Lösningsidéer
Den här artikeln är en lösningsidé. Om du vill att vi ska utöka innehållet med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du meddela oss genom att ge GitHub-feedback.
Den här artikeln beskriver ett scenario för lagerhantering som övervakar miljöförhållanden genom integrering av sensordata och offentliga datamängder som bearbetas med ML för att generera förutsägelser. Insikterna används sedan för att säkerställa säkerheten för människor och optimera driften i leveranskedjan.
Arkitektur
Ladda ned en Visio-fil med den här arkitekturen.
Dataflöde
Sensorer i lageranläggningen är anslutna och skickar data till en LoRa-gateway (Long Range).
LoRa-gatewayen skickar data till molnet med hjälp av mobilanslutning.
myDevices är en SaaS-baserad plug and play-lösning (programvara som en tjänst). Den använder enheter och gatewayer som automatiskt etableras och associeras med motsvarande kund.
Enhetsdata skickas till Azure IoT Central. Kunder använder lösningen för att kontrollera och övervaka enheterna.
Modellering av leveranskedjan och lageranläggningar med hjälp av Azure Digital Twins. Det här är en livekörningsmiljö där program kan mata in data för att få insyn i leveranskedjans status. Digital Twins integreras internt med Azure Event Hub, som andra program interagerar med för att hämta data från tvillingen.
Temporala och rumsliga data som krävs av ML-modeller hämtas från de externa datakällorna.
Nyckeldata lagras i Azure-datalösningar. Blob Storage används för ML-träningsdata. Azure Cosmos DB används för poängsatta data och nyckelprestandaindex.
Telemetridata matas in från IoT Central via Event Hub för att säkerställa avkoppling av datainmatning och förbrukning. Azure Functions används för att kombinera externa datakällor och telemetridata och sedan analysera den här datauppsättningen för eventuella avvikelser. Data visas via Digital Twins.
Azure Databricks utför datatransformeringar som krävs för träning av ML-modellerna.
Förutsägelsemodeller för löpeld tränas med Hjälp av Azure Machine Learning genom att använda historiska data, realtidsdata och mikroväderdata.
Routningsuppdateringar tillhandahålls av API:et för Kartor truckroutning i Bing.
Program kan fråga Digital Twins direkt för att hämta relevanta data från modellen.
Komponenter
Azure IoT Central används som IoT-hanterad plattform. Det ger säkerhet, skalbarhet och tillgänglighet som en del av tjänsten så att kunderna kan fokusera arbetet på affärskrav. Användare kan integrera med affärskomponenter som Power Apps och Power BI och skapa meddelanden via funktionen för dataexport i IoT Central.
Azure Storage används för att lagra enhetsinformation i molnet på ett säkert och skalbart sätt som också är kostnadseffektivt. De data som lagras används för träning av ML-modeller.
Azure Cosmos DB används för att lagra KPI:er (Application Key Performance Indicators) och modellutdata. Azure Cosmos DB är en fullständigt hanterad NoSQL-databastjänst för modern programutveckling. Det ger snabba transaktioner och kan enkelt aktivera tjänsten för global distribution.
Azure Databricks är en dataanalysplattform som är optimerad för Microsoft Azure-molntjänstplattformen. Den används för att transformera, manipulera och normalisera data så att de kan användas korrekt av maskininlärningspipelinen.
Azure Machine Learning används för att skapa förutsägelsemodeller för skogsbränder. Modellerna tillhandahåller den intelligens som krävs för att bedöma risken för en löpeld. Indata från flera datakällor krävs för att träna modellen för noggrannhet. Dessa källor kan omfatta satellitbilder, historiska data, lokala markförhållanden och väderdata. Baserat på det predikaterade skogsbrandsområdet från modellen kan leveranskedjan och logistiklösningen omdirigera lastbilar.
Mer detaljerade diskussioner finns i Azure IoT-referensarkitekturen för att förstå och utforska de olika implementeringsalternativ som är tillgängliga.
Information om scenario
Miljöövervakning har blivit en viktig verksamhet i den globala leveranskedjan. Det ger viktiga signaler som hjälper till att driva realtidsbeslut som kan påverka leverantörer och logistik. Luftkvalitet, temperatur, vind, luftfuktighet och koldioxid (CO2) är några av de indikatorer som lageroperatörer är intresserade av övervakning vid naturkatastrofer. Mer avancerade scenarier kan omfatta sammanslagning av realtidsdata och historiska data från väderstationer, luftkvalitetssensorer och andra källor. Maskininlärningsmodeller (ML) kan sedan användas för att förutsäga effekten av dessa villkor och deras möjliga inverkan på leveranskedjeåtgärder.
Potentiella användningsfall
Den här lösningen är idealisk för miljö-, tillverknings-, transport- och jordbruksindustrin.
- Vagnparkshantering: Den här lösningen kan användas där rutter måste optimeras för säkerhet baserat på de föränderliga förhållandena i omgivande områden.
- Jordbruk: Att förutsäga skogsbränder som kommer att påverka arbetstagarnas och boskapens säkerhet är avgörande. Genom att tillhandahålla gott om ledtid för riskmeddelanden kan människor i det drabbade området evakuera till säkerhet. Gårdar kan också utrusta boskapsområden med automatiserade grindar som kan låsa upp och öppna i svåra situationer, så att djur kan fly.
Utmaningar som ställs inför
Det har skett en betydande ökning av skogsbränder under de senaste åren, vilket utgör en växande fara för människor och den globala leveranskedjan. När antalet tunnland som bränns ökar för varje år är försörjningskedjans motståndskraft mot klimatförändringar viktigast för många ledare.
I USA är det årliga genomsnittet av det område som drabbats av skogsbränder cirka 7 000 000 tunnland. Detta område är mer än dubbelt så mycket som genomsnittet under 1990-talet. Situationen är ännu mer alarmerande i andra länder/regioner. Till exempel finns det en extra sommarmånad i Australien jämfört med för 50 år sedan och långvarig torka har ytterligare förvärrat brandförhållandena. Massiva buskbränder där har orsakat ekonomiska skador nästan 10 gånger större än i USA. Australiska skogsbränder kan påverka den globala livsmedelsförsörjningen, inklusive varor som nötkött, mjölk, vin och vete.
Riskerna för företag över hela världen fortsätter att öka varje år, och återhämtning i leveranskedjan under naturkatastrofer är avgörande för att upprätthålla flödet av varor globalt. Genom att integrera väderbaserade prognoser och förutsägelser i kapacitetsplaneringen för leveranskedjan kan operatörerna justera produktionen och hantera leveransscheman. Det här systemet kan minimera störningar och negativa effekter.
Affärsresultat
Lageroperatörer och större distributionscenter kommer att dra nytta av ett förutsägande sätt att avgöra om befintlig logistikinfrastruktur är i vägen för en större brand. Ett system för tidig anmälan skulle ge ökad ledtid för att vidta förebyggande åtgärder för att skydda anläggningar och personal. Automatiserade meddelanden om ändringar och pauser i logistikverksamheten skulle också göra det möjligt att omdirigera försändelser med minimal mänsklig inblandning.
Krav
- Automatisering är kritiskt. Det går inte att anta att operatörer och anläggningschefer kan samla in data över flera system för att fatta beslut i tid.
- Lager, distributionsanläggningar och driftsansvariga måste meddelas på flera sätt när det finns omedelbar fara, vilket säkerställer att informationen tas emot i tid. Exempel är datainstrumentpanel, e-post och sms.
- Endast ändringar i data behöver rapporteras.
- Leveransen och distributionen av lösningen måste vara enkel. Det bör installeras utan behov av en tekniker, med hjälp av plug and play-teknik.
- Lösningen måste vara låg underhåll och kostnadseffektiv.
Mönster för att hantera utmaningar
Tabellen nedan innehåller en sammanfattning av vanliga användningsfall och motsvarande IoT-lösningar. Varje användningsfall är ett exempel på hur ett IoT-processmönster kan tillämpas på verkliga scenarier.
| Användningsfall | Lösningar |
|---|---|
| Aktivera distribution och produktionsplanering för leveranskedjans logistik genom att förutsäga sannolikheten för avbrott på grund av skogsbränder nära den påverkade platsen. | Helst vill du kunna övervaka alla viktiga element i leveranskedjan så att du kan ge ett mer omfattande svar. myDevices har en katalog med certifierade plug and play-enheter som ansluter till en LoRa-nätverksgateway . Gatewayen skickar data till molnprogrammet med hjälp av mobilanslutning. LoRa-teknik är idealisk eftersom signalen måste tränga djupt in i byggnaderna. Sensorer för CO2, temperatur, luftfuktighet, vindriktning och luftkvalitet kan installeras på relevanta byggnadsplatser, inklusive tak och lagringsanläggningar. Sensorer kan också installeras i lastbilar för platsspårning för att underlätta omdistribution. |
| Identifiera löpeldsförhållanden och förstå graden av fara för en viss plats. | Förutsägelsemodeller för skogsbränder som tränats med historiska data, mikroväderförhållanden och lokala sensordata kan hjälpa till att bedöma risken för en löpeld. |
| Automatiserade aviseringar för evakuering och omdistribution av anläggningar | När osäkra villkor har identifierats kan den digitala tvillingen för anläggningen sedan uppdateras för att visa att den inte längre är online. När de har uppdaterats kan andra distributionscenter inom nätverket börja dirigera om trafiken i enlighet med detta, vilket gör det möjligt för lokala anläggningschefer och lageroperatörer att fokusera på medarbetarnas säkerhet. Det här scenariot använder ML för att förutsäga var löpelden kommer att spridas, med hjälp av offentliga realtids- och historiska datamängder tillsammans med mikroväderdata för mer exakta förutsägelser. Sensorer spårar aktuella skogsbrandsförhållanden och anläggningslarm utlöser evakuering av anställda. |
Att tänka på
Dessa överväganden implementerar grundpelarna i Azure Well-Architected Framework, som är en uppsättning vägledande grundsatser som kan användas för att förbättra kvaliteten på en arbetsbelastning. Mer information finns i Microsoft Azure Well-Architected Framework.
Anslutning
Lösningens lokala enheter och sensorer måste skicka data till program i molnet, men tillförlitlig Internetåtkomst kanske inte är tillgänglig för vissa platser, till exempel på landsbygden.
Den här lösningen använder ett LoRa-nätverk för att tillhandahålla mobilanslutning. LoRa har bra byggpenetration, vilket gör det idealiskt för lagerrelaterade program. Den här metoden är kostnadseffektiv och ger flexibilitet för fjärrplatser som kräver lättanslutna IoT-enheter och sensorer.
Plug and play
I en fjärrinställning är det viktigt att enheterna är enkla att distribuera utan att det krävs särskild expertis. myDevices har en omfattande katalog med IoT-enheter och gatewayer som kan tillämpas på flera scenarier. De är Plug and Play-certifierade, så allt användaren behöver göra är att placera dem på rätt plats och aktivera dem. Med sin IoT Central-integrering kan kunderna enkelt anpassa sin instrumentpanel för att använda sina enhetsdata och skapa aviseringar.
Deltagare
Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.
Huvudförfattare:
- Ansley Yeo | Teknikledare
Nästa steg
- IoT inom transport och logistik: Hur Azure kan användas för att öka effektiviteten och tillförlitligheten i din värdekedja med IoT- och platsintelligenstjänster i världsklass.
- Arkitektur för IoT Central-ansluten logistikprogrammall: En appmall och vägledning för att utveckla lösningar för slutpunkt till slutpunkt-ansluten logistik.
- API för vägroutning i Bing Kartor: Ett kommersiellt routningsverktyg som beräknar säkra och effektiva vägar och tar hänsyn till ett fordons attribut i förhållande till eventuella vägbegränsningar.
- Azure Digital Twins – Leveranskedjans demo använder Digital Twins för att modellera ett leveranskedjescenario.
- myDevices tillhandahåller LoRa-anslutningar och -enheter som gör det möjligt att snabbt distribuera lösningar på platser där anslutningen är en utmaning och bred nätverkstäckning behövs.
- C.H. Robinson Navisphere arbetar med Microsoft Azure och Azure IoT för att ge insyn i leveranskedjan i realtid och för mer förutsägbarhet och proaktivt beslutsfattande.
- EPA AirNow API ger tillgång till luftkvalitets- och skogsbrandsdata i realtid från AirNow, en tjänst som underhålls av US Environmental Protection Agency (EPA) och andra federala, stam-, statliga och lokala myndigheter.
Relaterade resurser
- Azure IoT-referensarkitektur
- Bearbeta fordonsdata i realtid med hjälp av IoT: En referensarkitektur för att mata in fordonsdata i realtid för analys, inklusive vägoptimering.
- IoT-övervaka och hantera loopar är ett designmönster som beskriver ett övervakningssystem som kontinuerligt övervakar ett fysiskt system som styrs av en uppsättning nätverksanslutna IoT-enheter.
- IoT-analys- och optimeringsloopar är ett designmönster som möjliggör generering och tillämpning av affärsoptimeringsinsikter för fysiska system som styrs av programvara genom att köpa telemetri, förfina den och kombinera den med företagsdatakällor för att generera insikter.
- IoT med Hjälp av Azure Cosmos DB beskriver en exempelarkitektur för att använda Azure Cosmos DB för att mata in enhetstelemetridata med höga hastigheter och kan hantera indexerade frågor med låg svarstid och hög tillgänglighet.