Garantia de qualidade

Hubs de Eventos
Machine Learning
Stream Analytics
Power BI

Ideia da solução

se você quiser nos ver, expanda este artigo com mais informações, como casos de uso em potencial, serviços alternativos, considerações sobre implementação ou diretrizes de preços, fale conosco com GitHub comentários!

Os sistemas de garantia de qualidade permitem que as empresas impeçam defeitos em todos os seus processos de fornecimento de bens ou serviços aos clientes. Criar um sistema desse tipo que coleta dados e identifica possíveis problemas ao longo de um pipeline pode fornecer enormes vantagens. Por exemplo, na fabricação digital, a garantia de qualidade em toda a linha de assembly é fundamental. Identificar lentidão e possíveis falhas antes que elas ocorram, em vez de depois de detectadas, pode ajudar as empresas a reduzir os custos de retrabalho e retrabalho, melhorando a produtividade.

Esta solução mostra como prever falhas usando o exemplo de pipelines de fabricação (linhas de assembly). Isso é feito aproveitando os sistemas de teste já em funcionamento e os dados de falha, especificamente observando os retornos e as falhas funcionais no final da linha de assembly. Ao combiná-los com o conhecimento de domínio e a análise de causa raiz em um design modular que encapsula as principais etapas de processamento, fornecemos uma solução de análise avançada genérica que usa o aprendizado de máquina para prever falhas antes que elas ocorram. A previsão antecipada de falhas futuras permite reparos mais baratos ou até mesmo descartes, que geralmente são mais eficientes do que passar pelo recall e pelo custo de garantia.

Arquitetura

Diagrama de arquitetura Baixe um SVG dessa arquitetura.

Fluxo de Dados

  1. O gerador de eventos do sistema de origem transmite dados para o Hub de Eventos do Azure.
  2. O Hub de Eventos usa a Captura para enviar eventos brutos para o Data Lake.
  3. Um Stream Analytics trabalho lê dados em tempo real do Hub de Eventos.
  4. Um Stream Analytics trabalho chama ML modelo no Azure Machine Learning para prever falha/defeito.
  5. Um Stream Analytics trabalho envia as agregação de fluxo Power BI painel em tempo real para operações.
  6. Um Stream Analytics trabalho de dados por push os dados processados em tempo real para Azure Synapse SQL Pool.
  7. Um Aplicativo Lógico envia alertas de dados de streaming para um telefone celular.
  8. Power BI é usado para visualização de resultados.

Componentes

  • Os Hubs de Eventos ingerem eventos de linha de assembly e os passam para Stream Analytics e um Serviço Web ML Azure.
  • Azure Stream Analytics: Stream Analytics aceita o fluxo de entrada dos Hubs de Eventos, chama um Serviço Web do Azure ML para fazer previsões e envia o fluxo para Azure Synapse e Power BI e Aplicativos Lógicos para alertas.
  • Azure Machine Learning:Machine Learning ajuda você a projetar, testar, operacionalizar e gerenciar soluções de análise preditiva na nuvem e implantar serviços Web que podem ser chamados por Stream Analytics.
  • Armazenamento contas: o Azure Armazenamento armazena dados de fluxo de eventos brutos do Hub de Eventos e serve para persistência de dados de longo prazo.
  • Aplicativos Lógicos:envia alertas gerados dos dados de streaming para o dispositivo de operador
  • Synapse Analytics:armazenar dados relacionais para processamento analítico ad hoc e planejado e consultas analíticas do usuário
  • Power BI: visualiza painéis operacionais em tempo real e também servidores para relatórios analíticos.

Alternativas

  • Dependendo do cenário, a arquitetura básica pode ser simplificada removendo a camada de lote – removendo Armazenamento para eventos brutos e Azure Synapse para dados relacionais
  • O Banco de Dados SQL do Azure é um banco de dados como serviço relacional gerenciado. Dependendo de seus volumes de dados e padrões de acesso, você pode escolher Banco de Dados SQL do Azure.
  • O Azure Functions fornece uma abordagem eficaz sem servidor se a arquitetura de carga de trabalho é centralizada em torno de componentes distribuídos refinados, exigindo dependências mínimas, onde componentes individuais são necessários somente para execução sob demanda (não continuamente) e a orquestração dos componentes não é necessária.
  • O Hub IoT atua como um hub de mensagens central para comunicação bidirecional segura com identidade por dispositivo entre a plataforma de nuvem e o equipamento de construção e outros elementos do site. O Hub IoT pode coletar dados rapidamente para cada dispositivo para a ingestão no pipeline de análise de dados.

Considerações

Escalabilidade

A maioria dos componentes usados neste cenário de exemplo são serviços gerenciados que são dimensionados com base em suas necessidades de cenário atual.

Para obter diretrizes gerais sobre como criar soluções escalonáveis, consulte a lista de verificação de eficiência de desempenho no Centro de Arquitetura do Azure.

Segurança

Identidades gerenciadas para recursos do Azure são usadas para fornecer acesso a outros recursos internos à sua conta. Dê acesso apenas aos recursos necessários nessas identidades para fazer com que nada além seja exposto às funções (e, potencialmente, a seus clientes).

Para obter diretrizes gerais sobre como criar soluções seguras, consulte a Documentação de Segurança do Azure.

Resiliência

Todos os componentes neste cenário são gerenciados e, portanto, em um nível regional, todos são resilientes automaticamente.

Para obter diretrizes gerais sobre como criar soluções resilientes, confira Projetando aplicativos resilientes para o Azure.

Próximas etapas