IoTセンサーデータを使ったD3.jsによるグラフ化と機械学習モデルによる故障予測

Bluemixではじめてみよう！ 「IoT→クラウド」データ活用アプリケーション開発 【第3回】

「過去データを元に機械学習モデルを用いて故障予測を行う」アプリケーション（続き）

Predictive Analyticsサービスの登録

WebブラウザでBluemixのコンソールにログインし、ダッシュボードから本稿のサンプルアプリケーション（codezineIoTdemo）の画面を表示させて「＋サービスまたはAPIの追加」を選択します（画面57）。

画面57：Bluemixのダッシュボードで本稿のアプリケーションを表示させ「＋サービスまたはAPIの追加」を選択

カタログ画面が表示されるので、「Predictive Analytics」を選択します（画面58）。

画面58：カタログ画面で「Predictive Analytics」を選択

Predictive Analyticsの画面になるので、右側の「アプリ」に本稿のサンプルアプリケーション「CodeZine IoT demo Predict」が指定されていることを確認し、サービス名を任意で設定して「作成」ボタンをクリックします（画面59）。

画面59：本稿のサンプルアプリケーションが指定されていることを確認し「作成」ボタンをクリック

再ステージングが必要といわれた場合は再ステージングしてください（画面60）。

画面60：再ステージングが必要であることを伝えるメッセージ

しばらく待つと「アプリは稼働しています」と表示されるので、左のメニュー「サービス」に表示されている「Predictive Analytics」をクリックします（画面61）。

画面61：「Predictive Analytics」をクリック

Predictive Analyticsモジュールの画面が表示されます。先ほど入力した名前になっていることと、画面下部に「No Models, Yet」と表示されていることを確認し、画面下部の「New Model Stream」の「Select File」をクリックし、SPSS Modelerで作成した予測モデルファイル（サンプルファイル「secom_predict_model.str」）をアップロードします（画面62）。

画面62：SPSS Modelerで作成した予測モデルファイルをアップロード

Context Idを聞かれるので、任意の名前を付けて「Deploy」をクリックします（画面63）。

画面63：Context Idに任意の名前を付ける

すると、モデル登録されて「Manage Models」にて一覧表示に追加されます。「Deployed Model Usage」でPredictive Analyticsの利用状況（何回スコアリングが実施されたのか）がわかります。Freeプランでは毎月5000回までとなっています。

Predictive AnalyticsをAPIとして利用するための認証情報を確認します。画面左のメニューから「環境変数」を選択します（画面64）。

画面64：画面左のメニューから「環境変数」を選択

環境変数に、先ほど作成したPredictive Analyticsの認証情報が追加されています。アプリケーションからAPI利用をする際にaccess_keyとurlを利用するのでコピーしておきます（画面65）。

画面65：先ほど作成したPredictive Analyticsの認証情報。`access_key`と`url`をコピーしておく

Predictive Analyticsを呼び出して利用する

Node-REDのフローエディターを起動し、画面66のフローを作成してください。本記事のサンプルファイル「codezine_iotdemo_nodered_app3-a.json」をインポートすることもできます。

画面66：「Predictive Analyticsを呼び出して利用する」フロー

各ノードをダブルクリックして設定を確認・編集します。

① input >「Inject」ノード

デフォルトのままでOKです。

② function >「function」ノード

• Name： 任意（画面66では「POST Parameter」）
• Function： 後に示すコードを入力

Function欄に入力するコード

msg.payload = {
    "tablename":"SECOM_DEMO_DATA.csv", 
    "header":["seq_no","failure","temperature","humidity","objecttemperature"], 
    "data":[["test1","",25,50,40]]
};

return msg;

API呼び出しにあたって、headerのほうで"seq_no"と"failure"も含める必要があるようですが、この2つの項目は予測には用いないのでダミーのデータで構いません。"temperature"以下3つの項目はとりあえず動作確認したいので直データを指定します。値は任意です。

画面67：function >「function」ノードの設定

③ function >「http request」ノード

両側に端子がついているノードです。

• Method： POST
• URL：「認証情報URL/score/コンテキストID?accesskey=認証情報アクセスキー」という形式で入力

  【例】
  https://palbyp.pmservice.ibmcloud.com/pm/v1/score/codezinepredict1?accesskey=tsiabababZ1TxWvabbabtstabbxogqabbimc/BuB1U284a+WZII4a8o25pvJYhSGzcpmqjabbmlwVtsabbPiHxGxQ3pIogjgEOjN0TGtsTcL0h32gVzPabwMbmHXNpi+HL4aabtst4aPabGZUtstXsOpV+04Mu/ngj4ajy8qabbab4WCLtst4ITE1+S/abb4LjOWjtsZg8ZPabs6B3E=）

• 「Use basic authentication?」にチェックなし
• Return： a parsed JSON object
• Name： 任意（画面66では「[post] Predict API」）

画面68：function >「http request」ノードの設定

④ output >「debug」ノード

デフォルトのままでOKです。

ここまで確認・編集できたら動作確認を行います。Deploy後、debugノードの出力をONにしてInjectノードをクリックすると処理が実施されます。Predictive Analytics APIの呼び出しに成功すると、Debugタブに以下のようなAPI結果が表示されます。

msg.payload : array [1]
[ { "header": [ "temperature", "humidity", "objecttemperature", "$XF-failure", "$XFC-failure" ], "data": [ [ 25, 50, 40, "yes", 0.4914826378710285 ] ] } ]

入力した値（"temperature", "humidity", "objecttemperature"）に基づいて予測した結果（"$XF-failure", "$XFC-failure"）が出力されます。$XF-failureは予測した故障の有無（yes/no）、$XFC-failureは予測に対する確信度（0～1）です。

予測結果が取得できることが確認できたので、あとはセンサーデータの値をパラメーターとしてAPIを呼び出すように変更してあげればOKです。

Predictive Analyticsの詳しい説明については、ドキュメント「Predictive Analytics入門」を参照してください。

WebアプリケーションからのPredictive Analytics呼び出し

いよいよラストです。ブラウザにてNode-REDフローエディターを開いて、画面69に示すフローを作成してください。本記事の添付ファイル（codezine_iotdemo_nodered_all.json）をインポートすることもできます。

画面69：「WebアプリケーションからのPredictive Analytics呼び出し」フロー

各ノードをダブルクリックして設定を確認・編集していきます。

① input >「http」ノード

Injectノード（Timestamp）と差し替えます。

• Method： GET
• URL： /predict
• Name： 任意（画面69では「[get]/predict」）

画面70：input >「http」ノードの設定

② function >「function」ノード

• Name： 任意（画面69では「POST Parameter」）
• Function： 後に示すコードを入力。これにより、HTTPリクエストのパラメーターで気温・湿度・機器温度を指定できるようにします。

Function欄に入力するコード

msg.payload = {
  "tablename":"SECOM_DEMO_DATA.csv", 
  "header":["seq_no","failure","temperature","humidity","objecttemperature"], 
  "data":[["test1","",
      msg.payload.param_temp,
      msg.payload.param_hum,
      msg.payload.param_objt
  ]]

return msg;

画面71：function >「function」ノードの設定

③ output >「http response」ノード

Predicitive Analyticsを呼び出しているpostノード（Predict API）からつなげます。設定はデフォルトのままでOKです。

また、「Webアプリケーション」フローも次のように修正します。

④ 「Template」ノード（「index.html」）

• Template： 後に示すコードを入力（サンプルファイル「index_app3-b.html」）

Template欄に入力するコード（▼クリックするとプルダウンしてコードが表示されます）

<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<!-- jQuery -->
<script src="http://code.jquery.com/jquery-1.12.0.min.js"></script>
<!-- d3.js -->
<script src="http://d3js.org/d3.v3.min.js" charset="utf-8"></script>

<title>IoT demo chart</title>

<style>
  .axis path,
  .axis line {
    fill: none;
    stroke: #000;
    shape-rendering: crispEdges;
  }

  .x.axis path {
    display: none;
  }

  .line {
    fill: none;
    stroke: royalblue;
    stroke-width: 1.5px;
  }
  
  .line2 {
    fill: none;
    stroke: orangered;
    stroke-width: 1.5px;
  }
  
  .line3 {
    fill: none;
    stroke: forestgreen;
    stroke-width: 1.5px;
  }
</style>
  
  
<script type="text/javascript">
  //グラフ用のデータ配列
  var data = [];
  //WebSocket接続用 Node-REDで生成した文字列を指定
  var wsUrl = 'ws://codezineiotdemo2.mybluemix.net/ws/sensor';
  var socket;

window.addEventListener('load', function () {
  //Cloudant APIのURL
  var recordnum = 10;
  var dataurl = "./data?num=" + recordnum;
  
  //Cloudantからデータ取得して初期表示
  d3.json(dataurl, function(datas){
      //console.log("===== d3.json ========");
      //console.log(datas);
      //JSONで取得する項目はそのまま使えるのでグラフ用配列にセット        
      data = datas;
      //配列の順序を入れ替えてセット→D3.jsがよしなにしてくれるので不要
      //     for (var i in datas){
      //         data.unshift(datas[i]);
      //     }
      //console.log("==== data object =====");    
      //console.log(data);        

      //グラフ描画処理
      drawInitialChart();
      
      //最新データを表示
      var dispdata = {
          timestamp : formatDateTime(new Date(datas[0].timestamp)),
          temp : datas[0].temp,
          humidity : datas[0].humidity,
          objectTemp : datas[0].objectTemp
      };
      disp_info(dispdata);
  });
});
</script>
</head>

<body>

<div style="margin:30px;">
  <h1>IoTセンサーデータ可視化＆故障予測デモ</h1>
  <div>
      <p>最新データ　：　
      <span id="latestts">timestamp</span>
      , <span style="color:royalblue;">気温：<span id="latesttemp">xx</span></span>
      , <span style="color:forestgreen;">湿度：<span id="latesthum">xx</span></span>
      , <span style="color:orangered;">機械温度：<span id="latestot">xx</span></span>
      
      <span>　　　　</span>
      故障予測：<span id="predict_failure"></span>
      （スコア：<span id="predict_score"></span>）
      </p>
  </div>

  <div id="chartarea"></div>
  <p></p>
  <div>
      <button onclick="wsConnect()">WebSocket接続</button>
      <button onclick="wsDisconnect()">WebSocket切断</button>
      <span id="con-msg">message</span>
  </div>

</div>

<script>

  //D3.js 初期処理
  //表示サイズを設定
  var areasize = {width: 960, height: 500};
  var margin = {top: 40, right: 40, bottom: 40, left: 40};
  //グラフ表示用の高さと幅
  var chartwidth = areasize.width - margin.left - margin.right;
  var chartheight = areasize.height - margin.top - margin.bottom;

  var formatDateTime = d3.time.format("%Y-%m-%d_%H:%M:%S");
  var parseDate = d3.time.format("%Y-%m-%d_%H:%M:%S").parse;


  //SVG領域の設定
  var svg = d3.select("#chartarea").append("svg")
      .attr("width", areasize.width)
      .attr("height", areasize.height)
      .append("g")
      .attr("transform", "translate(" + margin.left + "," + margin.top + ")");

  var x = d3.time.scale()
      .range([0, chartwidth]);

  var y = d3.scale.linear()
      .range([chartheight, 0]);
      
  var y2 = d3.scale.linear()
      .range([chartheight, 0]);

  var xAxis = d3.svg.axis()
      .scale(x)
      .orient("bottom");
      //.orient("bottom")
      //.tickFormat(d3.time.format("%m/%d_%H:%M"));
  //温度のY軸（左側）
  var yAxis = d3.svg.axis()
      .scale(y)
      .orient("left");
  //湿度のY軸（右側）
  var yAxis2 = d3.svg.axis()
      .scale(y2)
      .orient("right");
  //ライン・気温
  var line = d3.svg.line()
      .x(function(d){ return x(d.timestamp); })
      .y(function(d){ return y(d.temp); });
  //ライン・機器温度
  var line2 = d3.svg.line()
      .x(function(d){ return x(d.timestamp); })
      .y(function(d){ return y(d.objectTemp); });
  //ライン・湿度
  var line3 = d3.svg.line()
      .x(function(d){ return x(d.timestamp); })
      .y(function(d){ return y2(d.humidity); });



//グラフの初期描画処理　データ取得後にコールされる
function drawInitialChart(){
  //console.log("===== drawInitialChart ======");

  data.forEach(function(d){
      d.timestamp = parseDate(d.timestamp);
      d.temp = +d.temp;
      d.objectTemp = +d.objectTemp;
      d.humidity = +d.humidity;
  });

  //X軸のドメイン＝Timestampの最小値と最大値
  x.domain(d3.extent(data, function(d){ return d.timestamp; }));
  //Y軸のドメイン＝0から、気温Maxと機器温度Maxの大きい方
  var maxtemp = d3.max(data, function(d){ return d.temp; });
  var maxobjtemp = d3.max(data, function(d){ return d.objectTemp; });
  var max_y = maxtemp > maxobjtemp ? maxtemp : maxobjtemp;
  y.domain([0, max_y]);
  //Y軸（湿度）は0-100固定
  y2.domain([0, 100]);

  //X軸　描画
  svg.append("g")
      .attr("class", "x axis")
      .attr("transform", "translate(0, " + chartheight + ")")
      .call(xAxis);
  //Y軸（左）　描画
  svg.append("g")
      .attr("class", "y axis")
      .call(yAxis)
      .append("text")
          .attr("transform", "translate(60,-20) rotate(0)")
          .attr("y", 6)
          .attr("dy", ".7em")
          .style("text-anchor", "end")
          .text("温度（℃）");
  //Y軸（右）　描画
  svg.append("g")
      .attr("class", "y axis")
      .attr("transform", "translate(" + chartwidth + " ,0)")
      .call(yAxis2)
      .append("text")
          .attr("transform", "translate(0,-20) rotate(0)")
          .attr("y", 6)
          .attr("dy", ".7em")
          .style("text-anchor", "end")
          .text("湿度（％）");

  svg.append("path")
      .datum(data)
      .attr("class", "line")
      .attr("d", line);
      
  svg.append("path")
      .datum(data)
      .attr("class", "line2")
      .attr("d", line2);

  svg.append("path")
      .datum(data)
      .attr("class", "line3")
      .attr("d", line3);
}

//データ更新時の描画処理
function updateDraw() {
  console.log("===== updateDraw =======");
  console.log(data);
  
  data.forEach(function(d){
      d.timestamp = d.timestamp;
      d.temp = +d.temp;
      d.objectTemp = +d.objectTemp;
      d.humidity = +d.humidity;
  });
  
  //ドメイン（入力値の範囲）更新
  x.domain(d3.extent(data, function(d){ return d.timestamp; }));
  var maxtemp = d3.max(data, function(d){ return d.temp; });
  var maxobjtemp = d3.max(data, function(d){ return d.objectTemp; });
  var max_y = maxtemp > maxobjtemp ? maxtemp : maxobjtemp;
  y.domain([0, max_y]);
  y2.domain([0, 100]);


  //アニメーション宣言
  svg = d3.select("#chartarea").transition();

  svg.select(".line") 
      .duration(750)
      .attr("d", line(data));

  svg.select(".line2") 
      .duration(750)
      .attr("d", line2(data));

  svg.select(".line3") 
      .duration(750)
      .attr("d", line3(data));

  svg.select(".x.axis")
      .duration(750)
      .call(xAxis);

  svg.select(".y.axis")
      .duration(750)
      .call(yAxis);
}


//接続・切断時のメッセージを表示
function disp_msg(str) {
  var msgarea = $("#con-msg");
  msgarea.text(str);
  msgarea.stop().fadeIn(0).fadeOut(2000);
}

//最新データ表示
function disp_info(wsdata){
  $("#latestts").text(wsdata.timestamp);
  $("#latesttemp").text(wsdata.temp);
  $("#latesthum").text(wsdata.humidity);
  $("#latestot").text(wsdata.objectTemp);
}


//WebSocket接続
function wsConnect() {
  socket = new WebSocket(wsUrl);
  
  disp_msg('接続しました。');

  
  socket.onmessage = function(e) {
      var wsData = JSON.parse(e.data);
      console.log("timestamp:" + wsData.timestamp + " , temp:" + wsData.temp);
      //最新データの情報を表示
      disp_info(wsData);
      
      //グラフのデータを更新 
      //グラフ用のデータが新しい順になっているので、配列の先頭に追加する
      data.unshift({
          timestamp : parseDate(wsData.timestamp),
          temp : wsData.temp,
          humidity: wsData.humidity,
          objectTemp: wsData.objectTemp
      });
      //配列の末尾を取り除く
      data.pop();

      //グラフ描画
      updateDraw();
      
      //Predictive Analytics呼び出し
      $.ajax({
          url: "./predict",
          data: {
              "param_temp" : wsData.temp,
              "param_hum"  : wsData.humidity,
              "param_objt" : wsData.objectTemp
          }
      }).done(function(result){
          console.log("===== Predictive Analytics Call ======");
          console.log(result); 
          //alert("success!");
          $("#predict_failure").text(result[0].data[0][3]);
          $("#predict_score").text( (Math.round( result[0].data[0][4] * 1000) /1000)  );
      }).fail(function(result){
          alert("error!");
      });
      
      
  };
};

//WebSocket切断
function wsDisconnect() {
  socket.close();
  disp_msg('切断しました');
};    
</script>

</body>
</html>

以下、コードの追加部分の説明です。

96～98行目：故障予測の結果を表示する領域です。

323～339行目：Predictive Analyticsを呼び出す処理です。WebSocketで受け取った最新のデータをHTTPリクエストのパラメーターとしてセットして呼び出しています。

では、確認が終わったらDeployして動作確認します。Webブラウザで、本プリケーションのルートURL（例　http://codezineiotdemo.mybluemix.net/）にアクセスします。画面72のようなグラフが表示された後に「WebSocket接続」ボタンを押して、しばらく待ってグラフが更新され、故障予測結果が表示されれば成功です。

画面72：このような故障予測結果が表示されれば成功

これで今回のアプリケーション構築は完了です。いかがでしたでしょうか？　比較的簡単にクラウド上に保存したIoTセンサーデータを可視化したり、分析したりすることができたと思います。それでは皆さんも、Let's enjoy IoT!!

IoT成功のカギを握る：データ管理・分析クラウドサービスのご紹介

現象をデータ化するセンサーやデバイスに注目が集まりがちなIoTですが、価値を生むのはデータ化したその後の処理です。

「多数のセンサー、デバイスからインターネット経由で送信されてくるJSONデータを効率よく保管する」
「保管した大量のデータから未知のパターンを割り出し、ビジネスを成長させる知見を提供する」

こうしたIoTが価値を生むためのサービス・製品がIBMにあります。ぜひ、下記の資料をご覧ください。（編集部）

• IBM Cloudant：瞬間発生的なデータの読み書き同時実行やオフラインデータアクセス対応でIoTに最適なJSONデータのDBaaSサービス
• IBM SPSS Modeler：データに潜む未発見の事実や事象を見つけ出す予測分析プラットフォーム