Bearbeiten

Mit IoT verbundenes Licht, Stromversorgung und Internet

Azure Databricks
Azure IoT Hub
Azure Machine Learning
Azure Synapse Analytics
Power BI

Lösungsmöglichkeiten

Dieser Artikel ist ein Lösungsvorschlag. Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen.

In diesem Artikel wird eine IoT-Lösung (Internet der Dinge) beschrieben, die Stromversorgung, Licht und Internetdienste an abgelegenen Orten bereitstellt.

Aufbau

Anwendungslösung

Diagramm mit Benutzeroberflächen, die mit Azure Application Gateway und den Komponenten der Cloudanwendungen interagieren.

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

Hierbei handelt es sich um eine containerisierte Microservices-App mit Endbenutzeroberflächen.

  1. Für Feldverkäufe und Servicemitarbeiter wird eine mobile Plattform verwendet, um über Azure Application Gateway mit der Cloudanwendung zu interagieren. Endbenutzer verwenden eine integrierte Schnittstelle oder eine mobile App, um auf ihre Geräte zuzugreifen und diese zu steuern.
  2. Application Gateway verwendet für die Interaktion mit Benutzern und Operatoren Messagingprotokolle.
  3. Die Cloud-App besteht aus containerisierten Microservices, die Features und Schnittstellen wie Identitäts- und Zugriffsverwaltung, Geräteupgrades, Benachrichtigungen und Commerce Services bereitstellen.
  4. Je nach verwendeten Features greift die App auf Azure-Dienste und -Ressourcen wie Azure Blob Storage für die Speicherung unstrukturierter Daten, Azure Cosmos DB für große strukturierte Datenbanken und Azure Media Services für Unterhaltungsinhalte zu.
  5. Das IoT-Gateway sendet auch Streamingtelemetriedaten und Benutzerdaten für Analysen und maschinelles Lernen über Azure IoT Hub an die Cloud.

Lösung für Analysen und maschinelles Lernen

Der Business Intelligence-Teil des Prozesses umfasst die folgenden Datenanalysen und Steuerungsschleifen:

Diagramm einer Analyseschleife, in der verarbeitete Telemetriedaten ein trainiertes KI-Modell durchlaufen, um das Gerät zu steuern.
Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

  1. IoT Hub empfängt die Streamingtelemetriedaten und Benutzerdaten von den IoT-Geräten und leitet Ereignisse über Azure Functions an Azure Databricks weiter.
  2. Azure Databricks extrahiert, transformiert und lädt (ETL) die Ereignisdaten.
  3. Azure Databricks sendet mithilfe von Azure Functions einige Ereignisse wie Alarme direkt an eine Kundensupport-App, damit entsprechende Aktionen eingeleitet werden.
  4. Azure Databricks sendet die ETL-Daten (Extrahieren, Transformieren und Laden) an den Azure Synapse-Dienst, der Analysen ausführt und die Daten speichert.
  5. Die analysierten Daten und Erkenntnisse werden in Power BI-Berichten verwendet. Der Dienstanbieter kann die Daten für die Systemauswertung und zukünftige Planung verwenden.
  6. Azure Machine Learning verwendet einen Databricks-Cluster, um ML-Modelle für die Energieverwaltung zu trainieren und erneut zu trainieren. Beim erneuten Modelltraining werden aktuelle Daten mit gespeicherten externen Daten (z. B. historische Wetterdaten und Vorhersagedaten) in Azure Cosmos DB kombiniert.
  7. Das erneut trainierte Modell löst eine Pipeline aus, die das Modell verpackt und die erneut trainierten Modelle an IoT Hub sendet. IoT Hub sendet die aktualisierten Modelle zur Verwendung für die Geräteverwaltung an die IoT-Geräte.

Komponenten

  • Azure Application Gateway verwaltet den Datenverkehr zu und von Cloud-Web-Apps und führt einen Lastenausgleich dafür aus.
  • Azure Kubernetes Service (AKS) hostet und vereinfacht die Kubernetes-Orchestrierung von containerisierten Docker-Apps.
  • Azure Container Registry ist ein verwalteter, privater Registrierungsdienst, der AKS-Anwendungen im großen Stil unterstützt.
  • Azure IoT Hub ist ein zentraler Cloudnachrichtenhub für die bidirektionale Kommunikation zwischen IoT-Anwendungen und Geräten.
  • Azure Databricks ist ein schneller, einfacher und zusammenarbeitsorientierter Analysedienst auf Apache Spark-Basis für Big Data-Pipelines.
  • Azure Synapse Analytics (früher SQL Data Warehouse) ist ein Analysedienst, der Data Warehousing für Unternehmen mit Big Data-Analysen vereint.
  • Power BI ist eine Sammlung von Softwarediensten, Apps und Connectors, die Daten in kohärente, ansprechende, interaktive Visualisierungen und Berichte umwandeln.
  • Azure Machine Learning ist eine cloudbasierte Umgebung für maschinelles Lernen, die mit vorhandenen Daten zukünftiges Verhalten, Ergebnisse und Trends vorhersagt.

Szenariodetails

Ein großes Telekommunikationsunternehmen hat die Lösung auf IoT-Geräten bereitgestellt, die so die Rolle von Energie- und Internethubs für Privatumgebungen und kleine Unternehmen übernehmen können.

Die IoT-Geräte verfügen über ein IoT-Gateway, das als Hub für die Datenübertragung und angepasste Dienstbereitstellung fungiert. Die Geräte verwenden eine Dachsolarzelle, um einen Akku zu laden, der LED-Licht, USB-Strom und Mobilfunkkonnektivität liefert. Das Gateway sammelt und überträgt Telemetriedaten von der Solarzelle, dem Akku und den Ausgabegeräten. Die Lösung enthält auch ein IoT-Gerät mit einer integrierten SIM-Karte und einem Tablet, um eine Benutzeroberfläche bereitzustellen.

Das grundlegende IoT-Gerät bietet LED-Licht, Geräteaufladung über USB, Internetkonnektivität und Benutzerunterstützung mithilfe von Warnungen und Chatbots. Benutzer können nach Bedarf oder mit einem Abonnement weitere Dienste und Inhalte nutzen.

Die Lösung kombiniert vernetzte IoT-Geräte mit mobilen Apps auf der Azure-Plattform. Die Lösung liefert ökologischen, kostengünstigen Strom und Internetdienste mit hoher Zuverlässigkeit und minimaler Downtime.

Azure unterstützt in dieser IoT-Lösung zwei Hauptarbeitsstreams:

  • Per IoT-Gerätetelemetrie werden in Echtzeit vorübergehende oder anhaltende Anomalien erkannt. Das System kann in Echtzeit mit Chatbots und Geräteaktionen reagieren. Beispielsweise kann ein Gerät bei geringem Akkustand den Energieverbrauch für im Hintergrund ausgeführte oder inaktive Features automatisch reduzieren. So kann der Benutzer weiterhin ohne Einschränkungen mit den Diensten arbeiten, die er aktiv nutzt.

  • Durch eine Datenanalyse in der Nachbearbeitung und maschinelles Lernen (ML) werden die Nutzung und Incidents ausgewertet, um Predictive Maintenance- und zukünftige Anforderungen zu ermitteln. Mit Warnungen können Kunden über Teile benachrichtigt werden, die voraussichtlich in Kürze defekt sein werden.

Mögliche Anwendungsfälle

Die folgenden Szenarien und Branchen können diese Lösung verwenden:

  • Standorte mit eingeschränkter zentraler Stromversorgung und Internetkonnektivität
  • Organisationen in der Nachrichten- und Unterhaltungsbranche sowie Bildungseinrichtungen zum Bereitstellen von Inhalten und Programmierung
  • Finanzinstitute zum Bereitstellen von Online Commerce- und Bankdienstleistungen
  • Behörden und öffentliche Gesundheitseinrichtungen für die Notfall- und Supportkommunikation

Nächste Schritte