Industry 4.0 in de praktijk door Rik Opdam

devCampNoord #02

Transcript

1. IoT & Machine Learning Industry 4.0 in de praktijk
2. Even Voorstellen • Rik Opdam • Lead consultant BI & Big Data IMNN • P-TSP Microsoft
3. Onderwerpen • Azure IoT Suite • Data Science & Analytics • Van POC tot productie • Teams en samenwerking
4. Project Drachten POC • 1 week • Juni 2016 Preproduction • Meerdere weken • 1 dag per week • Sept – December 2016 Fase 3 • 1 week • Februari 2017
5. Team Drachten • 2 Data scientists • 1 projectleider • 2 Data Platform consultants • 1 .Net Developer (MIT)
6. POC doelen • Hands-on ervaring opdoen met Microsoft Azure clouddiensten • Hoe werkt de streaming data eventhub data inname, machine learning & visualisatie? • Diverse Machine Learning Modellen testen op live data • Naast PLS ook neural network, decision forest, bayesian lineair regression ++ • Visualisaties & Mobile reporting • Kosten inschatting
7. Use case SIMCA / QA in Azure - Voorspel de kwaliteit aan de hand van onze proces data - Nu : PLS & ‘SIMCA’. • De uitdaging : - ‘Data’ per proces • Gemiddeld zal er (in eerste instatie) een dataregel (1 a 2 kb) per 3 seconden geanalyseerd en gerapporteerd moeten worden. • Als potentiele uitbreiding zouden we kunnen kijken of we ook een bericht naar de machine terug kunnen sturen om te corrigeren. • We willen de performance (en scalability) vergelijken met SIMCA. -> Huidige specs? • We zouden zowel via R-scripting als via het platform zelf testen -> Beide zijn mogelijk R + AML ! 9
8. IoT Architecture
9. Real time QSP history Voorspelling POC Architecture Azure Machine Learing Event Hub Realtime QSP/4hr EK1 IoT Service Archive History & training Results Partial least squares Neural network etc Berekend
10. Ontwikkelde onderdelen • C# Data Publisher • Event Hubs • Stream Analytics • Azure Machine Learning • Azure SQL Database • Power BI
11. Mijlpalen  Push live data in Azure Event Hub  Query live data in Azure Stream Analytics  Push data to multiple outputs in azure  Create and Run Machine Learning Model (PLS) in Azure Machine Learning  Create web services from created models  Push data into SQL From Model and from Stream Analytics  Created real time interactive dashboard in Powerbi with  PLS Data  Quality data  Predicted values
12. Bereikt resultaat in een week… • Analytics Framework gebouwd ten behoeve van (Real time) voorspelling productiekwaliteit • Nauwkeurig voorspellen (beter algoritme gevonden dan het standaard pakket) • Standaard pakket overbodig gemaakt (vervangen door Azure) • Besparing licentiekosten standaard pakket factor 100 • Flexibeler (meer algoritmes beschikbaar) • Mogelijkheid tot onbeperkte logging tegen een fractie van de kosten
13. Trainingsresultaten in Power BI
14. Fase 2: Pre-Production • Tot einde 2016 • Molding • Scale & Manage • Gateway(s) • Security
15. Team Drachten : Fase 2 • 3 Data scientists • 1 projectleider • 2 Data Platform consultants
16. Historisch Real time Real time Historisch Pre Production Architecture V1 Realtime Berekend Archive History & training Results Historical Proces: Spuitgieten Doel: Meer te weten komen over het proces ter verbetering van de kwaliteit en voorkoming van uitval en reduceren afval Tabular
17. Ontwikkelde onderdelen • C# Gateway app • IoT Hub • Stream Analytics • Azure Machine Learning • Azure SQL Database • Azure DocumentDB • Data Factory • Power BI
18. Gateway functionaliteit • C# Azure IoT SDK • Alles naar IoT Hub? • Cold/Hot Filtering • HoT: IoT Hub (was event hub) • Warm: SQL Database • Cold: DocumentDB
19. Uitdagingen & Next steps • Hoe maken we dit Schaalbaar? • Retourverkeer? • Welk model is waardevol voor het process?
20. Fase 3 • Duur 1 Week • Molding > Run R script in AML • Schaalbare architectuur (A • Nieuwe machines toevoegen • Gateway(s) • Retour verkeer
21. Team Drachten : Fase 3 • 3 Data scientists • 1 projectleider • 3 Data Platform consultants • 1 .Net developer
22. Ontwikkelde onderdelen • C IoT Gateway SDK • IoT Hub • Stream Analytics • Azure Machine Learning + Service • Azure SQL Database • Azure DocumentDB • Data Factory • Power BI • Settingsfile generator
23. Gateway architectuur • Nieuwe Gateway SDK • Modules communiceren door broadcast message bus • Message are content + set of key/value properties • Alle modules ontvangen alle berichten • Filtering of messages (by modules) effectively creates pipeline • Klaar voor de toekomst
24. Schaalbare Architectuur • Stream Analytics Queries Genereren • Gateway Config File Genereren
25. Uitdagingen & Next steps • 1 platform, duizenden toepassingen • Hoeveelheid data • Integratie Netwerken • Snelheid • Kostenbeheersing
26. Thank You! Vragen?