilmiş endüstriyel otomasyon kartları ve grafik işleme birimleri (GPU) ile sunucu sınıfı donanım kullanarak Azure IoT Edge cihazlarını trackside bungalovlarına dağıtır.
IoT Edge üç bileşenden oluşur:
IoT Edge modülleri Azure, üçüncü taraf veya özel bileşenler çalıştırabilen kapsayıcılardır.
IoT Edge ML modülleri Azure Machine Learning'i, üçüncü taraf ML modellerini veya özel kodu destekleyebilir. Geçerli çözüm, tren tekerleği verilerini puanlayıp olası hataları tanımak için Cogniac adlı üçüncü taraf açık kaynak ML modelini kullanıyor. ML yazılımı, ML modelini yeniden eğitmek için yüksek ve düşük güvenilirlikli hata görüntülerinin geçmiş örneklerini kullanır.
IoT Aracısı ve IoT Edge Hub'dan oluşan IoT Edge çalışma zamanı, dağıtılan modülleri yönetmek ve koordine etmek için IoT Edge cihazlarında çalışır.
Bulut tabanlı arabirim, uzaktan izleme ve yönetim sağlar.
Sistem ayrıca aşağıdaki Azure bulut bileşenlerini de kullanır:
Azure IoT Hub , IoT Edge modüllerinin güvenli çift yönlü bulut iletişimi, yönetimi ve izlenmesini sağlar.
Azure Blob Depolama bulut için nesne depolama alanıdır. Blob depolama, bu örnekteki görüntü verileri gibi çok büyük miktarlarda yapılandırılmamış verileri depolamak için iyileştirilmiştir.
Azure Cosmos DB , düşük yanıt süreleri, yüksek kullanılabilirlik ve ölçeklenebilirlik özelliklerine sahip, tam olarak yönetilen bir NoSQL veritabanı hizmetidir.
Alternatifler
IoT Edge mimarisi birden çok modül kullanır, ancak çözüm performansı gereksinimlerine veya geliştirme ekibi yapısına bağlı olarak tek bir modüle daraltılabilir.
Demiryolu şirketi yalnızca çıkarım sistemine sahip ve ML modeli oluşturma için üçüncü taraf bir satıcıya dayanır. ML modülünün kara kutu yapısı bağımlılık riski oluşturur. Uzun süreli çözüm bakımı, üçüncü tarafın varlıkları nasıl yönetip paylaştığının anlaşılmasını gerektirir. Sistem, ML varlıkları kullanılamadığında gelecekteki görevlendirmeler için yer tutucu ML modüllerini kullanabilir.
Senaryo ayrıntıları
Azure IoT Edge , veri işleme ve depolamayı veri kaynağına daha yakın bir şekilde etkinleştirir. Uçta iş yüklerinin işlenmesi, bulut bağlantısına ve kaynaklara daha az bağımlı hızlı ve tutarlı yanıtlar sağlar.
Makine öğrenmesi (ML) ve iş mantığını veri kaynaklarına yaklaştırmak, cihazların yerel değişikliklere ve kritik olaylara daha hızlı tepki verebileceği anlamına gelir. Cihazlar çevrimdışı veya bağlantı sınırlı olduğunda güvenilir bir şekilde çalışabilir.
Uç bilişim, akıllı uç cihazlar ve ağlar oluşturmak için yapay zeka (AI) ve ML modellerini birleştirebilir. Uç ağ, daha fazla işlem için buluta hangi verilerin gönderileceğini belirleyebilir ve acil ve önemli verilerin önceliklerini belirleyebilir.
Demiryolu şirketi aşağıdakileri sağlayarak güvenlik ve verimliliği artırmak için Azure IoT Edge'i kullanmak istedi:
- Kusurlu bileşenlerin proaktif olarak belirlenmesi.
- Bakım ve onarımın tahmine dayalı zamanlaması.
- Analiz ve tahminlerin sürekli iyileştirilmesi.
IoT Edge çözümü için pilot proje, bir tren tekerleği sistem durumu analiz sistemidir. Bu sistemde 4.000'den fazla izleme algılayıcısı şirketin trenlerindeki tekerlek verilerini sürekli olarak izliyor ve akışla aktarıyor. Algılayıcılar:
- Raylardaki ekipmanın ısısını ve kuvvetini ölçün.
- Görünmez tekerlek rulmanı kusurlarını veya tekerlek çatlaklarını dinleyin.
- Eksik veya yanlış yerleştirilmiş parçaları belirleyin.
Azure IoT Edge modülleri, sürekli akış verilerini neredeyse gerçek zamanlı olarak işler ve bunlar üzerinde işlem sağlar. IoT Edge modülleri trackside bungalovlarında sunucu sınıfı donanımlarında çalıştırılır ve diğer iş yüklerinin gelecekteki paralel dağıtımına olanak sağlar. IoT Edge tabanlı çözüm:
- Risk altında ekipmanı tanımlar.
- Onarım aciliyetini belirler.
- Uyarılar oluşturur.
- Depolama için Azure buluta veri gönderir.
Tekerlek durumu analiz sistemi, tren raydan çıkmasına neden olabilecek olası ekipman arızalarının erken belirlenmesini sağlar. Şirket, eğilimleri belirlemek ve açıklayıcı bakım zamanlamalarını bilgilendirmek için depolanan verileri kullanabilir.
Olası kullanım örnekleri
Bu çözüm ulaşım, telekomünikasyon ve üretim sektörleri için idealdir. Aşağıdaki senaryolara odaklanır:
- %99 veya daha iyi çalışma süresine sahip bir telekomünikasyon ağı.
- Bir fabrikada üretim kalite kontrolü, ekipman onarımı ve tahmine dayalı bakım.
- Gerçek zamanlı akış verilerini çok az gecikme süresiyle veya hiç gecikme olmadan işlemesi gereken bir ulaşım güvenliği sistemi.
- Zamanında zamanlama bildirimleri ve uyarıları sağlaması gereken geçiş sistemleri.
Dikkat edilmesi gereken noktalar
Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanılabilecek bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.
Bu örnekte dikkat edilmesi gereken birkaç nokta vardır.
Operations
Dağıtılan çözüm, hizmet sorumluları ekleme iznine ve Azure kaynakları oluşturma özelliğine sahip bir Azure aboneliği gerektirir. Daha fazla bilgi için bkz . Kapsayıcı kayıt defterleri ve hizmet sorumluları.
Azure Pipelines iş akışı yerleşik Azure IoT Edge görevleri aracılığıyla IoT Edge çözümünü derler, test eder, dağıtır ve arşivler. Demiryolu şirketi şirket içinde sürekli tümleştirme/sürekli dağıtım (CI/CD) sistemini barındırır. Aşağıdaki diyagramda dağıtım için DevOps mimarisi gösterilmektedir:
İlk CI işlem hattında Git deposuna aktarılan bir kod IoT Edge modülünün derlemesini tetikler ve modül görüntüsünü Azure Container Registry'ye kaydeder.
CI işlem hattı tamamlama, dağıtım bildirimini oluşturan ve modülü IoT Edge cihazlarına dağıtan CD işlem hattını tetikler.
Dağıtımın üç ortamı vardır: Geliştirme, Soru-Cevap ve Üretim. Geliştirme'den Soru-Cevap'a ve Soru-Cevap'tan Üretim'e modül yükseltmesi hem otomatik hem de el ile geçitli denetimleri destekler.
Çözümü derlemek ve dağıtmak da şunları kullanır:
- Azure CLI
- Kapsayıcı modüllerini derlemek ve dağıtmak için Docker CE veya Moby
- Docker, Azure IoT ve ilgili dil uzantılarıyla geliştirme, Visual Studio veya Visual Studio Code için.
Performans
Sistem 24 saat içinde %99 çalışma süresi ve şirket içi ileti teslimi gerektirir. Bungalov ile Azure arasındaki bağlantının son mili için Hizmet Kalitesi (QoS), uçtan gelen verilerin QoS'sini belirler. Yerel İnternet servis sağlayıcıları (ISS) bağlantının son kilometresini yönetir ve bildirimler veya toplu veri yükleme için gerekli QoS'yi desteklemeyebilir.
Bu sistem tekerlek kameraları ve yedekleme veri depoları ile arabirim oluşturmaz, bu nedenle kamera sistemi veya görüntü sunucusu hatalarında uyarı oluşturma denetimi veya yeteneği yoktur.
Bu çözüm, şirket ve federal mevzuat yetkilileri tarafından belirlenen mevcut el ile denetim gereksinimlerinin yerini almaz.
Güvenlik
Güvenlik, kasıtlı saldırılara ve değerli verilerinizin ve sistemlerinizin kötüye kullanılmasına karşı güvence sağlar. Daha fazla bilgi için bkz . Güvenlik sütununa genel bakış.
Güvenlik ve izleme, IoT Edge sistemleri için dikkat edilmesi gereken noktalardır. Bu örnekte:
- Şirketin mevcut üçüncü taraf kurumsal çözümü sistem izlemeyi kapsıyor.
- Trackside bungalovların fiziksel güvenliği ve ağ güvenliği zaten vardı.
- IoT Edge'den buluta bağlantılar varsayılan olarak güvenlidir.
Sonraki adımlar
- Bilgi işlemin geleceği: akıllı bulut ve akıllı uç
- Azure IoT Edge belgeleri
- IoT Edge modülleri oluşturma
- Azure Machine Learning ve IoT Edge kullanarak uçtan uca çözüm
- Azure IoT Edge'e sürekli tümleştirme ve sürekli dağıtım
- Azure portaldan Azure IoT Edge modüllerini dağıtma
GitHub projeleri:
- CloudEvents
- Azure IoT Edge ve RabbitMQ
- Azure IoT Edge Python Modülü için tanımlama bilgisi şablonu
- Büyük Ölçekte Akış
- ServiceBusExplorer
- Azure Depolama için DASH
Çözüm öğrenme kaynakları:
- Docker Uyumluluk Matrisi
- Jenkins Azure IoT Edge eklentisi
- Olay Kaynağını Belirleme
- Blob depolama olaylarına tepki verme
- Azure İşlevleri için Azure Blob depolama bağlamaları
- Azure Cosmos DB ile Büyük Ölçekte Sunucusuz Akış
- CQRS ne zaman önlenir?