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 lösningen beskriver hur byggnader och campus kan ansluta på ett säkert och tillförlitligt sätt och skala sina lokala IoT-enheter (Internet of Things) till molnet.
Arkitektur
Ladda ned en Visio-fil med den här arkitekturen.
Arbetsflöde
Sjukhusbyggnader använder olika anslutna enheter för att övervaka både patientens hälsa och anläggningens prestanda.
- Hälsospårningsenheter inkluderar patientmonitorer, CT-skannrar och blodtrycksmätare.
- Byggsäkerhets- och kvalitetsanordningar omfattar luftkvalitets- och byggnadstemperatursensorer.
Patienthälso- och byggnadsövervakningsenheterna skickar data till LTE- eller 5G Radio Access Network-enheter (RAN).
5G- eller LTE-radiorna på sjukhusen vidarebefordrar data till 5G- eller LTE-paketkärnor som körs på gränsservrarna. Gränsservrarna kan vara Azure Stack Edge eller valfria Azure Arc-aktiverade servrar.
På gränsservrarna kan IoT Edge-körningen förbearbeta data innan de skickas till Azure för ytterligare analys.
I molnet matar Azure IoT Hub in data snabbt och säkert och skickar dem till Azure Machine Learning.
Azure Machine Learning innehåller nya data för att ytterligare optimera modellen som styr inställningarna för smarta byggnader.
Data från Azure IoT Hub matas också in i Azure Digital Twins, som tillhandahåller en karta över sjukhusens nätverksanslutna IoT-enheter som en virtuell simulering.
Data matas också in i Azure Time Series Insights, som kan analysera patientens hälsa under en viss tidsperiod, eller behandlingseffektivitet över flera sjukhus. Time Series Insights erbjuder också ett visualiseringslager som underlättar beslutsfattandet.
Alla data lagras i Azure Data Lake Storage, som kan lagra data i valfritt format och storlek.
Komponenter
Den här lösningen använder följande Azure-komponenter:
- Azure Stack Edge är en portfölj med enheter som för beräkning, lagring och intelligens till IoT Edge. Azure Stack Edge fungerar som en molnlagringsgateway som möjliggör dataöverföringar till Azure, samtidigt som lokal åtkomst till filer bevaras.
- Azure Arc-aktiverade Kubernetes ansluter Kubernetes-kluster som körs i eller utanför Azure.
- Azure Sphere är en omfattande IoT-säkerhetslösning som innehåller maskinvaru-, OS- och molnkomponenter för IoT-enhetssäkerhet.
- Azure IoT Edge distribuerar molninformation lokalt på IoT-enheter.
- Azure IoT Hub är en molnbaserad hanterad tjänst för dubbelriktad kommunikation mellan IoT-enheter och Azure.
- Azure Machine Learning är en integrerad datavetenskapslösning för dataforskare och utvecklare för att skapa, träna och distribuera maskininlärningsmodeller.
- Azure Digital Twins är en IoT-plattform som skapar digitala representationer av verkliga saker, platser, processer och människor i molnet.
- Azure Time Series Insights är en IoT-analysplattform från slutpunkt till slutpunkt för att övervaka, analysera och visualisera industriella IoT-analysdata i stor skala.
- Azure Data Lake Storage är en skalbar och säker datasjö för analysarbetsbelastningar med höga prestanda.
Information om scenario
Molntjänster kan lagra och analysera IoT-data för att diagnostisera avvikelser och vidta korrigerande eller förebyggande åtgärder. Azure-tjänster kan analysera och lagra data ytterligare och använda maskininlärning för att optimera bygginställningarna.
Potentiella användningsfall
I den här lösningen använder en sjukvårdsanläggning LTE- eller 5G-aktiverade IoT-enheter för att spåra både patienthälsa och byggnadsprestanda. Enheterna använder inbyggda Azure Sphere-certifierade chips för att strömma data till lokala gränsservrar som kommunicerar med Azure-molnet. Lokala nätverksadministratörer kan visa nätverkshälsa via paketkärnorna på gränsservrarna.
Andra exempel på den här metoden är:
- Förutsägande underhåll för maskiner i ett kafé.
- Valv ty och efterlevnadsövervakning för färskvaror och dryck temperaturer i en livsmedelsfabrik.
- Identifiera den optimala punkten för resursutvinning i energisektorn, baserat på data som samlas in av självkörande utforskningsfordon.
Deltagare
Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.
Huvudförfattare:
- Nikhil Ravi | Produktionsledningsledare