В соавторстве с Саймоном Сандером

В настоящее время сбор данных от всех видов компонентов и систем уже переместился в центр внимания нескольких отраслевых областей. Автомобильная промышленность - один из тех секторов, которые ускоряют регистрацию данных миллионов автомобилей. Эти данные могут содержать информацию об электрическом, механическом или тепловом состоянии нескольких различных компонентов автомобиля. Задача состоит не только в том, чтобы регистрировать и хранить эти данные, но и в том, чтобы регистрировать большой объем информации за весь срок службы автомобиля без потери информации и с высокой частотой дискретизации. Еще одна задача - извлечь нужную информацию из этого большого количества данных.

Компания COMPREDICT может не только точно собирать данные с транспортных средств, но также выполнять предварительную и постобработку, передавать в потоковом режиме, сохранять, анализировать и визуализировать их. Чтобы продемонстрировать нашим клиентам наши алгоритмы в реальном времени, мы применили нашу Tesla Model 3 с нашим бортовым оборудованием и некоторыми дополнительными аналоговыми датчиками. Далее мы дадим обзор частей программного обеспечения, которые работают на нашем бортовом оборудовании. Начиная с обзора программных услуг, следует краткое введение в наши инженерные возможности, такие как виртуальные датчики, вычисление спектров нагрузки и прогнозирование повреждений. Затем мы объясним интерфейс визуализации и аналитики в реальном времени, который используется для демонстрации наших запатентованных алгоритмов. Наконец, мы представим подключение к нашей платформе сбора данных и аналитики.

Трубопровод

Наше программное обеспечение для регистрации в автомобиле распределяет измерения физических условий в транспортном средстве через механизм межпроцессного взаимодействия для обработки данных, визуализации результатов наших алгоритмов в режиме реального времени и загрузки данных в нашу базу данных. На следующем рисунке изображена основная последовательность работы нашего программного обеспечения для автомобильного журнала.

В начале процесса регистрации физическое состояние автомобиля записывается из разных источников, в нашем случае из сети управления (CAN-шина) и некоторых дополнительных аналоговых датчиков. Поэтому мы создали небольшие программные пакеты (службы регистрации), которые собирают эти данные и распределяют их по межпроцессному взаимодействию.

Мы пошли на межпроцессное взаимодействие, чтобы, с одной стороны, иметь четкий интерфейс для дальнейших частей программы, а с другой - не потерять скорость. Здесь мы используем библиотеку обмена сообщениями ZeroMQ из-за ее широкого распространения и сторонних привязок для многих популярных языков программирования. Кроме того, мы стандартизировали структуру наших распределенных данных с помощью протокольных буферов для достижения простой и высокопроизводительной сериализации и десериализации записей данных.

Поскольку данные шины CAN и аналоговых датчиков отправляются с разной частотой дискретизации, данные синхронизируются централизованно в службах регистрации. Эта синхронизация реализуется с помощью блока хранения нулевого порядка, так что все записи данных, принадлежащие интервалу выборки, транслируются на атомарном шаге. Все другие службы, которые хотят обрабатывать эти данные, могут подписаться на данные через шаблон издателя / подписчика и всегда получать самые свежие данные с равномерно распределенными точными интервалами.

На собранные данные в настоящее время подписаны три службы обработки данных, которые подробно обсуждаются в следующих разделах.

Виртуальные датчики, расчет спектров нагрузки и прогноз повреждений

В сервисе модуля алгоритма мы предварительно и постпроцессируем доступные сигналы с предварительно скомпилированными моделями. Эти модели представляют собой основу для наших виртуальных датчиков, расчета спектров нагрузки и прогнозирования повреждений. Как подробно описано в предыдущей статье, мы в COMPREDICT разрабатываем виртуальные датчики. Это означает, что мы объединяем уже имеющиеся сигналы, чтобы генерировать дополнительную информацию, которая либо не измеряется, либо не измеряется. Причина, по которой мы это делаем, проста.

Возьмем пример. Машины - это очень сложные системы, наполненные электронными и механическими устройствами. Для точного контроля или оценки текущего состояния всей системы требуются датчики, измеряющие физические величины, такие как крутящий момент, сила, температура, давление, трение, износ и т. Д. Однако из-за высокой стоимости, ограниченного пространства или проблем с надежностью, Специальные физические датчики не применяются для каждого компонента и системы в серийных автомобилях. В большинстве легковых автомобилей передача сигналов и связь между блоками управления, датчиками или исполнительными механизмами осуществляется через шину CAN. Чтобы заполнить пробел в ограниченном применении физических датчиков и иметь возможность обнаруживать все компоненты автомобиля, имеющие отношение к повреждению, без выполнения вышеупомянутых аспектов, мы накопили большой опыт в технологии виртуальных датчиков на основе ИИ за последние годы. (см. пример виртуального датчика на следующем рисунке).

Вкратце, виртуальный датчик COMPREDICT - это небольшой программный пакет, который использует только существующие сигналы от CAN-шины автомобиля и генерирует новую дополнительную информацию, чтобы лучше понять состояние компонентов и систем автомобиля.

Развитие таких виртуальных датчиков варьируется и зависит от сложности проблемы и доступных сигналов. Этот процесс начинается с выбора и извлечения признаков, продолжается математическим моделированием и идентификацией системы и заканчивается сочетанием подходов оптимизации и машинного обучения. На картинке показаны несколько примеров виртуальных датчиков, для которых у нас уже есть решения.

Помимо виртуальных датчиков, мы генерируем многомерные спектры нагрузки и прогнозируем состояние повреждений нескольких компонентов автомобиля. Почему мы это делаем? Наука о долговечности говорит нам, что нет ничего бесконечного, и это также относится к сроку службы автомобильных запчастей. Каждый из нас водит машину по-разному, один может быть спортивным водителем, другой ездит только по плохим дорогам. Срок службы компонентов зависит от стиля вождения и поведения. Чтобы узнать, когда и почему компонент выходит из строя, мы записываем нагрузки, которые влияют на каждый компонент, и вычисляем текущий статус повреждения. Это очень полезно не только для производителей автомобилей при анализе и улучшении автомобилей, но и для менеджеров автопарков, а также для оптимизации планов технического обслуживания.

Визуализация в реальном времени

Служба AnalyticsRT обрабатывает данные в реальном времени из нашей автомобильной системы регистрации, чтобы их можно было отображать на мобильном устройстве в режиме реального времени. Эта визуализация в реальном времени реализована в веб-приложении, поэтому для вызова интерфейса можно использовать простой веб-браузер.

Для этого ZeroMQ получает как данные измерений (CAN, аналоговые датчики), так и обработанные данные (модуль алгоритма) через заранее определенные интерфейсы. Чтобы иметь возможность плавно отображать большой объем информации на мобильных устройствах, были приняты различные меры по оптимизации в отношении скорости передачи и объема данных.

Прежде всего, мы отправляем данные соответствующему клиенту через Websockets, которые предлагают полнодуплексные каналы связи через одно TCP-соединение. Это снижает накладные расходы на заголовок HTTP и позволяет каналу ответа запрашивать определенные наборы данных. Во-вторых, мы можем использовать канал ответа, чтобы специально запрашивать необходимые сигналы для визуализации подстраницы. Объем передаваемых данных также можно уменьшить, регулируя скорость передачи и объединяя несколько временных шагов.

Например, мы анализируем поведение и использование при вождении и преобразуем его в индикатор текущего состояния нагрузки отдельных компонентов. В анимации это изображается изменением цвета определенного компонента. Зеленый цвет означает, что нагрузка мала, а красный цвет - состояние высокой нагрузки. Например, сильный запрос на торможение на высокой скорости приведет к частичному нагреву и износу тормозов, что приведет к окрашиванию тормозной системы в красный цвет.

Параллельно мы прогнозируем полное повреждение или износ данных компонентов и систем на основе истории использования и выходных данных наших виртуальных датчиков. Поясним это более подробно для шины.

На анимации мы видим, что прогноз текущего состояния здоровья говорит о достижении 30%. Это означает, что профиль шины уменьшился на 30% по сравнению с новой шиной и шиной, которую необходимо заменить. Помимо этого, мы также можем прогнозировать оставшийся срок службы шины. Здесь прогноз говорит, что оставшийся срок службы составляет около 64000 км. Прогнозирование срока службы шины означает, что вероятность того, что шину придется заменить после расчетного оставшегося пробега в км, очень высока. Кроме того, через веб-приложение мы можем визуализировать работу наших виртуальных датчиков и, следовательно, условия нагрузки на шину, такие как продольные, поперечные и вертикальные динамические силы, в режиме реального времени.

В результате нашего анализа мы вычисляем профиль нагрузки шины на основе наших виртуальных датчиков, как показано ниже. Это показывает полную и точную историю использования шины. Эта информация актуальна для инженеров-проектировщиков или инженеров по долговечности.

Datalake и Analytics

Наконец, служба загрузки объединяет данные из различных служб, сжимает их и выгружает в нашу базу данных через соединение для мобильных данных. В нашей базе данных мы храним все наши данные, сгенерированные из наших собственных транспортных средств, данные, связанные с проектом, данные, передаваемые в потоке или отправленные нам, и т. Д. Там мы применяем задания ETL для извлечения полезной информации из данных или запускать наши аналитические инструменты на основе ИИ и при необходимости преобразовывать их, чтобы отображать на нашей аналитической платформе COMPREDICT Analytics.

COMPREDICT Analytics предлагает пользовательский интерфейс для визуализации данных и управления ими. Кроме того, он позволяет пользователю выполнять наши собственные алгоритмы, размещенные в AI Core, например, с данными с нашей платформы регистрации.

В следующей статье, Архитектура СЛОЖНОЙ платформы - Часть 3, мы более подробно обсудим нашу платформу СЛОЖНАЯ аналитика. Будьте на связи!