품질 보증 시스템을 통해 회사에서 고객에게 상품 또는 서비스를 제공하는 프로세스 전체에서 결함을 방지할 수 있습니다. 파이프라인을 따라 데이터를 수집하고 잠재적인 문제를 식별하는 시스템을 구축하면 상당한 이점을 얻을 수 있습니다. 예를 들어 디지털 제조 부문에서는 공장 자동화 전체의 품질 보증이 필수적입니다. 검색된 후가 아니라 발생하기 전에 성능 저하 및 잠재적 오류를 식별하면 회사에서 폐기 및 재작업 비용을 줄이는 동시에 생산성을 향상시키는 데 도움이 될 수 있습니다.
아키텍처
이 아키텍처의 Visio 파일을 다운로드합니다.
데이터 흐름
- 원본 시스템 이벤트 생성기는 Azure Event Hubs로 데이터를 스트리밍합니다.
- Event Hubs는 Capture를 사용하여 원시 이벤트를 Data Lake로 전송합니다.
- Stream Analytics 작업이 Event Hubs에서 실시간 데이터를 읽습니다.
- Stream Analytics 작업이 실패/결함 예측을 위해 Azure Machine Learning에서 ML 모델을 호출합니다.
- Stream Analytics 작업이 작업을 위해 Power BI 실시간 대시보드로 스트리밍 집계를 전송합니다.
- Stream Analytics 작업이 처리된 실시간 데이터를 Azure Synapse SQL 풀로 푸시합니다.
- Logic Apps가 스트리밍 데이터의 경고를 휴대폰으로 전송합니다.
- 결과 시각화를 위해 Power BI가 사용됩니다.
구성 요소
- Event Hubs는 어셈블리 라인 이벤트를 수집하고 이를 Stream Analytics 및 Azure ML 웹 서비스로 전달합니다.
- Azure Stream Analytics: Stream Analytics는 Event Hubs에서 입력 스트림을 수락하고, 예측 수행을 위해 Azure ML 웹 서비스를 호출하고, 경고를 위해 스트림을 Azure Synapse와 Power BI 및 Logic Apps로 전송합니다.
- Azure Machine Learning: Machine Learning을 사용하면 클라우드에서 예측적인 분석 솔루션을 설계, 테스트, 운영화 및 관리하고 Stream Analytics로 호출할 수 있는 웹 서비스를 배포할 수 있습니다.
- Storage Accounts: Azure Storage는 Event Hubs로부터 원시 이벤트 스트림 데이터를 저장하고 장기적인 데이터 지속성을 제공합니다.
- Logic Apps: 스트리밍 데이터로부터 생성된 경고를 운영자 디바이스로 전송합니다.
- Synapse Analytics: 임시 및 계획된 분석 처리 및 사용자 분석 쿼리에 대한 관계형 데이터를 저장합니다.
- Power BI: 실시간 운영 대시보드를 시각화하고 분석 보고서를 제공합니다.
대안
- 원시 이벤트를 위한 스토리지 및 관계형 데이터를 위한 Azure Synapse 제거와 같이 시나리오에 따라 일괄 처리 계층을 제거하여 기본 아키텍처를 간소화할 수 있습니다.
- Azure SQL Database는 관리되는 관계형 Database as-a-Service입니다. 데이터 볼륨 및 액세스 패턴에 따라 Azure SQL Database를 선택할 수 있습니다.
- Azure Functions는 워크로드 아키텍처가 세분화된 분산된 구성 요소에 집중되고, 최소한의 종속성이 필요하며, 개별 구성 요소가 요청 시에만 실행되고(불연속) 구성 요소의 오케스트레이션이 필요하지 않은 경우에 효과적인 서버리스 접근 방식을 제공합니다.
- IoT Hub는 디바이스별 ID를 사용하여 클라우드 플랫폼과 건설 장비 및 기타 현장 요소 간에 안전한 양방향 통신이 가능하도록 중앙 메시지 허브 역할을 합니다. IoT Hub는 각 디바이스에 대한 데이터를 신속하게 데이터 분석 파이프라인으로 수집할 수 있습니다.
시나리오 정보
잠재적인 사용 사례
이 솔루션은 제조 파이프라인(어셈블리 라인) 예를 사용하여 실패를 예측하는 방법을 보여 줍니다. 이를 위해 이미 있는 테스트 시스템과 실패 데이터를 활용하고, 특히 어셈블리 라인 끝에서 반품과 기능 오류를 살펴봅니다. 기본 처리 단계가 포함된 모듈식 설계 내에서 도메인 지식 및 근본 원인 분석과 함께 조합하여 기계 학습을 사용하여 오류가 발생하기 전 예측하는 일반적인 고급 분석 솔루션을 제공할 수 있습니다. 미래에 발생할 오류를 조기에 예측하여 수리 또는 폐기 비용을 낮출 수 있으므로, 리콜 및 보증 비용보다 비용 효율성이 높습니다.
고려 사항
이러한 고려 사항은 워크로드의 품질을 향상시키는 데 사용할 수 있는 일단의 지침 원칙인 Azure Well-Architected Framework의 핵심 요소를 구현합니다. 자세한 내용은 Microsoft Azure Well-Architected Framework를 참조하세요.
확장성
이 예제 시나리오에 사용된 구성 요소는 대부분 현재 시나리오 요구를 기준으로 크기가 조절되는 관리형 서비스입니다.
확장 가능한 솔루션 설계에 대한 일반적인 지침은 Azure 아키텍처 센터의 성능 효율성 검사 목록을 참조하세요.
보안
우수한 보안은 중요한 데이터 및 시스템에 대한 고의적인 공격과 악용을 방어합니다. 자세한 내용은 보안 요소의 개요를 참조하세요.
Azure 리소스용 관리 ID는 계정 내부의 다른 리소스에 대한 액세스 권한을 제공하기 위해 사용됩니다. 이러한 ID에 필요한 리소스에만 액세스할 수 있도록 허용하여 추가적으로 사용자의 함수에(그리고 잠재적으로 고객에게 ) 노출되지 않도록 합니다.
보안 솔루션 디자인에 대한 일반적인 지침은 Azure 보안 설명서를 참조하세요.
복원력
이 시나리오의 모든 구성 요소가 관리되므로 모두 지역 수준에서 자동으로 복원됩니다.
복원력 있는 솔루션 설계에 대한 일반적인 지침은 안정성 디자인 원칙을 참조하세요.
다음 단계
- Azure에서 서버리스 웹앱 빌드
- Azure에서 예측 모델을 만드는 방법 알아보기
- Azure Streaming Analytics로 데이터 스트리밍 솔루션을 구현하는 방법 알아보기
- Azure Event Hubs 설명서
- Azure Stream Analytics 설명서
- Azure Machine Learning 설명서
- Azure Storage 설명서
- Azure Logic Apps 설명서
- Azure Synapse Analytics 설명서
- Power BI에서 보고서 및 대시보드 만들기 - 설명서