Kontrola kvality

Event Hubs
Machine Learning
Stream Analytics
Power BI

Idea řešení

Pokud se chcete podívat, jak tento článek rozšíříme o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět pomocí GitHub Feedback!

Systémy zabezpečování kvality umožňují firmám zabránit chybám v celém procesu doručování zboží nebo služeb zákazníkům. Vytváření takového systému, který shromažďuje data a identifikuje možné problémy v kanálu, může poskytovat mimořádně výhodu. Například v digitální výrobě je zajišťování kvality napříč řádkem sestavení nezbytné. Identifikace zpomalí a potenciálních selhání, než když dojde k jejich zjištění, mohou společnosti snížit náklady na odpad a znovu pracovat a zároveň zvýšit produktivitu.

Toto řešení ukazuje, jak předpovědět selhání pomocí příkladu výrobních kanálů (montážní řádky). To se provádí pomocí testovacích systémů, které již jsou na místě a data o chybách, konkrétně na konci řádku sestavení a při selhání funkcí. Díky kombinaci těchto funkcí s analýzou znalostní báze a hlavní příčiny v rámci modulárního návrhu, který zapouzdřuje hlavní kroky zpracování, poskytujeme obecné řešení pokročilé analýzy, které před tím, než k tomu dojde, k předběžnému selhání služby Machine Learning. Předčasné předpověď budoucích selhání umožňuje levnější opravy nebo dokonce zahození, což je obvykle nákladově efektivnější než při převracení a náklady na záruku.

Architektura

Diagram architektury Stáhnout SVG této architektury.

Data Flow

  1. Proudová data generátoru událostí zdrojového systému do centra událostí Azure.
  2. Centrum událostí používá Capture k posílání nezpracované události do Data Lake.
  3. Úloha Stream Analytics čte data z centra událostí v reálném čase.
  4. úloha Stream Analytics volá v Azure Machine Learning model ML pro předpověď chyb nebo vad.
  5. Stream Analytics úloha odešle agregace streamu do Power BI řídicího panelu v reálném čase pro operace.
  6. Stream Analytics úloha doručí zpracovaná data v reálném čase do fondu SQL Azure Synapse.
  7. Logic Apps posílá výstrahy ze streamování dat do mobilního telefonu.
  8. Power BI se používá pro vizualizaci výsledků.

Komponenty

  • Event Hubs ingestuje události řádků sestavení a předá je do Stream Analytics a webové služby Azure ML.
  • Azure Stream Analytics: Stream Analytics přijímá vstupní datový proud z Event Hubs, volá webovou službu azure ML k tomu, aby předpovědi, a odešle Stream do azure Synapse a Power BI a Logic Apps pro výstrahy.
  • Azure Machine Learning: Machine Learning pomáhá navrhovat, testovat, zprovoznění a spravovat prediktivní analytická řešení v cloudu a nasazovat webové služby, které mohou být volány Stream Analytics.
  • účty Storage: Azure Storage ukládá data datového proudu nezpracovaných událostí z centra událostí a slouží k dlouhodobému uchovávání dat.
  • Logic Apps: odesílá výstrahy vygenerované z dat streamování do operátoru zařízení.
  • Synapse Analytics: ukládejte si relační data pro ad-hoc a plánované analytické zpracování a uživatelsky analytické dotazy.
  • Power BI: vizualizuje provozní řídicí panely v reálném čase a také servery pro analytické sestavy.

Alternativy

  • v závislosti na scénáři se základní architektura dá zjednodušit odebráním vrstvy batch – odebírání Storage pro nezpracované události a Azure Synapse pro relační data.
  • Azure SQL Database je spravovaná relační databáze jako služba. V závislosti na vašich datových svazcích a vzorech přístupu můžete zvolit Azure SQL Database.
  • Azure Functions poskytuje účinný přístup bez serveru, pokud se architektura zatížení nachází na středově optimalizované distribuované komponenty, která vyžaduje minimální závislosti, přičemž jednotlivé komponenty jsou nutné pouze ke spuštění na vyžádání (neprůběžně) a orchestrace komponent není vyžadována.
  • IoT Hub slouží jako centrální Centrum zpráv pro zabezpečenou obousměrnou komunikaci s identitou zařízení mezi cloudovou platformou a konstrukčním zařízením a dalšími prvky lokality. IoT Hub můžou rychle shromažďovat data pro každé zařízení, aby se mohla přijímat do kanálu analýzy dat.

Požadavky

Škálovatelnost

Většina komponent používaných v tomto ukázkovém scénáři je spravovaná služba, která se škáluje podle aktuálních potřeb vašeho scénáře.

Obecné pokyny k navrhování škálovatelných řešení naleznete v části Kontrolní seznam efektivity výkonu v cetrum architektury Azure.

Zabezpečení

Spravované identity pro prostředky Azure slouží k poskytování přístupu k dalším prostředkům internímu vašemu účtu. Umožněte přístup jenom k požadovaným prostředkům v těchto identitě, abyste měli jistotu, že nic dalšího není k dispozici pro vaše funkce (a potenciálně pro vaše zákazníky).

Obecné pokyny k navrhování zabezpečených řešení najdete v dokumentaci k zabezpečení Azure.

Odolnost

Všechny komponenty v tomto scénáři jsou spravovány, takže na regionální úrovni jsou všechny odolné automaticky.

Obecné pokyny k navrhování odolných řešení najdete v tématu navrhování odolných aplikací pro Azure.

Další kroky