Изменить

Контроль качества

Центры событий Azure
Машинное обучение Azure
Azure Stream Analytics
Power BI

Системы контроля качества позволяют предприятиям предотвращать дефекты во всех процессах предоставления товаров или услуг клиентам. Создание такой системы, которая собирает данные и обнаруживает потенциальные проблемы в конвейере, может обеспечить большие преимущества. Например, в цифровом производстве крайне важным является контроль качества на линии сборки. Благодаря механизму, который может идентифицировать замедления или потенциальные сбои до их возникновения (а не после), компании могут снизить затраты, связанные с браком и его исправлением, одновременно улучшив производительность.

Архитектура

Architecture diagram shows data into Azure Event Hubs, then to Data Lake, then processes with Stream Analytics, finally to Power BI visualization.

Скачайте файл Visio для этой архитектуры.

Поток данных

  1. Генератор событий исходной системы передает данные в Центры событий Azure.
  2. Центры событий используют запись для отправки необработанных событий в Data Lake.
  3. Задание Stream Analytics считывает данные в режиме реального времени из Центров событий.
  4. Задание Stream Analytics вызывает модель машинного обучения в Машинное обучение Azure для прогнозирования сбоя или дефекта.
  5. Задание Stream Analytics отправляет агрегаты потоков в панель мониторинга Power BI в режиме реального времени для операций.
  6. Задание Stream Analytics отправляет обработанные данные в режиме реального времени в пул SQL Azure Synapse.
  7. Приложение Logic Apps отправляет оповещения из потоковой передачи данных на мобильный телефон.
  8. Power BI используется для визуализации результатов.

Компоненты

  • Центры событий принимает события строки сборки и передает их в Stream Analytics и веб-службу Машинного обучения Azure.
  • Azure Stream Analytics: Stream Analytics принимает входной поток из Центров событий, вызывает веб-службу Машинного обучения Azure для прогнозирования и отправляет поток в Azure Synapse и Power BI и Logic Apps для оповещений.
  • Машинное обучение Azure: Машинное обучение помогает разрабатывать, тестировать, работать и управлять решениями прогнозной аналитики в облаке и развертывать веб-службы, которые могут вызываться Stream Analytics.
  • служба хранилища учетные записи: служба хранилища Azure хранят данные потока необработанных событий из Центров событий и служат для долгосрочного сохранения данных.
  • Logic Apps: отправляет оповещения, созданные из потоковых данных, на устройство оператора.
  • Synapse Analytics: хранение реляционных данных для нерегламентированной и плановой аналитической обработки и пользовательских аналитических запросов.
  • Power BI: визуализирует рабочие панели мониторинга в режиме реального времени, а также серверы для аналитических отчетов.

Альтернативные варианты

  • В зависимости от сценария базовая архитектура может быть упрощена путем удаления пакетного слоя. Удаление служба хранилища для необработанных событий и Azure Synapse для реляционных данных
  • База данных SQL Azure — это управляемая реляционная база данных как услуга. В зависимости от томов данных и шаблонов доступа можно 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.

Подробности сценария

Потенциальные варианты использования

Это решение показывает, как прогнозировать появление сбоев на основе образцов производственных конвейеров (линии сборки). Это делается путем использования тестовых систем, уже существующих и неудачных данных, в частности с учетом возвращаемых и функциональных сбоев в конце строки сборки. Благодаря объединению возможностей, знаний о домене, анализу первопричины и модульного дизайна, который инкапсулирует основные этапы обработки, мы предлагаем вам универсальное решение с расширенной аналитикой, использующее машинное обучение для упреждающего прогнозирования сбоев. Упреждающее прогнозирование будущих сбоев позволяет сэкономить на ремонтных работах или даже не выполнять их вообще. Это гораздо выгоднее, чем тратить дополнительные средства на отзыв и гарантийное обслуживание.

Рекомендации

Эти рекомендации реализуют основные принципы платформы Azure Well-Architected Framework, которая является набором руководящих принципов, которые можно использовать для улучшения качества рабочей нагрузки. Дополнительные сведения см. в статье Microsoft Azure Well-Architected Framework.

Масштабируемость

Большинство компонентов, используемых в этом примере, — это управляемые службы, масштабируемые на основе текущих потребностей сценария.

Общие рекомендации по разработке масштабируемых решений см. в разделе Контрольный список для обеспечения производительности в Центре архитектуры Azure.

Безопасность

Безопасность обеспечивает гарантии от преднамеренного нападения и злоупотребления ценными данными и системами. Дополнительные сведения см. в разделе "Общие сведения о компоненте безопасности".

Управляемые удостоверения для ресурсов Azure используются для предоставления доступа к другим ресурсам, внутренним в 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 разработке безопасных решений см. в разделе Документация по системе безопасности Azure.

Устойчивость

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

Общие рекомендации по проектированию устойчивых решений см . в разделе "Принципы проектирования надежности".

Следующие шаги