La presentación muestra un prototipo de solución IoT que hace uso de un servicio web que predice fallos en una máquina. El prototipo está implementado sobre Microsoft Azure y el modelo predictivo sobre Microsoft Azure Machine Learning Studio. La práctica la realize en el último módulo del Programa en Big Data y Business Intelligence impartido en la Universidad de Deusto en la edición 2017.

1. Predicción de averías en
industria
Prototipo de solución IoT
José Antonio Arroba González
https://www.linkedin.com/in/jose-antonio-arroba-gonzalez/
Práctica Módulo 3.2 Programa en Big Data y Business Intelligence
Universidad de Deusto
Febrero 2018

2. Objetivo
Partimos del experimento realizado en el segundo módulo en el que teníamos un
modelo entrenado para la determinación de la probabilidad de fallo de una
máquina concreta en las próximas 24 horas tras la finalización de un turno de
trabajo
Consideraremos que la empresa fabricante de esa máquina quiere conocer en
tiempo real las probabilidades de fallo de todas sus máquinas desplegadas, para
lo que necesita de una plataforma IoT que haga uso de ese modelo de predicción
Aprovecharemos la capacidad de Azure Machine Learning Studio para hacer
accesibles los modelos como servicio web de forma que el nuestro pueda ser
invocado desde una plataforma IoT implementada sobre Microsoft Azure

3. Arquitectura

4. Arquitectura
Azure IoT Hub: plataforma de comunicación entre los dispositivos y la nube
(Azure). Su equivalente Open Source podría ser Apache NiFi
Azure Stream Analytics: motor de procesamiento de eventos para realizar
cálculos analíticos en tiempo real. Su equivalente Open Source seria Apache
Storm.
Azure Machine Learning Studio: entorno de generación y entrenamiento de
modelos que permite ser invocados públicamente como servicio web
Power BI: visualización de datos con capacidades en tiempo real

5. Portal Azure

6. Azure IoT Hub

7. Azure Stream Analytics

8. Azure Stream Analytics (input desde IoT Hub)

9. Azure Stream Analytics (integración con Azure ML)

10. Azure Stream Analytics (definición de query)

11. Azure Stream Analytics (output hacia Power BI)

12. Power BI (definicion de origen en tiempo real)

13. Power BI (dataset de Azure Stream Analytics)

14. Power BI (configuración de visualización)

15. Power BI (resultado en ejecución)

16. Referencias
Arquitectura e implementación de un proyecto de ejemplo Azure IoT:
https://docs.microsoft.com/en-us/azure/iot-hub/iot-hub-weather-forecast-machine-l
earning
Generación con Visual Studio de un proyecto de simulación de dispositivo:
https://docs.microsoft.com/en-us/azure/iot-hub/iot-hub-csharp-csharp-getstarted
Ejemplos de consultas de transformación de Azure Stream Analytics:
https://docs.microsoft.com/en-us/azure/stream-analytics/stream-analytics-stream-a
nalytics-query-patterns

17. Referencias
Definición de ventanas de tiempo en Azure Stream Analytics:
https://docs.microsoft.com/en-us/azure/stream-analytics/stream-analytics-window-
functions
Visualización de datos en tiempo real desde Power BI:
https://docs.microsoft.com/en-us/azure/stream-analytics/stream-analytics-power-
bi-dashboard