Vorhersage des Füllstands von Öl- und Gastanks

Heutzutage verwenden die meisten Einrichtungen für Probleme bei Tankfüllständen einen reaktiven Ansatz. Diese Reaktivität 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.

Aufbau

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

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 nahezu in Echtzeit Analysen des Eingabestreams aus der Event Hub-Instanz bereitzustellen und direkt in Power BI zur Visualisierung 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

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

Szenariodetails

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 in den Tanks werden während des Optimierungsprozesses überwacht und aufgezeichnet. Öl-, Gas- und Wasserausgabe werden mit Sensoren, Messgeräten und Datensätzen aufgezeichnet. Anhand der Daten aus dem Werk werden dann Vorhersagen erstellt. Beispielsweise können alle 15 Minuten Vorhersagen erstellt werden.

Azure Cognitive Services kann angepasst werden, um unterschiedliche Anforderungen von Werksanlagen und Unternehmen zu erfüllen.

Mögliche Anwendungsfälle

Diese Lösung eignet sich ideal für die Energie-, Automobil- und Luft- und Raumfahrtindustrie.

Vorhersagen werden mithilfe von Echtzeit- und Verlaufsdaten erstellt, die über Sensoren, Messgeräte und Datensätze verfügbar sind. Dies ist in folgenden Szenarien hilfreich:

• 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

Nächste Schritte

Produktdokumentation:

• Was ist Azure Event Hubs?
• Was ist Azure Synapse Analytics?
• Willkommen bei Azure Stream Analytics
• Was ist Azure Machine Learning?
• Was ist Azure Data Factory?

Microsoft Learn-Module:

• Trainieren eines Machine Learning-Modells mit Azure Machine Learning
• Integrieren von Daten mit Azure Data Factory oder Azure Synapse-Pipeline

Zugehörige Ressourcen

• Auswählen einer Technologie für die Datenanalyse in Azure
• Datenstromverarbeitung mit Azure Stream Analytics
• Anomalieerkennungsprozess
• Bedarfsvorhersage
• Vorhersage der Dauer von Krankenhausaufenthalten
• Vorausschauende Flugzeugtriebwerksüberwachung