Контроль качества

Центры событий
Машинное обучение
Stream Analytics
Power BI

Концепция решения

если вы хотите узнать больше о том, как получить дополнительные сведения о возможных вариантах использования, альтернативных службах, рекомендациях по реализации или ценах, сообщите нам о GitHub.

Системы контроля качества позволяют компаниям предотвращать дефекты во всех процессах доставки товаров или услуг клиентам. Создание такой системы, которая собирает данные и выявляет потенциальные проблемы в конвейере, может предоставить огромные преимущества. Например, в цифровом производстве гарантия качества по строке сборки является обязательной. Определение замедлений и потенциальных сбоев перед их возникновением, а не после обнаружения, помогает компаниям сократить затраты на отходы и переработать, одновременно повышая продуктивность.

В этом решении показано, как прогнозировать сбои с помощью примера производственных конвейеров (строк сборки). Это достигается за счет использования тестовых систем, которые уже существуют, и данных об ошибках, в частности при просмотре возвращаемых и функциональных сбоев в конце строки сборки. Объединяя их с базой знаний предметной области и анализом основных причин в модульной конструкции, которая инкапсулирует основные этапы обработки, мы предоставляем универсальное решение для расширенной аналитики, которое использует машинное обучение для прогнозирования сбоев до их возникновения. Раннее прогнозирование будущих сбоев позволяет выполнять менее дорогостоящие ремонты или даже отменять их, что, как правило, является более экономичным, чем при использовании отзыва и гарантийной стоимости.

Architecture

Схема архитектуры . Скачайте SVG этой архитектуры.

Поток данных

  1. Генератор событий исходной системы отправляет данные в концентратор событий Azure.
  2. Концентратор событий использует захват для отправки необработанных событий в Data Lake.
  3. Stream Analytics задание считывает данные в реальном времени из концентратора событий.
  4. Stream Analytics задание вызывает ML модель в Машинное обучение Azure для предсказания сбоя или дефекта.
  5. Stream Analytics задание отправляет агрегаты streams в Power BI панель мониторинга в режиме реального времени для операций.
  6. Stream Analytics задание отправляет обработанные данные в режиме реального времени в пул SQL Azure синапсе.
  7. Logic Apps отправляет оповещения из потоковой передачи данных на мобильный телефон.
  8. Power BI используется для визуализации результатов.

Компоненты

  • концентраторы событий принимают события строки сборки и передают их в Stream Analytics и веб-службу ML Azure.
  • Azure Stream Analytics: Stream Analytics принимает входной поток из концентраторов событий, вызывает веб-службу ML azure для прогнозирования и отправляет поток в Azure синапсе и Power BI и Logic Apps для предупреждений.
  • Машинное обучение Azure: Машинное обучение помогает проектировать, тестировать, эксплуатацию и управлять решениями прогнозной аналитики в облаке и развертывать веб-службы, которые могут вызываться Stream Analytics.
  • учетные записи служба хранилища: служба хранилища Azure хранят данные потока необработанных событий из концентратора событий и служат для долгосрочного сохранения данных.
  • Logic Apps: отправляет предупреждения, созданные из потоковых данных, в устройство оператора
  • Аналитика синапсе: Храните реляционные данные для ad-hoc и плановой аналитической обработки и пользовательских аналитических запросов
  • Power BI: визуализируются рабочие панели в реальном времени, а также серверы для аналитических отчетов.

Альтернативные варианты

  • в зависимости от сценария базовую архитектуру можно упростить, удалив пакетный слой, удалив служба хранилища для необработанных событий и Azure синапсе для реляционных данных.
  • База данных SQL Azure — это управляемая реляционная база данных как услуга. в зависимости от томов данных и шаблонов доступа вы можете выбрать База данных SQL Azure.
  • Функции Azure предоставляют эффективный бессерверный подход, если архитектура рабочей нагрузки сосредоточена на распределенных компонентах с высокой степенью детализации, требующих минимальных зависимостей, в которых отдельные компоненты должны выполняться только по требованию (не непрерывно), а оркестрация компонентов не требуется.
  • Центр Интернета вещей выступает в качестве центрального концентратора сообщений для безопасной двунаправленной связи с идентификатором каждого устройства между облачной платформой и строительным оборудованием и другими элементами сайта. Центр Интернета вещей быстро может собирать данные для каждого устройства для приема в конвейер аналитики данных.

Рекомендации

Масштабируемость

Большинство компонентов, используемых в этом примере сценария, являются управляемыми службами, которые масштабируются в соответствии с текущими потребностями сценария.

Общие рекомендации по проектированию масштабируемых решений см. в контрольном списке эффективности производительности в центр архитектуры Azure.

Безопасность

Управляемые удостоверения для ресурсов Azure используются для предоставления доступа к другим ресурсам, внутренним для вашей учетной записи. В этих удостоверениях разрешайте доступ только к необходимым ресурсам, чтобы гарантировать, что ничто другое не подвергается воздействию ваших функций (и, возможно, ваших клиентов).

Общие рекомендации по проектированию безопасных решений см. в документации по безопасности Azure.

Устойчивость

Все компоненты этого сценария управляются, поэтому на региональном уровне все они автоматически являются устойчивыми.

Общее руководство по проектированию устойчивых решений см. в разделе Проектирование устойчивых приложений для Azure.

Дальнейшие действия