Kvalitetskontroll

Event Hubs
Machine Learning
Stream 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 GitHub Feedback!

Med kvalitetssäkringssystem kan företag förhindra defekter i sina processer för att leverera varor eller tjänster till kunder. Att skapa ett sådant system som samlar in data och identifierar potentiella problem längs en pipeline kan ge enorma fördelar. Inom digital tillverkning är kvalitetssäkring över hela monteringslinjen till exempel mycket viktigt. Genom att identifiera långsammare och potentiella fel innan de inträffar i stället för efter att de har identifierats kan företag minska kostnaderna för skräp och omarbete samtidigt som produktiviteten förbättras.

Den här lösningen visar hur du förutsäger fel med hjälp av exempel på pipelines för tillverkning (sammansättningslinjer). Detta görs genom att använda testsystem som redan finns på plats och feldata, och specifikt titta på returnerade och funktionella fel i slutet av sammansättningslinjen. Genom att kombinera dessa med domänkunskap och rotorsaksanalys i en modulär design som kapslar in de viktigaste bearbetningsstegen tillhandahåller vi en allmän avancerad analyslösning som använder maskininlärning för att förutsäga fel innan de inträffar. Tidig förutsägelse av framtida fel möjliggör billigare reparationer eller till och med bortkastning, vilket vanligtvis är mer kostnadseffektivt än att gå igenom kostnader för återkallande och garantier.

Arkitektur

Arkitekturdiagram – Ladda ned en SVG för den här arkitekturen.

Dataflöde

  1. Källsystemshändelsegenerator strömmar data till Azure Event Hub.
  2. Event Hub använder Capture för att skicka råhändelse till Data Lake.
  3. Ett Stream Analytics jobb läser realtidsdata från Händelsehubb.
  4. Ett Stream Analytics jobb anropar ML modell i Azure Machine Learning för att förutsäga fel/defekt.
  5. Ett Stream Analytics-jobb skickar strömaggregeringar Power BI instrumentpanel i realtid för åtgärder.
  6. Ett Stream Analytics-jobb push-erar bearbetade realtidsdata till Azure Synapse SQL pool.
  7. En Logic Apps skickar aviseringar från strömmande data till en mobiltelefon.
  8. Power BI används för resultatvisualisering.

Komponenter

  • Event Hubs matar in händelser för sammansättningsrad och skickar dem till Stream Analytics och en Azure ML-webbtjänst.
  • Azure Stream Analytics:Stream Analytics accepterar indataströmmen från Event Hubs anropar en Azure ML-webbtjänst för att göra förutsägelser och skickar dataströmmen till Azure Synapse och Power BI och Logic Apps för aviseringar.
  • Azure Machine Learning:Machine Learning hjälper dig att utforma, testa, operationalisera och hantera prediktiva analyslösningar i molnet och distribuera webbtjänster som kan anropas av Stream Analytics.
  • Storage konton:Azure Storage lagrar råhändelser strömma data från Event Hub och fungerar för långsiktig datapersistence.
  • Logic Apps:Skickar aviseringar som genereras från strömmande data till operatörsenheten
  • Synapse Analytics:Lagra relationsdata för ad hoc och planerad analysbearbetning och användaranalysfrågor
  • Power BI:visualiserar instrumentpaneler för drift i realtid och även servrar för analysrapporter.

Alternativ

  • Beroende på scenariot kan den grundläggande arkitekturen förenklas genom att ta bort batchlagret – ta bort Storage för råhändelser och Azure Synapse för relationsdata
  • Azure SQL Database är en hanterad relationsdatabas som en tjänst. Beroende på dina datavolymer och åtkomstmönster kan du välja Azure SQL Database.
  • Azure Functions ger en effektiv serverlös metod om arbetsbelastningsarkitekturen är centrerad kring mer ingående distribuerade komponenter, vilket kräver minimala beroenden, där enskilda komponenter endast krävs för att köras på begäran (inte kontinuerligt) och orkestrering av komponenter inte krävs.
  • IoT Hub fungerar som en central meddelandehubb för säker dubbelriktad kommunikation med identitet per enhet mellan molnplattformen och byggutrustningen och andra platselement. IoT Hub snabbt samla in data för varje enhet för inmatning i dataanalyspipelinen.

Överväganden

Skalbarhet

De flesta komponenter som används i det här exempelscenariot är hanterade tjänster som skalar baserat på dina aktuella scenariobehov.

Allmän vägledning om hur du utformar skalbara lösningar finns i checklistan för prestandaeffektivitet i Azure Architecture Center.

Säkerhet

Hanterade identiteter för Azure-resurser används för att ge åtkomst till andra resurser som är interna i ditt konto. Tillåt endast åtkomst till de nödvändiga resurserna i dessa identiteter för att säkerställa att inget extra exponeras för dina funktioner (och eventuellt för dina kunder).

Allmän vägledning om hur du utformar säkra lösningar finns i azure-säkerhetsdokumentationen.

Återhämtning

Alla komponenter i det här scenariot hanteras, så på regional nivå är alla motståndskraftiga automatiskt.

Allmän vägledning om hur du utformar elastiska lösningar finns i Utforma elastiska program för Azure.

Nästa steg