Sichtbarkeit hilft Herstellern dabei, Erkenntnisse zu gewinnen und die Entscheidungsfindung zu unterstützen, um die Qualität, Sicherheit und Effizienz zu verbessern. Sie umfasst die Visualisierung und Korrelierung von IoT-Daten mit mehreren anderen Geschäftssystemen – einschließlich Prozesshistorikern, MES (Manufacturing Execution Systems, Produktionsleitsysteme), ERP (Enterprise Resource Planning) und Qualitätsmanagementsystemen. Diese Daten wirken sich direkt auf den geschäftlichen Nutzen von Metriken aus. Hierzu zählen beispielsweise die Gesamtanlageneffektivität (GAE), Energiekosten, Maschinenstillstand und Arbeitseffizienz.
Im folgenden Abschnitt finden Sie gängige Sichtbarkeitsmuster für gewerbliche Lösungen.
Grafana ist eine Marke des entsprechenden Unternehmens. Die Verwendung dieser Marke impliziert keine Empfehlung.
Sie können eine PowerPoint-Datei für die folgenden Muster herunterladen.
Zeitreihenanalyse
Analysieren Sie IoT-Telemetriedaten mithilfe von Zeitreihentechniken.
Laden Sie eine PowerPoint-Datei dieses Musters herunter.
Datenfluss
- Das edgeHub-Modul sendet die Daten unter Verwendung von AMQP (Advanced Message Queueing Protocol) oder MQTT an Azure IoT Hub oder Azure IoT Central.
- IoT Hub oder Azure IoT Central verwendet eine Datenverbindung oder einen Datenexport, um Daten an Azure Data Explorer zu senden.
- Azure Data Explorer-Dashboards verwenden die Kusto-Abfragesprache (Kusto Query Language, KQL), um Daten aus den Clustern abzurufen und Dashboards in Quasi-Echtzeit zu erstellen.
- Power BI oder Grafana wird verwendet, um benutzerdefinierte Dashboards mit dem Abfrage-Generator zu erstellen und andere Datenquellen zu integrieren.
Mögliche Anwendungsfälle
- Verwenden Sie dieses Muster in folgenden Fällen:
- Sie benötigen eine Zeitreihenanalyse für umfangreiche IIoT-Telemetriedaten (Industrial IoT).
- Sie benötigen Echtzeitdashboards und Abfragefunktionen im Fertigungsbereich.
- Sie verwenden die Erkennung von univariaten Anomalien und die Korrelation zwischen Sensoren.
Überlegungen
- IoT Central enthält Dashboards für grundlegende Zeitreihenanalysen auf Basis der Daten der letzten 30 Tage. Datasetanalysen, die über 30 Tage hinausgehen, können mithilfe von Azure Data Explorer durchgeführt werden.
- Azure Data Explorer ist eine Plattform, die nur Anfügevorgänge unterstützt, und somit nicht für Daten geeignet, für die Aktualisierungs- oder Löschvorgänge erforderlich sind.
- Weitere Informationen zu Zeitreihenanalysen finden Sie unter Zeitreihenanalysen in Azure Data Explorer.
- Weitere Informationen zur Streamingerfassung finden Sie unter Konfigurieren der Streamingerfassung in Ihrem Azure Data Explorer-Cluster.
- Weitere Informationen zur Notfallwiederherstellung finden Sie unter Notfallwiederherstellungskonfigurationen.
- Weitere Informationen zu Time Series Insights finden Sie unter Migrieren zu Azure Data Explorer.
Bereitstellen dieses Szenarios
- Bereitstellungsbeispiel:
Anomalieerkennung und Ursachenanalyse
Erkennen Sie Anomalien, und identifizieren Sie eine Grundursache für Anomalieincidents.
Laden Sie eine PowerPoint-Datei dieses Musters herunter.
Datenfluss
- Das edgeHub-Modul sendet die Daten unter Verwendung von AMQP oder MQTT an IoT Hub oder Azure IoT Central.
- IoT Hub oder Azure IoT Central verwendet eine Datenverbindung oder einen Datenexport, um Daten an Azure Data Explorer zu senden.
- Azure Data Explorer-Dashboards verwenden KQL, um Daten aus den Clustern abzurufen und Dashboards in Quasi-Echtzeit zu erstellen.
- Azure Metrics Advisor ruft Daten aus Azure Data Explorer unter Verwendung einer Datenfeedkonfiguration ab. Sie konfiguriert die Metrikebene für die Anomalieerkennung und erstellt eine Warnung, die mit einem Webhook verknüpft ist.
- Der Metrics Advisor-Webhook ist mit einer Logik-App mit HTTP-Trigger verbunden. Die Logik-App wird aufgerufen, wenn eine Anomalie erkannt wird.
Mögliche Anwendungsfälle
- Verwenden Sie dieses Muster in folgenden Fällen:
- Sie benötigen eine automatische Anomalieerkennung auf Basis von Machine Learning-Algorithmen und Bereichsschwellenwerten.
- Sie möchten zeitreihenbasierte Machine Learning-Modelle mit wenig oder ganz ohne Programmieraufwand erstellen.
- Sie benötigen ein Anomalieincidentmanagement und Warnungen für geschäftliche Aktionen.
- Sie verwenden Ursachenanalysen und Korrelationszuordnungen.
Überlegungen
- Gewusst wie: Durchführen des Metrics Advisor-Onboardings für Ihre Metrikdaten
- Gewusst wie: Verwalten Ihrer Datenfeeds
- Wie viele Daten sind erforderlich, damit der Metrics Advisor die Anomalieerkennung startet?
- Wichtige Punkte zu Kostenmanagement und Preisen
Bereitstellen dieses Szenarios
- Bereitstellungsbeispiel
Beitragende
Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:
Hauptautor:
- Jomit Vaghela | Principal Program Manager
Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.
Nächste Schritte
- Erkunden der Integration von Time Series Insights
- Ermitteln ungewöhnlicher Zeitreihendaten mithilfe der Anomalieerkennung
- Einführung in Azure Data Explorer