Bearbeiten

Qualitätssicherung

Azure Event Hubs
Azure Machine Learning
Azure Stream Analytics
Power BI

Qualitätssicherungssysteme ermöglichen Unternehmen die Vermeidung von Fehlern bei der Bereitstellung von Waren oder Dienstleistungen für Kunden. Das Erstellen eines solchen Systems, das Daten sammelt und potenzielle Probleme in einer Pipeline identifiziert, bietet enorme Vorteile. Beispielsweise ist bei der digitalen Fertigung die Qualitätssicherung über die gesamte Fertigungslinie zwingend erforderlich. Die Identifizierung von Drosselungen und potenziellen Fehlern vor ihrem Auftreten statt nach ihrer Erkennung kann Unternehmen helfen, die Kosten für Ausschuss und Nachbesserungen zu reduzieren und gleichzeitig die Produktivität zu erhöhen.

Aufbau

Architecture diagram shows data into Azure Event Hubs, then to Data Lake, then processes with Stream Analytics, finally to Power BI visualization.

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

  1. Der Quellsystemereignis-Generator streamt Daten in Azure Event Hubs.
  2. Event Hubs sendet mithilfe von Capture Rohereignisse an Data Lake.
  3. Ein Stream Analytics-Auftrag liest Echtzeitdaten aus Event Hubs.
  4. Ein Stream Analytics-Auftrag ruft das ML-Modell in Azure Machine Learning auf, um Fehler/Mängel vorherzusagen.
  5. Ein Stream Analytics-Auftrag sendet für den Betrieb Datenstromaggregationen an das Echzeitdashboard von Power BI.
  6. Ein Stream Analytics-Auftrag pusht die verarbeiteten Echtzeitdaten in den Azure Synapse SQL-Pool.
  7. Eine Logic Apps-Instanz sendet Warnungen aus Streamingdaten an ein Mobiltelefon.
  8. Power BI wird zur Visualisierung der Ergebnisse verwendet.

Komponenten

  • Event Hubs erfasst Fließbandereignisse und übergibt sie an Stream Analytics und einen Azure ML-Webdienst.
  • Azure Stream Analytics: Stream Analytics akzeptiert den Eingabedatenstrom von Event Hubs, ruft einen Azure ML-Webdienst für Vorhersagen auf und sendet den Datenstrom für Warnungen an Azure Synapse und Power BI sowie Logic Apps.
  • Azure Machine Learning: Mit Machine Learning können Sie Predictive Analytics-Lösungen in der Cloud entwerfen, testen, operationalisieren und verwalten und Webdienste bereitstellen, die von Stream Analytics aufgerufen werden können.
  • Speicherkonten: Azure Storage speichert rohe Ereignisstreamdaten Event Hubs und dient der langfristigen Datenpersistenz.
  • Logic Apps: Sendet Warnungen, die von den Streamingdaten generiert wurden, an das Operatorgerät.
  • Synapse Analytics: Speichert relationale Daten für Ad-hoc- und geplante analytische Verarbeitung sowie für analytische Benutzerabfragen.
  • Power BI: Visualisiert Betriebsdashboards in Echtzeit und dient auch für analytische Berichte.

Alternativen

  • Abhängig vom Szenario kann die grundlegende Architektur vereinfacht werden, indem die Batchebene bzw. der Speicher für Rohereignisse und Azure Synapse für relationale Daten entfernt wird.
  • Azure SQL-Datenbank ist eine verwaltete relationale Datenbank als Dienst (Database-as-a-Service, DaaS). Abhängig von ihren Datenvolumen und Zugriffsmustern können Sie Azure SQL-Datenbank auswählen.
  • Azure Functions: Ein effektiver serverloser Ansatz, wenn die Workloadarchitektur auf abgestimmten verteilten Komponenten mit minimalen Abhängigkeiten basiert, einzelne Komponenten nur bedarfsabhängig (also nicht ständig) ausgeführt werden müssen und keine Orchestrierung von Komponenten erforderlich ist.
  • IoT Hub fungiert als zentraler Nachrichtenhub für die sichere bidirektionale Kommunikation mit gerätespezifischer Identität zwischen Cloudplattform, Baugeräten und anderen Baustellenkomponenten. IoT Hub kann schnell Daten für jedes Gerät sammeln, die dann in der Datenanalysepipeline erfasst werden.

Szenariodetails

Mögliche Anwendungsfälle

Diese Lösung zeigt, wie Sie mit dem Beispiel für Fertigungspipelines (Fertigungslinien) Fehler vorhersagen können. Dies erfolgt durch die Nutzung von bereits vorhandenen Testsystemen und Fehlerdaten, insbesondere durch das Überprüfen von Rücksendungen und Funktionsfehlern am Ende der Fertigungslinie. Wir kombinieren diese mit Bereichskenntnissen und Ursachenanalyse in einem modularen Entwurf, der Hauptverarbeitungsschritte kapselt. So stellen wir eine generische fortschrittliche Analyselösung bereit, die mithilfe von Machine Learning Fehler vorhersagt, bevor sie auftreten. Die frühe Vorhersage zukünftiger Fehler ermöglicht weniger teure Reparaturen oder sogar das Ausrangieren, was in der Regel kostengünstiger ist als Rückruf oder Garantieleistungen.

Überlegungen

Diese Überlegungen beruhen auf den Säulen des Azure Well-Architected Frameworks, d. h. einer Reihe von Grundsätzen, mit denen die Qualität von Workloads verbessert werden kann. Weitere Informationen finden Sie unter Microsoft Azure Well-Architected Framework.

Skalierbarkeit

Die Mehrzahl der in diesem Beispielszenario verwendeten Komponenten sind verwaltete Dienste, die auf Grundlage der Anforderungen Ihres aktuellen Szenarios skaliert werden.

Allgemeine Informationen zur Entwicklung skalierbarer Lösungen finden Sie im Azure Architecture Center in der Prüfliste zur Leistungseffizienz.

Sicherheit

Sicherheit bietet Schutz vor vorsätzlichen Angriffen und dem Missbrauch Ihrer wertvollen Daten und Systeme. Weitere Informationen finden Sie unter Übersicht über die Säule „Sicherheit“.

Verwaltete Identitäten für Azure-Ressourcen ermöglichen den Zugriff auf andere interne Ressourcen Ihres Kontos. Lassen Sie nur den Zugriff auf die erforderlichen Ressourcen in diesen Identitäten zu, um sicherzustellen, dass für Ihre Funktionen (und möglicherweise für Ihre Kunden) keine zusätzlichen Elemente verfügbar gemacht werden.

Allgemeine Informationen zum Entwerfen sicherer Lösungen finden Sie in der Dokumentation zur Azure-Sicherheit.

Resilienz

Da es sich bei allen Komponenten in diesem Szenario um verwaltete Komponenten handelt, ist deren Resilienz auf regionaler Ebene automatisch gewährleistet.

Einen allgemeinen Leitfaden zum Entwerfen resilienter Lösungen finden Sie in den Entwurfsprinzipien für Zuverlässigkeit.

Nächste Schritte