Minőségbiztosítás

Event Hubs
Machine Learning
Stream Analytics
Power BI

Solution Idea

Ha szeretné látni, hogyan bővítjük ki ezt a cikket olyan további információkkal, mint a lehetséges esetek, az alternatív szolgáltatások, az implementációval kapcsolatos megfontolások vagy a díjszabási útmutató, GitHub visszajelzéssel!

A minőségbiztosítási rendszerek lehetővé teszik a vállalkozások számára, hogy megakadályozzák a hibákat a termékek vagy szolgáltatások ügyfeleknek való kézbesítésének folyamatai során. Egy olyan rendszer kiépítése, amely adatokat gyűjt, és azonosítja a lehetséges problémákat egy folyamat mentén, óriási előnyökkel jár. A digitális gyártásban például elengedhetetlen a gyártósor minőségbiztosítása. A lassulások és a lehetséges hibák észlelésük előtti azonosítása segíthet a vállalatoknak csökkenteni a selejtek és az átdolgozottság költségeit a hatékonyság növelése mellett.

Ez a megoldás bemutatja, hogyan jelezheti előre a hibákat a gyártási folyamatok (gyártósorok) példáján keresztül. Ez a már működő tesztrendszerek és a meghibásodási adatok stb. stb., különösen a sor végén történt visszatérési és működési hibák vizsgálatával történik. Ha ezeket a tartományismeretekkel és a kiváltó okokkal kapcsolatos elemzéssel kombináljuk egy moduláris kialakításban, amely magábanfogja a fő feldolgozási lépéseket, egy általános fejlett elemzési megoldást biztosítunk, amely gépi tanulással előrejelezi a hibákat, mielőtt azok bekövetkeznek. A jövőbeli hibák korai előrejelzése kevésbé költséges javításokat vagy akár elvetéseket is lehetővé tesz, amelyek általában költséghatékonyabbak, mint a visszahívási és jótállási költségek.

Architektúra

Architektúradiagram Az architektúra SVG-nek letöltése.

Adatfolyam

  1. A forrásrendszer eseménygenerátora adatokat streamel az Azure Event Hubba.
  2. Az eseményközpont a Capture segítségével küld nyers eseményt a Data Lake-nek.
  3. Egy Stream Analytics feladat valós idejű adatokat olvas az eseményközpontból.
  4. Egy Stream Analytics feladat ML a Azure Machine Learning a hibák előrejelzésére.
  5. Egy Stream Analytics feladat streamösszesítőket küld Power BI valós idejű irányítópultra a műveletekhez.
  6. A Stream Analytics feladat leküldi a feldolgozott valós idejű adatokat a Azure Synapse SQL készletbe.
  7. A Logic Apps küld riasztásokat a streamelési adatokról egy mobiltelefonra.
  8. Power BI az eredmények megjelenítésére használható.

Összetevők

  • Event Hubs a szerelvénysor eseményeit, és továbbítja azokat a Stream Analytics és egy Azure ML Web Service-nek.
  • Azure Stream Analytics :Stream Analytics fogadja az Event Hubs bemeneti streamet, egy Azure ML-webszolgáltatást hív meg az előrejelzésekhez, és elküldi a streamet az Azure Synapse és Power BI és Logic Apps a riasztások számára.
  • Azure Machine Learning:Machine Learning segítségével prediktív elemzési megoldásokat tervezhet, tesztelhet, helyezhet üzembe és kezelhet a felhőben, és üzembe helyezheti a Stream Analytics.
  • Storage-fiókok:Az Azure Storage az Event Hubról származó nyers események streamelési adatait tárolja, és hosszú távú adatmegőrzésre szolgál.
  • Logic Apps:A streamelési adatokból létrehozott riasztásokat küld az operátori eszközre
  • Synapse Analytics:Relációs adatok tárolása alkalmi és tervezett elemzési feldolgozáshoz és felhasználói analitikus lekérdezésekhez
  • Power BI:valós idejű operatív irányítópultokat és az elemzési jelentések kiszolgálóit is vizualizálja.

Alternatív megoldások

  • A forgatókönyvtől függően az alapszintű architektúra egyszerűsíthető a kötegelt réteg eltávolításával, így eltávolítható a nyers Storage és a relációs adatok Azure Synapse is.
  • Azure SQL Database egy felügyelt, szolgáltatásként felügyelt relációs adatbázis. Az adatmennyiségtől és a hozzáférési mintáktól függően kiválaszthatja a Azure SQL Database.
  • Azure Functions hatékony kiszolgáló nélküli megközelítést biztosít, ha a számítási feladat architektúrája részletes elosztott összetevők köré van osztva, és minimális függőségeket igényel, ahol az egyes összetevők csak igény szerint (nem folyamatosan) futtathatók, és az összetevők vezénylése nem szükséges.
  • IoT Hub központi üzenetközpontként működik, amely biztonságos kétirányú kommunikációt biztosít az eszközönkénti identitással a felhőplatform és az építőeszközök és más webhelyelemek között. IoT Hub gyorsan gyűjthet adatokat az egyes eszközökről az adatelemzési folyamatba való begyűjtés céljából.

Megfontolandó szempontok

Méretezhetőség

A példaforgatókönyvben használt összetevők többsége felügyelt szolgáltatás, amely az aktuális forgatókönyv igényeinek megfelelően skálázható.

A skálázható megoldások tervezésével kapcsolatos általános útmutatásért tekintse meg a teljesítményhatékonysági ellenőrzőlistát a Azure Architecture Center.

Biztonság

Az Azure-erőforrások felügyelt identitása a fiókon belüli egyéb erőforrásokhoz biztosít hozzáférést. Csak az identitások szükséges erőforrásaihoz engedélyezze a hozzáférést, hogy semmi további ne legyen elérhető a függvények számára (és az ügyfelek számára is).

A biztonságos megoldások tervezésével kapcsolatos általános útmutatásért tekintse meg az Azure Security dokumentációját.

Rugalmasság

Ebben a forgatókönyvben az összes összetevőt kezelik, így regionális szinten mind automatikusan rugalmasak.

A rugalmas megoldások tervezésére vonatkozó általános útmutatásért lásd: Rugalmas alkalmazások tervezése az Azure-hoz.

Következő lépések