Kalite Güvencesi

Event Hubs
Machine Learning
Stream Analytics
Power BI

Çözüm Fikri

Olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma kılavuzu gibi daha fazla bilgiyle bu makaleyi genişletmemizi görmek için Geri Bildirim ile GitHub!

Kalite güvencesi sistemleri, işletmelerin müşterilere mal veya hizmet sunma işlemlerinde kusurları engellemesine olanak tanır. Veri toplayan ve potansiyel bir işlem hattı üzerinde olası sorunları tanımlayan bir sistem oluşturma, büyük ölçüde avantaj sağlayabilir. Örneğin, dijital üretimde, derleme çizgisi genelinde kalite güvencesi zorunludur. Yavaşlamaları ve olası arızaların algılanmasından sonra değil, bunların saptanmadan önce tanımlanması, şirketlerin üretkenliği artırırken ıskarta ve yeniden çalışma maliyetlerini azaltmasına yardımcı olabilir.

Bu çözüm, üretim ardışık düzenleri (derleme satırları) örneği kullanılarak hataların nasıl tahmin edilmesi gerektiğini gösterir. Bu, özellikle derleme hattının sonundaki dönüşlere ve işlevsel hatalara bakarak, zaten yerinde ve hata verilerinde olan test sistemlerinden yararlanarak yapılır. Bunları, ana işleme adımlarını kapsülleyen modüler bir tasarımda etki alanı bilgisi ve kök neden analiziyle birleştirerek, hatalardan önce başarısızlık tahmin etmek için makine öğrenimi kullanan genel bir gelişmiş analiz çözümü sağlıyoruz. Gelecekteki hataların erken bir şekilde tahmin edilmesi, daha ucuz onarımlar veya hatta atma olanağı sağlar ve bu da genellikle geri çekme ve garanti maliyeti üzerinden daha verimli hale gelir.

Mimari

Mimari diyagramı Bu mimarinin bir SVG indirin.

Veri Akışı

  1. Kaynak sistem olay Oluşturucusu, verileri Azure Olay Hub 'ına akışlara ayırır.
  2. Olay Hub 'ı Data Lake Ham olay göndermek için yakalama kullanır.
  3. Stream Analytics Işi Olay Hub 'ından gerçek zamanlı verileri okur.
  4. bir Stream Analytics işi hata/hata tahmin etmek için Azure Machine Learning ML modeli çağırır.
  5. Stream Analytics işi, işlemler için Power BI gerçek zamanlı panoya akış toplamaları gönderir.
  6. Stream Analytics bir iş, işlenen gerçek zamanlı verileri Azure Synapse SQL havuzuna iter.
  7. Logic Apps, akış verilerinden cep telefonlarına uyarı gönderir.
  8. Power BI, sonuçlar görselleştirmesi için kullanılır.

Bileşenler

  • derleme satırı olaylarını Event Hubs ve bunları Stream Analytics ve bir Azure ML Web hizmetine geçirir.
  • Azure Stream Analytics: Stream Analytics Event Hubs giriş akışını kabul eder, tahminleri yapmak için bir azure ML Web hizmeti çağırır ve akışı azure Synapse ve Power BI ve Logic Apps uyarılar için gönderir.
  • Azure Machine Learning: Machine Learning, tahmine dayalı analiz çözümlerini bulutta tasarlamanıza, test etmenize, kullanıma almanıza ve yönetmenize ve Stream Analytics tarafından çağrılabilen web hizmetleri dağıtmanıza yardımcı olur.
  • Depolama hesapları: Azure Depolama, ham olaylar akış verilerini olay Hub 'ından depolar ve uzun süreli veri kalıcılığı için hizmet verir.
  • Logic Apps: akış verilerinden oluşturulan uyarıları işletmen cihazına gönderir
  • SYNAPSE Analytics: geçici ve planlı analitik işleme ve Kullanıcı analitik sorguları için ilişkisel verileri depolayın
  • Power BI: analitik raporlar için gerçek zamanlı işlemsel panoları ve ayrıca sunucuları görselleştirir.

Alternatifler

  • senaryoya bağlı olarak, temel mimari, ham olaylar için Depolama kaldırılıyor ve ilişkisel veriler için Azure Synapse ' ı kaldırarak basitleştirilebilir
  • Azure SQL Veritabanı , yönetilen bir hizmet olarak ilişkisel veritabanıdır. veri birimlerinize ve erişim düzenlerine bağlı olarak Azure SQL Veritabanı seçebilirsiniz.
  • Azure işlevleri , iş yükü mimarisi hassas dağıtılmış bileşenlere ortalıyorsa, tek tek bileşenlerin yalnızca isteğe bağlı (sürekli değil) ve bileşenlerin düzenlenmesi gerekmediği durumlarda, en az sayıda bağımlılık gerektiren etkili bir sunucusuz yaklaşım sağlar.
  • IoT Hub , bulut platformu ve oluşturma ekipmanı ve diğer site öğeleri arasında cihaz başına kimlik ile güvenli çift yönlü iletişim için bir merkezi ileti hub 'ı görevi görür. IoT Hub, veri analizi ardışık düzenine giriş için her bir cihaz için verileri hızlı bir şekilde toplayabilir.

Dikkat edilmesi gerekenler

Ölçeklenebilirlik

Bu örnek senaryoda kullanılan bileşenlerin çoğu, geçerli senaryo gereksinimlerinize göre ölçeklendirilen yönetilen hizmetlerdir.

Ölçeklenebilir çözümler tasarlamaya yönelik genel yönergeler için Azure Mimari Merkezi performans verimliliği denetim listesine bakın.

Güvenlik

Azure kaynakları Için Yönetilen kimlikler , hesabınıza yönelik diğer kaynaklara erişim sağlamak için kullanılır. İşlevlerinizde hiçbir şeyin (ve büyük olasılıkla müşterilerinize) açık olmamasını sağlamak için yalnızca bu kimliklerdeki önkoşul kaynaklarına erişime izin verin.

Güvenli çözümler tasarlamaya ilişkin genel yönergeler için bkz. Azure Güvenlik belgeleri.

Dayanıklılık

Bu senaryodaki tüm bileşenler yönetilir, bu nedenle bölgesel düzeyde otomatik olarak tüm dayanıklı olurlar.

Dayanıklı çözümler tasarlama hakkında genel yönergeler için bkz. Azure için dayanıklı uygulamalar tasarlama.

Sonraki adımlar