Kwaliteitsgarantie

Event Hubs
Machine Learning
Stream Analytics
Power BI

Oplossingsidee

Als u wilt dat we dit artikel uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsinformatie, laat het ons dan weten met GitHub Feedback!

Met kwaliteitscontrolesystemen kunnen bedrijven defecten voorkomen tijdens hun processen voor het leveren van goederen of services aan klanten. Het bouwen van een dergelijk systeem dat gegevens verzamelt en potentiële problemen langs een pijplijn identificeert, kan enorme voordelen bieden. In digitale productie is kwaliteitscontrole over de hele assemblylijn bijvoorbeeld van cruciaal belang. Het identificeren van vertragingen en mogelijke fouten voordat ze optreden in plaats van nadat ze zijn gedetecteerd, kan bedrijven helpen de kosten voor scrap en herwerk te verlagen en tegelijkertijd de productiviteit te verbeteren.

Deze oplossing laat zien hoe u fouten kunt voorspellen met behulp van het voorbeeld van productiepijplijnen (assemblylijnen). Dit wordt gedaan door gebruik te maken van bestaande testsystemen en foutgegevens, met name door te kijken naar retouren en functionele fouten aan het einde van de assembly-lijn. Door deze te combineren met domeinkennis en hoofdoorzaakanalyse binnen een modulair ontwerp dat de belangrijkste verwerkingsstappen omvat, bieden we een algemene geavanceerde analyseoplossing die gebruikmaakt van machine learning om fouten te voorspellen voordat ze optreden. Een vroege voorspelling van toekomstige fouten maakt minder dure reparaties of zelfs verwijderen mogelijk, wat meestal rendabeler is dan terughalen en garantiekosten.

Architectuur

Architectuurdiagram Download een SVG van deze architectuur.

Gegevensstroom

  1. Bronsysteemgebeurtenisgenerator streamt gegevens naar Azure Event Hub.
  2. Event Hub maakt gebruik van Capture om onbewerkte gebeurtenissen naar Data Lake te verzenden.
  3. Een Stream Analytics-taak leest realtime gegevens uit Event Hub.
  4. Een Stream Analytics-taak roept ML model aan in Azure Machine Learning om fouten/defecten te voorspellen.
  5. Een Stream Analytics verzendt stroomaggregaties naar Power BI realtime dashboard voor bewerkingen.
  6. Een Stream Analytics taak pusht de verwerkte realtime gegevens naar Azure Synapse SQL pool.
  7. Een Logic Apps verzendt waarschuwingen van streaminggegevens naar een mobiele telefoon.
  8. Power BI wordt gebruikt voor het visualiseren van resultaten.

Onderdelen

  • Event Hubs worden assemblyregelgebeurtenissen opgenomen en deze door geven aan Stream Analytics en een Azure ML-webservice.
  • Azure Stream Analytics:Stream Analytics accepteert de invoerstroom van Event Hubs, roept een Azure ML-webservice aan om voorspellingen te doen en verzendt de stream naar Azure Synapse en Power BI en Logic Apps voor waarschuwingen.
  • Azure Machine Learning:Machine Learning helpt u bij het ontwerpen, testen, operationeel maken en beheren van predictive analytics-oplossingen in de cloud en bij het implementeren van webservices die kunnen worden aangeroepen door Stream Analytics.
  • Storage Accounts:Azure Storage onbewerkte gebeurtenisstroomgegevens van Event Hub op en fungeert voor persistentie van gegevens op de lange termijn.
  • Logic Apps:verzendt waarschuwingen die zijn gegenereerd op basis van de streaminggegevens naar het operatorapparaat
  • Synapse Analytics:sla relationele gegevens op voor ad-hoc en geplande analytische verwerking en analytische query's van gebruikers
  • Power BI:visualiseert realtime operationele dashboards en ook servers voor analytische rapporten.

Alternatieven

  • Afhankelijk van het scenario kan de basisarchitectuur worden vereenvoudigd door de batchlaag te verwijderen. Hierbij worden Storage onbewerkte gebeurtenissen verwijderd en Azure Synapse voor relationele gegevens
  • Azure SQL Database is een beheerde relationele database als een service. Afhankelijk van uw gegevensvolumes en toegangspatronen kunt u kiezen Azure SQL Database.
  • Azure Functions biedt een efficiënte serverloze benadering als de workloadarchitectuur is gecentreerd rond afzonderlijke gedistribueerde onderdelen, waarvoor minimale afhankelijkheden zijn vereist, waarbij afzonderlijke onderdelen alleen op aanvraag (niet continu) moeten worden uitgevoerd en het indelen van onderdelen niet vereist is.
  • IoT Hub fungeert als een centrale berichtenhub voor veilige bi-directionele communicatie met de identiteit per apparaat tussen het cloudplatform en de bouwapparatuur en andere site-elementen. IoT Hub kunnen snel gegevens voor elk apparaat verzamelen voor opname in de pijplijn voor gegevensanalyse.

Overwegingen

Schaalbaarheid

Het merendeel van de onderdelen die in dit voorbeeldscenario worden gebruikt, zijn beheerde services die worden geschaald op basis van uw huidige scenariobehoeften.

Zie de controlelijst voor prestatie-efficiëntie in de Azure Architecture Center voor algemene richtlijnen voor het ontwerpen van schaalbare Azure Architecture Center.

Beveiliging

Beheerde identiteiten voor Azure-resources worden gebruikt om toegang te bieden tot andere resources die intern zijn voor uw account. Sta alleen toegang tot de vereiste resources in die identiteiten toe om ervoor te zorgen dat er niets extra's worden blootgesteld aan uw functies (en mogelijk ook aan uw klanten).

Zie de Azure-beveiligingsdocumentatie voor algemene richtlijnen voor het ontwerpen van beveiligde oplossingen.

Flexibiliteit

Alle onderdelen in dit scenario worden beheerd, dus op regionaal niveau zijn ze allemaal automatisch flexibel.

Zie Flexibele toepassingen ontwerpen voor Azure voor algemene richtlijnen voor het ontwerpen van flexibele oplossingen.

Volgende stappen