Umgebungsüberwachung und Lieferkettenoptimierung mit IoT

In diesem Artikel wird ein Lagerhallen-Verwaltungsszenario beschrieben, das Umgebungsbedingungen durch die Integration von Sensordaten und öffentlichen Datasets überwacht, die mit ML zum Generieren von Vorhersagen verarbeitet werden. Die Erkenntnisse werden dann verwendet, um die Sicherheit von Personen zu gewährleisten und Lieferkettenvorgänge zu optimieren.

Aufbau

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

1. Sensoren in der Lagerhalle sind verbunden und senden Daten an ein LoRa-Gateway (Long Range-Gateway).

2. Das LoRa-Gateway überträgt Daten über eine Mobilfunkverbindung in die Cloud.

3. myDevices ist eine SaaS-basierte Plug-and-Play-Lösung (Software-as-a-Service). Es werden hierbei Geräte und Gateways verwendet, die automatisch bereitgestellt und dem entsprechenden Kunden zugeordnet werden.

4. Gerätedaten werden an Azure IoT Central gesendet. Kunden verwenden die Lösung zum Steuern und Überwachen der Geräte.

5. Modellierung der Lieferkette und der Lagerhallen mit Azure Digital Twins. Dies ist eine live ausgeführte Umgebung, in der Anwendungen Daten erfassen können, um Einblick in den Status der Lieferkette zu erhalten. Digital Twins integriert sich nativ in Azure Event Hub, mit dem andere Anwendungen interagieren, um Daten aus dem Zwilling abzurufen.

6. Zeitliche und räumliche Daten, die für ML-Modelle erforderlich sind, werden aus den externen Datenquellen ermittelt.

7. Schlüsseldaten werden in Azure-Datenlösungen gespeichert. Blob Storage wird für ML-Trainingsdaten verwendet. Azure Cosmos DB wird für bewertete Daten und wichtige Leistungsindizes verwendet.

8. Telemetriedaten werden über Event Hub von IoT Central erfasst, um die Entkopplung von Datenerfassung und -verbrauch sicherzustellen. Azure Functions wird verwendet, um externe Datenquellen und Telemetriedaten zu kombinieren und dieses DataSet dann auf Anomalien zu analysieren. Die Daten werden über Digital Twins ausgegeben.

9. Azure Databricks führt Datentransformationen aus, die zum Trainieren der ML-Modelle erforderlich sind.

10. Modelle zur Vorhersage von Waldbränden werden mit Azure Machine Learning unter Verwendung von historischen Daten, Echtzeitdaten und Mikro-Wetterdaten trainiert.

11. Routing-Updates werden von der LKW-Streckenplanungs-API von Bing Maps bereitgestellt.

12. Anwendungen können Digital Twins direkt abfragen, um relevante Daten aus dem Modell zu erhalten.

Komponenten

• Azure IoT Central wird als verwaltete IoT-Plattform verwendet. Es bietet Sicherheit, Skalierbarkeit und Verfügbarkeit als Teil des Dienstes, sodass sich die Kunden auf die geschäftlichen Anforderungen konzentrieren können. Benutzer können in Geschäftskomponenten wie Power Apps und Power BI integrieren und über die Datenexportfunktion in IoT Central Benachrichtigungen erstellen.

• Azure-Storage dient der sicheren, skalierbaren und gleichzeitig kostengünstigen Speicherung von Geräteinformationen in der Cloud. Die gespeicherten Daten werden zum Trainieren der ML-Modelle verwendet.

• Azure Cosmos DB wird verwendet, um Anwendungs-Key Performance Indicators (KPIs) und Modellausgaben zu speichern. Azure Cosmos DB ist ein vollständig verwalteter NoSQL-Datenbankdienst für die moderne Anwendungsentwicklung. Er sorgt für schnelle Transaktionen und der Dienst kann problemlos für den globalen Vertrieb aktiviert werden.

• Azure Databricks ist eine Datenanalyseplattform, die für die Microsoft Azure-Clouddienstplattform optimiert ist. Sie wird zum Transformieren, Bearbeiten und Normalisieren von Daten verwendet, damit diese von der Machine Learning-Pipeline richtig verarbeitet werden können.

• Azure Machine Learning wird verwendet, um Vorhersagemodelle für Waldbrände zu erstellen. Die Modelle bieten die zur Bewertung des Risikos eines Waldbrandes erforderlichen Informationen. Um das Modell auf Genauigkeit zu trainieren, sind Eingaben aus mehreren Datenquellen erforderlich. Diese Quellen können Satellitenbilder, Verlaufsdaten, lokale Bodenbedingungen und Wetterdaten umfassen. Basierend auf dem vom Modell vorhergesagten Waldbrandgebiet können die LKWs mithilfe der Supply Chain- und Logistiklösung umgeleitet werden.

Ausführlichere Informationen und verschiedene Implementierungsmöglichkeiten finden Sie in der Azure IoT-Referenzarchitektur.

Szenariodetails

Die Umweltüberwachung ist zu einer wichtigen Aktivität in der globalen Lieferkette geworden. Sie liefert wichtige Signale, die helfen, Entscheidungen in Echtzeit zu treffen, die sich auf Lieferanten und Logistik auswirken können. Luftqualität, Temperatur, Wind, Luftfeuchtigkeit und Kohlendioxid (CO2) sind einige der Indikatoren, an deren Überwachung Fachlageristen bei Naturkatastrophen interessiert sind. Weitergehende Szenarien können die Fusion von Echtzeit- und historischen Daten von Wetterstationen, Luftqualitätssensoren und anderen Quellen beinhalten. Machine Learning-Modelle (ML-Modelle) können dann verwendet werden, um die Auswirkungen dieser Bedingungen und ihre möglichen Auswirkungen auf Lieferkettenvorgänge vorherzusagen.

Mögliche Anwendungsfälle

Diese Lösung ist ideal für die Bereiche Umwelt, Fertigung, Transport und Landwirtschaft geeignet.

• Flottenverwaltung: Diese Lösung kann verwendet werden, wenn Routen basierend auf den sich entwickelnden Bedingungen in den umgebenden Bereichen für die Sicherheit optimiert werden müssen.
• Landwirtschaft: Die Vorhersage von Waldbränden, die sich auf die Sicherheit von Arbeitern und Nutztieren auswirken, ist von entscheidender Bedeutung. Durch die Bereitstellung einer ausreichenden Vorlaufzeit für Benachrichtigungen zu Gefahren können Personen im betroffenen Bereich an sichere Orte evakuiert werden. Landwirtschaftliche Betriebe können auch Nutztierbereiche mit automatisierten Toren ausstatten, die sich im Ernstfall entsperren und öffnen lassen, damit die Tiere entkommen können.

Herausforderungen

In den letzten Jahren ist eine deutliche Zunahme von Waldbränden zu verzeichnen, die eine wachsende Gefahr für Menschen und die globale Lieferkette darstellen. Da die Zahl der verbrannten Ackerflächen von Jahr zu Jahr zunimmt, ist die Widerstandsfähigkeit der Lieferkette gegenüber dem Klimawandel für viele Führungskräfte von größter Bedeutung.

In den USA beträgt die von Waldbränden betroffene Fläche im Jahresdurchschnitt etwa 7.000.000 Acres (knapp 2.832.800 Hektar). Dies ist mehr als das Doppelte des Durchschnitts in den 1990er Jahren. In anderen Ländern/Regionen ist die Situation noch alarmierender. In Australien gibt es zum Beispiel einen zusätzlichen Monat Sommer im Vergleich zu vor 50 Jahren, und die langanhaltende Trockenheit hat die Brandgefahr weiter verschlimmert. Massive Buschbrände haben dort einen wirtschaftlichen Schaden verursacht, der fast zehnmal größer ist als in den Vereinigten Staaten. Australische Waldbrände können sich auf die weltweite Lebensmittelversorgung auswirken, einschließlich Waren wie Rindfleisch, Milch, Wein und Weizen.

Die Risiken für Unternehmen weltweit nehmen von Jahr zu Jahr zu, und die Widerstandsfähigkeit der Lieferkette bei Naturkatastrophen ist entscheidend für die Aufrechterhaltung des globalen Warenflusses. Die Integration von wetterbasierten Prognosen und Vorhersagen in die Kapazitätsplanung der Lieferkette kann Betreibern helfen, die Produktion anzupassen und Versandzeitpläne zu verwalten. Dieses System kann Unterbrechungen und negative Auswirkungen minimieren.

Geschäftsergebnisse

Fachlageristen und große Vertriebszentren werden von einer prädiktiven Methode profitieren, mit der sie feststellen können, ob sich die vorhandene Logistikinfrastruktur im Bereich eines Großbrandes befindet. Ein frühzeitiges Benachrichtigungssystem würde eine höhere Vorlaufzeit bieten, um vorbeugende Maßnahmen zum Schutz von Einrichtungen und Mitarbeitern zu ergreifen. Automatisierte Benachrichtigungen über Änderungen und Pausen in den logistischen Aktivitäten würden auch die Umleitung von Lieferungen mit minimalem menschlichen Eingriff ermöglichen.

Requirements (Anforderungen)

• Automatisierung ist äußerst wichtig. Es kann nicht davon ausgegangen werden, dass Betreiber und Facility Manager Daten über mehrere Systeme hinweg sammeln können, um zeitnahe Entscheidungen zu treffen.
• Lagerhallen, Vertriebseinrichtungen und Betriebsleiter müssen bei unmittelbarer Gefahr auf mehreren Wegen benachrichtigt werden, um sicherzustellen, dass die Informationen zeitnah eintreffen. Beispiele hierfür sind Datendashboard, E-Mail und SMS.
• Es müssen nur Änderungen an den Daten gemeldet werden.
• Die Zustellung und Bereitstellung der Lösung müssen einfach sein. Es sollte ohne Techniker installiert werden, mit Plug-and-Play-Technologie.
• Die Lösung muss wartungsarm und kostengünstig sein.

Muster zur Bewältigung der Herausforderungen

In der nachstehenden Tabelle finden Sie eine Zusammenfassung allgemeiner Anwendungsfälle mit geeigneten IoT-Lösungen. Jeder Anwendungsfall ist ein Beispiel dafür, wie ein IoT-Verarbeitungsmuster auf reale Szenarien angewandt werden kann.

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.

Konnektivität

Die lokalen Geräte und Sensoren der Lösung müssen Daten an Anwendungen in der Cloud senden, aber an einigen Standorten, z. B. in ländlichen Gebieten, ist möglicherweise kein zuverlässiger Internetzugang verfügbar.

Diese Lösung verwendet ein LoRa-Netzwerk, um Mobilfunkkonnektivität bereitzustellen. LoRa hat eine gute Gebäudedurchdringung und ist damit ideal für lagerbezogene Anwendungen. Dieser Ansatz ist kostengünstig und bietet Flexibilität für abgelegene Standorte, die einfach zu verbindende IoT-Geräte und -Sensoren erfordern.

Plug & Play

In einer abgelegenen Umgebung ist es wichtig, dass Geräte einfach bereitgestellt werden können, ohne dass spezielle Kenntnisse erforderlich sind. myDevices verfügt über einen umfangreichen Katalog von IoT-Geräten und -Gateways, die auf mehrere Szenarien angewendet werden können. Sie sind Plug-and-Play-zertifiziert, sodass der Benutzer sie nur an der richtigen Stelle platzieren und einschalten muss. Mit der IoT Central-Integration können Kunden ihr Dashboard einfach anpassen, um ihre Gerätedaten zu nutzen und Alarme zu erstellen.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:

Hauptautor:

• Ansley Yeo | Technology Leader

Nächste Schritte

• IoT in Transport und Logistik: Wie Azure genutzt werden kann, um Ihre Wertschöpfungskette mit erstklassigen IoT- und Location Intelligence-Diensten effizienter und zuverlässiger zu gestalten.
• Architektur der IoT Central Connected Logistics-Anwendungsvorlage: Eine App-Vorlage und ein Leitfaden für die Entwicklung von vernetzten End-to-End-Logistiklösungen.
• Streckenplanungs-API von Bing Maps:Ein kommerzielles Routenplanungs-Tool, das sichere und effiziente Routen berechnet und die Attribute eines Fahrzeugs in Bezug auf alle Routeneinschränkungen berücksichtigt.
• Azure Digital Twins – Lieferkettendemo verwendet Digital Twins, um ein Lieferkettenszenario zu modellieren.
• myDevices bietet LoRa-Konnektivität und Geräte, mit denen Lösungen schnell an Standorten bereitgestellt werden können, an denen Konnektivität eine Herausforderung darstellt und eine umfassende Netzwerkabdeckung erforderlich ist.
• C.H. Robinson Navisphere arbeitet mit Microsoft Azure und Azure IoT zusammen, um echtzeitbasierte Einblicke in die Lieferkette und eine bessere Vorhersagbarkeit und proaktive Entscheidungsfindung zu ermöglichen.
• EPA AirNow API ermöglicht den Zugriff auf Echtzeit-Luftqualitäts- und Waldbranddaten von AirNow, einem Dienst, der von der US-Umweltschutzbehörde (EPA, Environmental Protection Agency) und anderen Bundes-, Stammes-, Landes- und lokalen Behörden unterhalten wird.

Zugehörige Ressourcen

• Azure IoT-Referenzarchitektur
• Verarbeiten von Echtzeit-Fahrzeugdaten mit IoT: Eine Referenzarchitektur für die Erfassung von Echtzeit-Fahrzeugdaten zur Analyse, einschließlich Routenoptimierung.
• IoT-Überwachungs- und -Verwaltungsschleifen stellen ein Entwurfsmuster dar, das ein Überwachungssystem beschreibt, das ein von einer Reihe vernetzter IoT-Geräte gesteuertes physisches System kontinuierlich überwacht.
• IoT-Analyse- und -Optimierungsschleifen stellen ein Entwurfsmuster dar, das die Generierung und Anwendung von Erkenntnissen zur Geschäftsoptimierung auf physische, von Software gesteuerte Systeme ermöglicht, indem Telemetriedaten beschafft, verfeinert und mit Unternehmensdatenquellen kombiniert werden, um Erkenntnisse zu generieren.
• IoT mit Azure Cosmos DB beschreibt eine Beispielarchitektur für die Verwendung von Azure Cosmos DB, um Gerätetelemetriedaten mit hohen Raten zu erfassen und indizierte Abfragen mit geringer Wartezeit und Hochverfügbarkeit zurückzuliefern.