Vorhersage des Füllstands von Öl- und Gastanks

Data Factory
Event Hubs
Machine Learning
Stream Analytics
Synapse Analytics
Power BI

Lösungsidee

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!

Heutzutage verwenden die meisten Einrichtungen für Probleme bei Tankfüllständen einen reaktiven Ansatz. Dies führt häufig zu Überläufen, Notabschaltungen, hohen Sanierungskosten, Problemen mit Aufsichtsbehörden, kostspieligen Reparaturen und Geldbußen. Mithilfe von Füllstandvorhersagen können diese und andere Probleme bewältigt und verringert werden.

Vorhersagen werden mithilfe von Echtzeit- und Verlaufsdaten erstellt, die über Sensoren, Messgeräte und Datensätze verfügbar sind. Dies unterstützt Sie bei Folgendem:

  • Verhindern von Tanküberlauf und Notfallabschaltungen
  • Erkennen von Hardwarestörungen oder -ausfällen
  • Planen von Wartung, Herunterfahren und Logistik
  • Optimieren der Betriebs- und Werkseffizienz
  • Erkennen von Rohrleitungsleckagen und Stoßwellen
  • Verringern von Kosten, Bußgeldern und Ausfallzeiten

Der Prozess für die Vorhersage des Tankfüllstands beginnt bei der Einfüllung. Das Öl wird beim Eintreffen im Werk mit Messgeräten gemessen und zu den Tanks befördert. Die Füllstände werden während der Aufbereitung in den Tanks überwacht und aufgezeichnet. Dann wird mit Sensoren, Messgeräten und Datensätzen die Ausbringung von Öl, Gas und Wasser aufgezeichnet. Anhand der Daten aus dem Werk werden dann Vorhersagen erstellt. Beispielsweise können alle 15 Minuten Vorhersagen erstellt werden.

Cortana Intelligence Suite kann angepasst werden, um unterschiedliche Anforderungen von Werksanlagen und Unternehmen zu erfüllen.

Aufbau

Architekturdiagramm Laden Sie eine SVG-Datei für diese Architektur herunter.

BESCHREIBUNG

Weitere Informationen zur Erstellung dieser Lösung finden Sie im Lösungshandbuch auf GitHub.

Die Cortana Intelligence Suite bietet über Microsoft Azure modernste Analysetools für die Erfassung, Speicherung und Verarbeitung von Daten sowie fortschrittliche Analysekomponenten, die alle wesentlichen Elemente für die Erstellung einer Lösung zur Vorhersage von Tankfüllständen darstellen.

Diese Lösung kombiniert mehrere Azure-Dienste, um überzeugende Vorteile zu bieten. Event Hubs erfasst Daten zum Tankfüllstand in Echtzeit. Stream Analytics aggregiert die Streamingdaten und stellt sie zur Visualisierung zur Verfügung. Azure Synapse Analytics speichert und transformiert die Daten zum Tankfüllstand. Machine Learning implementiert das Vorhersagemodell und führt es aus. Power BI visualisiert den Tankfüllstand in Echtzeit sowie die Vorhersageergebnisse. Data Factory orchestriert und plant schließlich den gesamten Datenfluss.

Über die Schaltfläche „Bereitstellen“ wird ein Workflow gestartet, der eine Instanz der Lösung innerhalb einer Ressourcengruppe in dem von Ihnen angegebenen Azure-Abonnement bereitstellt. Die Lösung umfasst mehrere Azure-Dienste (siehe unten) in Verbindung mit einem Webauftrag, der Daten simuliert, sodass Sie unmittelbar nach der Bereitstellung über eine funktionierende Komplettlösung verfügen.

Sehen Sie nach der Bereitstellung die Anweisungen zu den Schritten nach der Bereitstellung ein.

Technische Details und Workflow

  1. Die Daten werden als Datenpunkte oder Ereignisse in den Azure Event Hubs- und den Azure Synapse Analytics-Dienst eingespeist, die im restlichen Lösungsfluss verwendet werden.
  2. Azure Stream Analytics analysiert die Daten, um Analysen des Eingabestreams aus der Event Hub-Instanz nahezu in Echtzeit zu bieten und zur Visualisierung direkt in Power BI zu veröffentlichen.
  3. Azure Machine Learning dient zur Prognostizierung des Tankfüllstands einer bestimmten Region unter Berücksichtigung der empfangenen Eingaben.
  4. Azure Synapse Analytics dient zum Speichern der von Azure Machine Learning empfangenen Vorhersageergebnisse. Diese Ergebnisse werden dann im Power BI-Dashboard genutzt.
  5. Azure Data Factory übernimmt die Orchestrierung und Planung des stündlichen erneuten Trainings des Modells.
  6. Zum Schluss wird Power BI für die Visualisierung der Ergebnisse verwendet, sodass Benutzer den Tankfüllstand eines Werks in Echtzeit überwachen und mithilfe des vorhergesagten Füllstands einen Überlauf verhindern können.

Komponenten

Nächste Schritte