Megoldási ötletek
Ez a cikk egy megoldási ötlet. Ha azt szeretné, hogy további információkkal bővítsük a tartalmat, például a lehetséges használati eseteket, alternatív szolgáltatásokat, megvalósítási szempontokat vagy díjszabási útmutatást, a GitHub visszajelzésével tudassa velünk.
Ez a cikk egy olyan raktárkezelési forgatókönyvet ismertet, amely az érzékelőadatok és a nyilvános adathalmazok integrálásával figyeli a környezeti feltételeket, és az ml-vel feldolgozva előrejelzéseket hoz létre. Az elemzések ezután az emberek biztonságának biztosítására és az ellátási lánc műveleteinek optimalizálására szolgálnak.
Architektúra
Töltse le az architektúra Visio-fájlját.
Adatfolyam
A raktárépület érzékelői csatlakoztatva vannak, és adatokat küldenek egy LoRa (Long Ra nge) átjárónak.
A LoRa-átjáró mobilhálózati kapcsolat használatával küld le adatokat a felhőbe.
A myDevices egy szolgáltatásként (SaaS)-alapú plug and play megoldás. Olyan eszközöket és átjárókat használ, amelyek automatikusan ki vannak építve, és a megfelelő ügyfélhez vannak társítva.
A rendszer elküldi az eszközadatokat az Azure IoT Centralnak. Az ügyfelek a megoldást az eszközök vezérlésére és figyelésére használják.
Az ellátási lánc és a raktárlétesítmények modellezése az Azure Digital Twins használatával. Ez egy élő végrehajtási környezet, ahol az alkalmazások adatokat tudnak beszedni, hogy áttekinthető legyen az ellátási lánc állapota. A Digital Twins natív módon integrálható az Azure Event Hubbal, amelyet más alkalmazások használnak az ikerpéldány adatainak lekéréséhez.
Az ML-modellek által igényelt időbeli és térbeli adatok a külső adatforrásokból származnak.
A kulcsadatok az Azure-adatmegoldásokban vannak tárolva. A Blob Storage az ml-betanítási adatokhoz használatos. Az Azure Cosmos DB pontozott adatokhoz és kulcsteljesítmény-indexekhez használható.
A telemetriai adatok az IoT Centralból az Event Hubon keresztül kerülnek betöltésre az adatbetöltés és -felhasználás szétválasztása érdekében. Az Azure Functions a külső adatforrások és a telemetriai adatok kombinálására szolgál, majd elemzi az adatkészletet az esetleges rendellenességekkel kapcsolatban. Az adatok a Digital Twinsen keresztül kerülnek felszínre.
Az Azure Databricks elvégzi az ML-modellek betanításához szükséges adatátalakításokat.
A futótűz-előrejelzési modellek betanítása az Azure Machine Tanulás használatával történik az előzményadatok, a valós idejű adatok és a mikro-időjárási adatok felhasználásával.
Az útválasztási frissítéseket a Bing Térképek Truck Routing API biztosítja.
Az alkalmazások közvetlenül lekérdezhetik a Digital Twinst, hogy releváns adatokat szerezzenek be a modellből.
Összetevők
Az Azure IoT Central az IoT által felügyelt platformként használatos. A szolgáltatás részeként biztosítja a biztonságot, a méretezhetőséget és a rendelkezésre állást, így az ügyfelek az üzleti követelményekre összpontosíthatnak. A felhasználók integrálhatók olyan üzleti összetevőkkel, mint a Power Apps és a Power BI, és értesítéseket hozhatnak létre az IoT Central adatexportálási funkciójával.
Az Azure Storage az eszközinformációk felhőben történő biztonságos és méretezhető tárolására szolgál, ami szintén költséghatékony. A tárolt adatok az ML-modellek betanítására szolgálnak.
Az Azure Cosmos DB az alkalmazáskulcs teljesítménymutatóinak (KPI-k) és modellkimeneteinek tárolására szolgál. Az Azure Cosmos DB egy teljes körűen felügyelt NoSQL-adatbázis-szolgáltatás a modern alkalmazásfejlesztéshez. Nagy sebességű tranzakciókat biztosít, és egyszerűen engedélyezheti a szolgáltatást a globális terjesztéshez.
Az Azure Databricks a Microsoft Azure felhőszolgáltatási platformra optimalizált adatelemzési platform. Az adatok átalakítására, manipulálására és normalizálására szolgál, hogy azok megfelelően felhasználhatók legyenek a gépi tanulási folyamat által.
Az Azure Machine Tanulás futótűz előrejelzési modellek létrehozására szolgál. A modellek biztosítják a futótűz kockázatának felméréséhez szükséges intelligenciát. A modell pontosságának betanítása több adatforrásból történik. Ezek a források tartalmazhatnak műholdas képeket, előzményadatokat, helyi talajviszonyokat és időjárási adatokat. A modell által előre meghatározott futótűz terület alapján az Ellátási lánc és a Logisztikai Megoldás át tudja irányítani a teherautókat.
Részletesebb megbeszélésekért tekintse meg az Azure IoT referenciaarchitektúrát , amelyből megismerheti és megismerheti az elérhető megvalósítási lehetőségeket.
Forgatókönyv részletei
A környezetvédelmi monitorozás fontos tevékenységgé vált a globális ellátási láncban. Kulcsfontosságú jeleket biztosít, amelyek segítenek valós idejű döntéseket hozni, amelyek hatással lehetnek a szállítókra és a logisztikára. A levegőminőség, a hőmérséklet, a szél, a páratartalom és a szén-dioxid (CO2) néhány olyan mutató, amelyet a raktár üzemeltetői a természeti katasztrófák során szeretnek nyomon követni. A fejlettebb forgatókönyvek magukban foglalhatják az időjárási állomásokról, a levegőminőség-érzékelőkből és más forrásokból származó valós idejű és előzményadatok összeolvadását. A gépi tanulási (ML-) modellek ezután segíthetnek előre jelezni ezeknek a feltételeknek a hatását, valamint az ellátási lánc műveleteire gyakorolt lehetséges hatásukat.
Lehetséges használati esetek
Ez a megoldás ideális a környezetvédelmi, gyártási, szállítási és mezőgazdasági iparágak számára.
- Flottakezelés: Ez a megoldás akkor használható, ha az útvonalakat a környező területek változó körülményeinek megfelelően kell optimalizálni a biztonságra.
- Mezőgazdaság: Kritikus fontosságú az olyan erdőtüzek előrejelzése, amelyek hatással lesznek a munkavállalók és az állatok biztonságára. Azáltal, hogy elegendő átfutási időt biztosít a veszélyjelzésekhez, az érintett területen lévő személyek biztonságosan evakuálhatnak. A gazdaságok automatizált kapukkal is elláthatják az állattartó területeket, amelyek kinyithatnak és megnyithatnak szörnyű helyzetekben, lehetővé téve az állatok menekülését.
Kihívások
Az elmúlt években jelentősen megnőtt a tüzek száma, ami egyre nagyobb veszélyt jelent az emberekre és a globális ellátási láncra. Az év során felgyújtott holdak számának növekedésével az ellátási lánc éghajlatváltozással szembeni rugalmassága sok vezető számára a legfontosabb.
A Egyesült Államok az erdőtüzek által érintett területek éves átlaga körülbelül 7 000 000 hektár. Ez a terület több mint kétszerese az 1990-es év átlagának. Más országokban/régiókban még riasztóbb a helyzet. Ausztráliában például az 50 évvel ezelőttihez képest több hónapnyi nyár van, és a hosszú távú aszály tovább rontotta a tűzviszonyokat. A hatalmas bokortüzek közel 10-szer nagyobb gazdasági károkat okoztak, mint a Egyesült Államok. Az ausztrál erdőtüzek hatással lehetnek a globális élelmiszer-ellátásra, beleértve az olyan árukat, mint a marhahús, a tej, a bor és a búza.
A vállalkozásokat fenyegető kockázatok világszerte évről évre növekednek, és az ellátási lánc rugalmassága természeti katasztrófák esetén kritikus fontosságú az áruk globális áramlásának fenntartása szempontjából. Az időjárásalapú előrejelzések és előrejelzések az ellátási lánc kapacitásának tervezésébe való integrálásával az üzemeltetők módosíthatják az éles üzemet és kezelhetik a szállítási ütemterveket. Ez a rendszer minimálisra csökkentheti a fennakadásokat és a kedvezőtlen hatásokat.
Vállalati eredmények
A raktárüzemeltetők és a nagyobb elosztóközpontok számára előnyös egy prediktív módszer annak megállapításához, hogy a meglévő logisztikai infrastruktúra nagy tűzeset útjában áll-e. A korai értesítési rendszer nagyobb átfutási időt biztosítana a létesítmények és a személyzet védelmére irányuló megelőző intézkedések meghozásához. A logisztikai tevékenységek változásáról és szüneteltetéséről szóló automatikus értesítések lehetővé tennék a szállítmányok minimális emberi beavatkozással történő átirányítását is.
Követelmények
- Az automatizálás kritikus fontosságú. Nem feltételezhető, hogy az üzemeltetők és a létesítménykezelők több rendszerben is gyűjthetnek adatokat, hogy időben dönthessenek.
- A raktárakat, az elosztó létesítményeket és a műveleti vezetőket több módon kell értesíteni, ha azonnali veszély áll fenn, biztosítva, hogy az információk időben érkeznek. Ilyenek például az adat irányítópultja, az e-mail és a szöveges üzenet.
- Csak az adatok változásait kell jelenteni.
- A megoldás kézbesítésének és üzembe helyezésének egyszerűnek kell lennie. Plug and Play technológiával, technikus nélkül kell telepíteni.
- A megoldásnak alacsony karbantartásnak és költséghatékonynak kell lennie.
Minták a kihívások kezelésére
Az alábbi táblázat összefoglalja a gyakori használati eseteket és a megfelelő IoT-megoldásokat. Minden használati eset egy példa arra, hogyan alkalmazható egy IoT-folyamatminta a valós forgatókönyvekre.
| Használati eset | Megoldások |
|---|---|
| Az ellátási lánc logisztikai átirányításának és a termelés tervezésének engedélyezése az érintett hely közelében futótűz miatti megszakítás valószínűségének előrejelzésével. | Ideális esetben az ellátási lánc minden lényeges elemét figyelni szeretné, hogy átfogóbb választ tudjon adni. A myDevices rendelkezik a LoRa hálózati átjáróhoz csatlakozó hitelesített plug and play eszközök katalógusával. Az átjáró mobilhálózati kapcsolat használatával küld adatokat a felhőalkalmazásnak. LoRa technológia ideális, mert a jel kell behatolni mélyen az épületekbe. A CO2, a hőmérséklet, a páratartalom, a szélirány és a levegőminőség érzékelői a megfelelő épületekben, például tetőkben és tárolóhelyeken telepíthetők. A teherautókba érzékelők is telepíthetők a helykövetés érdekében, hogy megkönnyítsék az átirányítást. |
| Határozza meg a futótűz körülményeit, és ismerje meg egy adott hely veszélyének mértékét. | Az előzményadatokkal, a mikro időjárási körülményekkel és a helyi érzékelőadatokkal betanított futótűz-előrejelzési modellek segíthetnek felmérni a futótűz kockázatát. |
| Automatikus riasztások az evakuációhoz és a létesítmény átirányításához | A nem biztonságos feltételek észlelése után a létesítmény digitális ikerpéldánya frissíthető, hogy jelezhesse, hogy már nincs online állapotban. A frissítés után a hálózat más terjesztési központjai ennek megfelelően megkezdhetik a forgalom átirányítását, ami lehetővé teszi, hogy a helyszíni létesítménykezelők és a raktárkezelők az alkalmazottak biztonságára összpontosítsanak. Ez a forgatókönyv ml használatával jelzi előre, hogy hol fog terjedni a futótűz, nyilvános valós idejű és előzményadatkészletekkel, valamint mikro időjárási adatokkal a pontosabb előrejelzések érdekében. Az érzékelők nyomon követik a futótűz jelenlegi állapotát, és a létesítmény riasztásai kiváltják az alkalmazottak kiürítését. |
Megfontolások
Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework.
Kapcsolatok
A megoldás helyszíni eszközeinek és érzékelőinek adatokat kell küldenie a felhőbeli alkalmazásoknak, de előfordulhat, hogy bizonyos helyeken, például vidéki területeken nem érhető el megbízható internet-hozzáférés.
Ez a megoldás egy LoRa-hálózatot használ a mobilhálózati kapcsolat biztosításához. A LoRa jó épületbevezetéssel rendelkezik, így ideális a raktárral kapcsolatos alkalmazásokhoz. Ez a megközelítés költséghatékony, és rugalmasságot biztosít olyan távoli helyek számára, amelyek könnyen csatlakoztatható IoT-eszközöket és érzékelőket igényelnek.
Plug and play
Távoli környezetben kritikus fontosságú, hogy az eszközök egyszerűen üzembe helyezhetők speciális szakértelem nélkül. A myDevices az IoT-eszközök és -átjárók széles katalógusával rendelkezik, amelyek több forgatókönyvre is alkalmazhatók. Plug and Play minősítéssel rendelkeznek, ezért a felhasználónak mindössze annyit kell tennie, hogy a megfelelő helyre helyezi őket, és bekapcsolja őket. Az IoT Central-integrációval az ügyfelek egyszerűen testre szabhatják az irányítópultjukat az eszközadatok felhasználásához és riasztások létrehozásához.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerző:
- Ansley Yeo | Technológiai vezető
Következő lépések
- IoT a szállításban és a logisztikában: Hogyan használható az Azure a világszínvonalú IoT- és helyintelligencia-szolgáltatásokkal az értéklánc hatékonyságának és megbízhatóságának növelésére.
- Az IoT Centralhoz csatlakoztatott logisztikai alkalmazássablon architektúrája: Alkalmazássablon és útmutató a végpontok közötti összekapcsolt logisztikai megoldások fejlesztéséhez.
- Bing Térképek Truck Routing API: Egy kereskedelmi útválasztási eszköz, amely biztonságos és hatékony útvonalakat számít ki, és figyelembe veszi a jármű attribútumait az útvonalak korlátozásával kapcsolatban.
- Azure Digital Twins – Az ellátási lánc bemutatója a Digital Twins használatával modellezheti az ellátási lánc forgatókönyvét.
- A myDevices LoRa-kapcsolatot és olyan eszközöket biztosít, amelyek lehetővé teszik a megoldások gyors üzembe helyezését azokon a helyeken, ahol a kapcsolat kihívást jelent, és széles körű hálózati lefedettségre van szükség.
- A C.H. Robinson Navisphere a Microsoft Azure-ral és az Azure IoT-vel együttműködve valós idejű betekintést biztosít az ellátási láncba, valamint kiszámíthatóbbá és proaktívabbá teszi a döntéshozatalt.
- Az EPA AirNow API valós idejű levegőminőségi és futótűz-adatokhoz biztosít hozzáférést az Egyesült Államok Környezetvédelmi Ügynöksége (EPA) és más szövetségi, törzsi, állami és helyi ügynökségek által fenntartott AirNow szolgáltatásból.
Kapcsolódó erőforrások
- Az Azure IoT referenciaarchitektúrája
- Valós idejű járműadatok feldolgozása az IoT használatával: Referenciaarchitektúra a valós idejű járműadatok elemzéshez való betöltéséhez, beleértve az útvonaloptimalizálást is.
- Az IoT-ciklusok monitorozása és kezelése egy felügyeleti rendszert leíró tervezési minta, amely folyamatosan figyeli a hálózati IoT-eszközök által vezérelt fizikai rendszert.
- Az IoT-ciklusok elemzése és optimalizálása olyan tervezési minta, amely lehetővé teszi az üzleti optimalizálási elemzések létrehozását és alkalmazását a szoftver által szabályozott fizikai rendszereken a telemetriai adatok beszerzésével, finomításával és vállalati adatforrásokkal való kombinálásával az elemzések létrehozásához.
- Az Azure Cosmos DB-t használó IoT egy példaarchitektúra, amely az Azure Cosmos DB-t használja az eszköz telemetriai adatainak nagy sebességgel való betöltéséhez, és alacsony késéssel és magas rendelkezésre állással képes kiszolgálni az indexelt lekérdezéseket.