Garantia de Qualidade

Hubs de Eventos
Machine Learning
Stream Analytics
Power BI

Ideia de solução

Se quiser ver-nos expandir este artigo com mais informações, detalhes de implementação, orientação de preços ou exemplos de código, informe-nos com o Feedback do GitHub!

Os sistemas de garantia de qualidade permitem às empresas prevenir defeitos ao longo dos seus processos de entrega de bens ou serviços aos clientes. Construir um sistema deste tipo que recolhe dados e identifica potenciais problemas ao longo de um oleoduto pode proporcionar enormes vantagens. Por exemplo, no fabrico digital, a garantia de qualidade em toda a linha de montagem é imperativa. Identificar abrandamentos e potenciais falhas antes de ocorrerem e não depois de serem detetados pode ajudar as empresas a reduzir os custos de sucata e retreição, melhorando a produtividade.

Esta solução mostra como prever falhas utilizando o exemplo dos gasodutos de fabrico (linhas de montagem). Isto é feito aproveitando os sistemas de teste já em vigor e dados de falha, especificamente olhando para devoluções e falhas funcionais no final da linha de montagem. Ao combinar estes com conhecimento de domínio e análise de causa de raiz dentro de um design modular que encapsula os principais passos de processamento, fornecemos uma solução de análise avançada genérica que usa machine learning para prever falhas antes que elas aconteçam. A previsão antecipada de futuras falhas permite reparações menos dispendiosas ou mesmo devoluções, que normalmente são mais eficientes em termos de custos do que passar por custos de recuperação e garantia.

Arquitetura

Diagrama de arquitetura Descarregue um SVG desta arquitetura.

Fluxo de Dados

  1. O gerador de eventos do sistema de origem transmite dados para o Azure Event Hub.
  2. Event Hub usa Capture para enviar evento cru para Data Lake.
  3. A Stream Analytics Job leu dados em tempo real do Event Hub.
  4. Um Stream Analytics Job chama o modelo ML em Azure Machine Learning para prever falha/defeito.
  5. Um Stream Analytics Job envia agregações de fluxo para power BI em tempo real para operações.
  6. Um Stream Analytics Job empurra os dados processados em tempo real para a Piscina SQL Azure Synapse.
  7. Uma Aplicação Lógica envia alertas de dados de streaming para um telemóvel.
  8. O Power BI é utilizado para visualização de resultados.

Componentes

  • O Event Hubs ingere eventos de linha de montagem e passa-os para stream Analytics e um Azure ML Web Service.
  • Azure Stream Analytics: Stream Analytics aceita o fluxo de entrada dos Centros de Eventos, chama um Serviço Web Azure ML para fazer previsões, e envia o fluxo para Azure Synapse e Power BI e Logic Apps para alertas.
  • Azure Machine Learning: Machine Learning ajuda-o a conceber, testar, operacionalizar e gerir soluções de análise preditivas na nuvem e implementar serviços web que podem ser chamados pelo Stream Analytics.
  • Contas de Armazenamento: A azure Storage armazena eventos brutos fluem dados do Event Hub e serve para persistência de dados a longo prazo.
  • Androides lógicas: Envia alertas gerados a partir dos dados de streaming para o dispositivo do operador
  • Synapse Analytics: Armazenar dados relacionais para processamento ad-hoc e consultas analíticas planeadas e consultas analíticas do utilizador
  • Power BI: visualiza os dashboards operacionais em tempo real e também os servidores para relatórios analíticos.

Alternativas

  • Dependendo do cenário, a arquitetura básica pode ser simplificada removendo a camada de lote - removendo o Armazenamento para eventos brutos e Azure Synapse para dados relacionais
  • A azure SQL Database é um serviço de base de dados relacional gerido como um serviço. Dependendo dos seus volumes de dados e padrões de acesso, poderá escolher a Base de Dados Azure SQL.
  • As Funções Azure proporcionam uma abordagem eficaz sem servidor se a arquitetura da carga de trabalho estiver centrada em componentes distribuídos com grãos finos, exigindo dependências mínimas, onde os componentes individuais só são obrigados a funcionar a pedido (não continuamente) e a orquestração de componentes não é necessária.
  • O IoT Hub funciona como um centro de mensagens central para uma comunicação bidirecional segura com a identidade por dispositivo entre a plataforma de nuvem e o equipamento de construção e outros elementos do local. O IoT Hub pode recolher rapidamente dados para cada dispositivo para ingestão no pipeline de análise de dados.

Considerações

Escalabilidade

A maioria dos componentes utilizados neste cenário de exemplo são serviços geridos que se dimensionam com base nas necessidades do seu cenário atual.

Para obter orientações gerais sobre a conceção de soluções escaláveis, consulte a lista de verificação de eficiência de desempenho no Centro de Arquitetura Azure.

Segurança

As identidades geridas para os recursos Azure são usadas para fornecer acesso a outros recursos internos à sua conta. Apenas permita o acesso aos recursos necessários nessas identidades para garantir que nada extra esteja exposto às suas funções (e potencialmente aos seus clientes).

Para obter orientações gerais sobre a conceção de soluções seguras, consulte a Documentação de Segurança Azure.

Resiliência

Todos os componentes neste cenário são geridos, pelo que a nível regional são todos resilientes automaticamente.

Para obter orientações gerais sobre a conceção de soluções resilientes, consulte conceber aplicações resilientes para o Azure.

Passos seguintes