IoT-loopen (Internet-of-Things) gör det möjligt att generera och tillämpa insikter om affärsoptimering på en eller flera distributioner av fysiska system som styrs av programvara, baserat på hela företagskontexten. Telemetrin analysera och optimera loopkällor, vanligtvis från att övervaka och hantera loopprocesser , förfinar den och kombinerar den med företagsdatakällor för att generera insikter.
Den här artikeln innehåller en översikt över analys och optimering av processlooparkitektur, egenskaper och komponenter.
Potentiella användningsfall
Några exempelscenarier för att analysera och optimera loopar är:
- Smarta utrymmen: Säkerhetsindex för beräkningscampus och vidta lämpliga åtgärder.
- Kraftöverföring: Korrelera trender för strömavbrott och löpeldshändelser för att producera proaktiva överföringsreparationer och ersättning av övervakningsenheter.
- Olje- och gasproduktion: Beräkna en bassängs oljeproduktionstrender och jämför den med platsens prestanda.
- Transport och logistik: Beräkna trender för koldioxidavtryck, jämför dem med organisationens mål och vidta korrigerande åtgärder.
- Vindkraftspark: Beräkna kraftfaktorn för hela vindkraftsdriften och utforma metoder för att förbättra effektiviteten för varje vindkraftverk.
- Diskret tillverkning: Öka widgetens produktionstakt för många fabriker för att möta marknadens efterfrågan.
Arkitektur
Följande diagram visar schemat för en typisk analys- och optimeringsloop och dess relationer med andra IoT-processloopar.
Ladda ned en Visio-fil med den här arkitekturen.
I en analys- och optimeringsloop flödar data från olika IoT-, enterprise-, privata och offentliga källor till molndatasjöar. Offlineanalys använder datasjöarna för att identifiera dolda trender och insikter om affärsoptimering. Optimeringsinsikterna från offlineanalysprocesserna flödar tillbaka till IoT-installationer genom att övervaka och hantera loopar och mäta och kontrollera loopar.
Kännetecken
- Loopen analysera och optimera fungerar asynkront, så det finns inga snäva tidsgränser för att analysera data eller skicka optimeringssignaler till enheter. Dessa loopar är beroende av lång telemetrihistorik och företagets driftdatahistorik för körning av batchjobb.
- Systemberoenden omfattar flera system för att mata data genom datasjön, som omfattar IoT-system och feeds från företagssystem. Optimeringsloopen använder främst webbtjänstprotokoll för att integrera med övervakningssystem och andra företagssystem.
Komponenter
De viktiga komponenterna i affärsoptimeringskontrollen är:
- En datasjö, storskalig lagring optimerad för lägre användningskostnader under längre perioder. HDFS-lagring i samband med map-reduce-bearbetning är ett exempel på en sådan datasjö. Data lake defers strukturen av data till bearbetningstiden, så är bra för att lagra både strukturerade och ostrukturerade data.
- Kall tidsseriedata, rå eller bearbetad telemetri som är viktig för offlineanalys och som ofta kommer från flera IoT-system. Analysjobb förfinar och kombinerar dessa data ytterligare med företagsdatamängder och externa datamängder.
- Företagsdata som produceras av företagssystem som livscykelhantering, leveranskedja, ekonomi, försäljning, tillverkning och distribution samt hantering av kundrelationer. Företagsdata i kombination med externa datauppsättningar som väder kan kontextualisera IoT-telemetri i affärsomfånget för att generera kompatibla insikter.
- Offlineanalys för att bearbeta stordata i batchläge. Spark-jobb och Hadoop map-reduce-bearbetning är några exempel. Övervaka och hantera loop- och mått- och kontrollloopprocesser och tillämpa sedan de insikter som erhålls från analysera och optimera loopar på IoT-enheter.
Deltagare
Den här artikeln underhålls av Microsoft. Den skrevs ursprungligen av följande deltagare.
Huvudförfattare:
- Hanukumar Pinnamraju | Principal Software Engineering Manager