IoT を使用した環境の監視とサプライ チェーンの最適化

この記事では、センサー データとパブリック データセットを統合することにより環境条件を監視し、ML で処理して予測を生成する倉庫管理シナリオについて説明します。 その後、得られた分析情報を使用して、人の安全を確保し、サプライ チェーンの運用を最適化できます。

Architecture

このアーキテクチャの Visio ファイルをダウンロードします。

データフロー

1. 倉庫設備のセンサーは、LoRa (Long Range) ゲートウェイに接続されており、このゲートウェイにデータが送信されます。

2. LoRa ゲートウェイは、携帯ネットワーク接続を使用してクラウドにデータをプッシュします。

3. myDevices は、SaaS (サービスとしてのソフトウェア) ベースのプラグ アンド プレイ ソリューションです。 このソリューションでは、自動的にプロビジョニングされ、対応するお客様に関連付けられるデバイスとゲートウェイが使用されます。

4. デバイス データは、Azure IoT Central に送信されます。 お客様は、デバイスを制御および監視するためのソリューションを使用します。

5. Azure Digital Twins を使用して、サプライ チェーンと倉庫設備をモデル化します。 これは、アプリケーションでデータを取り込んでサプライ チェーンの状態を可視化できるライブ実行環境です。 Digital Twins は Azure Event Hub とネイティブに統合されます。他のアプリケーションでは、これと対話して、ツインからデータを取得します。

6. ML モデルに必要なテンポラルな空間データは、外部データ ソースから取得されます。

7. キー データは、Azure データ ソリューションに格納されます。 BLOB ストレージは、ML トレーニング データに使用されます。 Azure Cosmos DB は、スコア付けされたデータと主要なパフォーマンス インデックスに使われます。

8. テレメトリ データは、データのインジェストと使用を確実に分離するため、イベント ハブ経由で IoT Central から取り込まれます。 Azure Functions は、外部データ ソースとテレメトリ データを結合し、このデータ セットに異常がないかを分析するために使用されます。 データは Digital Twins 経由で表示されます。

9. Azure Databricks により、ML モデルのトレーニングに必要なデータ変換が実行されます。

10. 山火事予測モデルは、履歴データ、リアルタイム データ、マイクロ気象データを利用することにより、Azure Machine Learning を使用してトレーニングされます。

11. ルート指定の更新は、Bing Maps Truck Routing API によって提供されます。

12. アプリケーションでは、Digital Twins に直接クエリを実行して、モデルから関連するデータを取得できます。

Components

• Azure IoT Central は、IoT マネージド プラットフォームとして使用されます。 これにより、サービスの一部としてセキュリティ、スケーラビリティ、可用性が提供されるため、お客様はビジネス要件に注力できます。 ユーザーは、Power Apps や Power BI などのビジネス コンポーネントと統合し、IoT Central のデータ エクスポート機能を使用して通知を作成できます。

• Azure Storage は、安全かつスケーラブルで、コスト効率にも優れた方法でクラウドにデバイス情報を格納するために使用されます。 格納データは、ML モデルのトレーニングに使用されます。

• Azure Cosmos DB は、アプリケーションの主要業績評価指標 (KPI) とモデル出力を格納するために使用されます。 Azure Cosmos DB は、最新のアプリケーションを開発するためのフル マネージド NoSQL データベース サービスです。 これにより、高速なトランザクションが提供され、グローバル分散のためのサービスを簡単に実現できます。

• Azure Databricks は、Microsoft Azure クラウド サービス プラットフォーム用に最適化された Data Analytics プラットフォームです。 これは、データが機械学習パイプラインで適切に使用されるようにするため、データを変換、操作、正規化する目的で使用されます。

• Azure Machine Learning は、山火事予測モデルを作成するために使用されます。 このモデルは、山火事のリスクを評価するために必要なインテリジェンスを提供します。 モデルをトレーニングして精度を上げるには、複数のデータ ソースからの入力が必要です。 これらのソースには、衛星画像、履歴データ、その地域の土壌状態、気象データが含まれる場合があります。 モデルから予測される山火事のエリアを基に、"サプライ チェーンおよびロジスティクスのソリューション" でトラックのルートを再指定できます。

詳細については、「Azure IoT 参照アーキテクチャ」を参照して、使用可能なさまざまな実装の選択肢についてご確認ください。

シナリオの詳細

環境監視は、グローバル サプライ チェーンにおける重要なアクティビティとなっています。 これによって、サプライヤーや物流に影響する可能性のあるリアルタイムの意思決定に役立つ主要なシグナルが提供されます。 大気質、気温、風、湿度、二酸化炭素 (CO2) は、自然災害時に倉庫オペレーターによる監視対象となる指標の一部です。 より高度なシナリオには、測候所、大気質センサー、その他のソースのリアルタイム データと履歴データを統合することが含まれる場合があります。 その後、機械学習 (ML) モデルを使用して、これらの条件の影響と、サプライ チェーン運用に及ぶ可能性のある影響を予測できます。

考えられるユース ケース

当該ソリューション*は、環境*産業、製造業、運送業、農産業に最適です。

• 車両管理: このソリューションは、周辺地域の変化し続ける条件に基づいて、安全性を確保するためにルートを最適化する必要がある場合に使用できます。
• 農業: 従業員や家畜の安全に重大な影響を及ぼすおそれのある山火事を予測します。 危険通知に十分なリード タイムを提供することにより、影響受ける地域の人々は安全に退避できます。 農場では、緊急時にロックが解除して開く自動ゲートを家畜エリアに設置して、動物が逃げられるようにすることができます。

直面している課題

ここ数年、山火事が大幅に増加しており、住民とグローバル サプライ チェーンがますます大きな危険にさらされています。 山火事による焼損面積が年々増加しているため、気候変動に対するサプライ チェーンの回復性は多くのリーダーにとって重要な関心事になっています。

米国では、山火事の影響を受ける面積は、年平均で約 7,000,000 エーカーにもなります。 この面積は、1990 年代の平均の 2 倍を超える数値です。 他の国/リージョンでは、状況はさらに深刻になっています。 たとえば、オーストラリアでは 50 年前に比べて夏が 1 か月長くなり、長期間の干ばつにより火災状態はさらに深刻になっています。 この国では、大規模な森林火災により、米国のほぼ 10 倍の経済損失が発生しています。 オーストラリアの森林火災は、牛肉、牛乳、ワイン、小麦などを含む、世界的な食糧供給に影響を及ぼすおそれがあります。

世界中の企業に対するリスクは年々増加し続けており、自然災害時のサプライ チェーンの回復性は、地球規模で商品の流通を維持するための重要な要素になっています。 サプライ チェーンのキャパシティ プランニングに気象ベースの予測を統合することにより、オペレーターは生産調整や出荷スケジュール管理をしやすくなります。 このシステムにより、中断や悪影響を最小限に抑えることができます。

ビジネス成果

倉庫オペレーターや主要な配送センターでは、既存の物流インフラストラクチャが大規模な火災の進路にあるかどうかを判断するための予測方法を役立てることができます。 早期通知システムを使用することで、リード タイムを増し、設備や人員を保護するための予防措置を講じることができます。 物流アクティビティの変更や一時停止を自動通知する機能により、人間の介入を最小限に抑えて出荷ルートを再指定できます。

必要条件

• 自動化は重要です。 オペレーターや施設管理者は、複数のシステムからデータを収集して常にタイムリーに決定を下せるわけではありません。
• 倉庫、物流施設、運用担当のマネージャーは、緊急な危険が生じたときに複数の手段で通知を受け、情報を確実かつタイムリーに受け取れるようになっている必要があります。 たとえば、データ ダッシュボード、メール、テキスト メッセージなどがあります。
• データの変更点のみが報告される必要があります。
• ソリューションの配信とデプロイは単純である必要があります。 技術者が立ち会わなくても、プラグ アンド プレイ テクノロジを使用してインストールできる必要があります。
• ソリューションは、メンテナンスが少なくて済み、コスト効率が高くなければなりません。

課題に対処するためのパターン

次の表に、一般的なユース ケースとそれに対応する IoT ソリューションの概要を示します。 ユース ケースごとに、IoT プロセス パターンを実際のシナリオに適用する方法の例を示します。

考慮事項

以降の考慮事項には、ワークロードの品質向上に使用できる一連の基本原則である Azure "Well-Architected Framework" の要素が組み込まれています。 詳細については、「Microsoft Azure Well-Architected Framework」を参照してください。

接続

このソリューションのオンサイト デバイスとセンサーは、クラウド内のアプリケーションにデータを送信する必要がありますが、僻地などの一部の場所では信頼できるインターネット アクセスを利用できないおそれがあります。

このソリューションでは、LoRa ネットワークを使用して携帯ネットワーク接続を提供します。 LoRa は建物侵入損失が小さいため、倉庫関連のアプリケーションに最適です。 このアプローチはコスト効率に優れており、簡単に接続できる IoT デバイスやセンサーを必要とするリモートの場所に柔軟に対応できます。

プラグ アンド プレイに対応しています。

リモート設定では、特別な専門知識がなくてもデバイスを簡単に配置できることが重要です。 myDevices には、複数のシナリオに適用できる IoT デバイスとゲートウェイの豊富なカタログが用意されています。 これらはプラグ アンド プレイ認定を受けているので、ユーザーは適切な場所に設置して電源を入れるだけで使用できます。 IoT Central との統合により、お客様は、自分のデバイス データを使用してアラートを作成するようにダッシュボードを簡単にカスタマイズできます。

共同作成者

この記事は、Microsoft によって保守されています。 当初の寄稿者は以下のとおりです。

プリンシパル作成者:

• Ansley Yeo | 技術リーダー

次のステップ

• 輸送と物流における IoT: Azure を使用して、世界レベルの IoT およびロケーション インテリジェンス サービスによって、お客様のバリュー チェーンの効率性と信頼性を向上させる方法。
• IoT Central のコネクテッド ロジスティクス アプリケーション テンプレートのアーキテクチャ: エンド ツー エンドのコネクテッド ロジスティクス ソリューションを開発するためのアプリ テンプレートとガイダンス。
• Bing Maps Truck Routing API: 安全で効率的なルートを計算し、あらゆるルート制限に関して車両の属性を考慮する商用ルート指定ツール。
• Azure Digital Twins - サプライ チェーン デモ: Digital Twins を使用してサプライ チェーン シナリオをモデル化します。
• myDevices: 接続が容易ではなく、広いネットワーク通信範囲が必要とされる場所にソリューションを迅速にデプロイできる、LoRa 接続とデバイスを提供します。
• C.H. Robinson Navisphere: Microsoft Azure および Azure IoT と連携してサプライ チェーンをリアルタイムに可視化し、予測可能性の向上と、よりプロアクティブな意思決定を可能にします。
• EPA AirNow API: 米国環境保護庁 (EPA) およびその他の連邦、部族、州、地方機関によって管理されている AirNow サービスの、大気質や山火事に関するリアルタイム データへのアクセスを提供します。

関連リソース

• Azure IoT 参照アーキテクチャ
• IoT を使用したリアルタイムの車両データ処理: ルートの最適化などの分析のためにリアルタイムの車両データを取り込むための参照アーキテクチャ。
• IoT の監視と管理ループ: ネットワークに接続された一連の IoT デバイスにより制御される物理システムを継続的に監視する監督システムについて説明した設計パターン。
• IoT の分析と最適化ループ: ビジネス最適化分析情報を生成してソフトウェア制御の物理システムに適用できるようにする設計パターン。テレメトリを入手および微調整し、エンタープライズ データ ソースと組み合わせて分析情報を生成することにより、これを実現します。
• Azure Cosmos DB を使った IoT: Azure Cosmos DB を使ってデバイス テレメトリ データを高速で取り込み、インデックス付けされたクエリを低遅延と高可用性で返すことができるようにするアーキテクチャ例について説明します。