Anomaliatunnistuksen visualisointi
Sisällysluettelo
1. Miksi tämä tehtiin
Tämän vaiheen tarkoitus on tallentaa reunalaitteelta tulevat tulokset pilveen ja tuoda ne nähtäväksi web-näkymään, jotta tilannekuva saadaan ilman erillisiä työkaluja ja data jää talteen myöhempää analyysiä varten. Tässä näytetään myös, miten taustajärjestelmä (sähköinen varaosakirja) voidaan integroida web-käyttöliittymään, jolloin anomalia voi ohjata käyttäjää ehdottamalla sopivaa varaosaa (lupa Partco 01/2026). Tämä on oikea integraatio.
2. Mitä tässä tapahtuu
EdgeAI-laitteelta tuleva ML-inferenssin tulos servon liikkeen aikaisesta värinä- ja kiihtyvyysdatasta vastaanotetaan IoT Hubissa ja tallennetaan pilveen. Liikerata päätellään liikkeen aikaisesta kiihtyvyys-/värinädatasta ja ohjauskulmasta. Web-näkymä hakee viimeisimmän tuloksen ja näyttää käyttäjälle yhteenvedon mittausdatasta sekä ML-inferenssin tilan (normaali/anomalia), jolloin poikkeamat voidaan havaita nopeasti ja mittaukset ovat selattavissa myöhemmin. Reunalaitteelta vastaanotetaan IoT Hubissa myös mittausajoihin liittyvä ohjauskulma (ohjaussignaali) ja raakadata, jotka tallennetaan pilveen mallin uudelleenkoulutusta varten.
3. Miten toteutettu
Toteutus on rakennettu Azure Functions -pohjaisesti. Yksi funktio vastaanottaa IoT Hubista tulevat viestit ja tallentaa datan Blob Storageen. Toinen funktio tarjoaa web-endpointin visualisoinnille. Tallennus on jaettu eri aineistoihin siten, että reunalaitteelta tulevaa raakadataa voidaan hyödyntää mallin uudelleenkoulutuksessa ja inferenssitulos toimii nopeana tilannekuvana ja jatkokäsittelyn lähtötietona.
Klikkaa isommaksi
Yhdistetty graafi
X, Y ja Z akselien keskiarvoistettu data yhdessä kuvaajassa
Anomalia löydetty
Punainen status indikoi poikkeamaa normaalista toiminnasta
"Order new servo" -kohdasta päästään tilaamaan uusi servo
Ei anomaliaa
Vihreä status indikoi normaalia toimintaa
4. Mihin tätä voi käyttää
Tämä sopii yleisesti EdgeAI-ratkaisuihin joissa ML-inferenssi tehdään paikallisesti, lähellä datan syntyä, mutta pilvi huolehtii tallennuksesta, raportoinnista ja käyttöliittymästä. Visualisoinnin avulla voidaan tukea huoltopäätöksiä, seurata laitteiden käyttäytymistä ajan yli ja kerätä aineistoa mallin jatkokehitykseen. Tässä ML-mallin käyttäminen ei riipu vakaasta Internet-yhteydestä, vaikka toteutus onkin osa pilviarkkitehtuuria.
5. Rajaukset ja jatkokehitys
Tämä end-to-end toteutus on aika pelkistetty demo siitä, miten ML-mallia voidaan ajaa pilven sijaan reunalaitteella. Toivottavasti kuitenkin periaate on tästä tullut esille. Jatkokehityksessä keskeisiä parannuksia ovat laitekohtainen näkymä usealle reunalaitteelle, pidemmän aikavälin trendit ja hälytykset sekä tiedon elinkaaren hallinta.