Defektskydd med förutsägande underhåll med hjälp av analys och maskininlärning

Event Hubs
Machine Learning
Stream Analytics
Synapse Analytics
Power BI

Lösningsidé

Om du vill att vi utökar den här artikeln med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du berätta för oss GitHub Feedback!

Lär dig hur du använder Azure Machine Learning för att förutsäga fel innan de inträffar med realtidsdata för sammansättningsrad.

Den här lösningen bygger på Azure-hanterade tjänster: Azure Stream Analytics, Event Hubs, Azure Machine Learning, Azure Synapse Analyticsoch Power BI. Dessa tjänster körs i en miljö med hög tillgänglighet, korrigerad och stöds, så att du kan fokusera på din lösning i stället för den miljö som de körs i.

Arkitektur

Arkitekturdiagram: Defektskydd med förutsägande underhåll.Ladda ned en SVG för den här arkitekturen.

Komponenter

  • Event Hubs matar in råa sammansättningsradsdata och skickar dem vidare till Azure Stream Analytics.
  • Azure Stream Analytics ger analys i nära realtid på indataströmmen från Event Hubs. Indata filtreras och skickas till en Azure Machine Learning slutpunkt. Resultatet av maskininlärning skickas till en Power BI instrumentpanel.
  • Azure Machine Learning förutsäger potentiella fel baserat på realtidsdata från Stream Analytics.
  • Azure Synapse Analytics lagrar sammansättningsdata tillsammans med felförutsägelser.
  • Power BI möjliggör visualisering av realtidsdata från Stream Analytics och förutsagda fel och aviseringar från Data Warehouse.

Nästa steg

Se produktdokumentationen:

Se följande relaterade Azure Architecture Center artiklar: