您现在访问的是微软AZURE全球版技术文档网站,若需要访问由世纪互联运营的MICROSOFT AZURE中国区技术文档网站,请访问 https://docs.azure.cn.

质量保证

事件中心
机器学习
流分析
Power BI

解决方案理念

如果想了解详细信息(例如潜在用例、替代服务、实现注意事项或定价指南)来扩展本文,请通过反馈GitHub告知我们!

通过质量保证系统,企业可以在整个向客户交付商品或服务过程中防止缺陷。 构建这样一个系统来收集数据并识别管道中的潜在问题可以提供巨大的优势。 例如,在数字制造中,整个装配线的质量保证至关重要。 在故障发生之前(而不是在检测到故障后)识别速度减慢和潜在故障可帮助公司降低抓取和重做成本,同时提高工作效率。

此解决方案演示如何使用制造管道示例来预测故障, (生产线) 。 为此,请利用已有的测试系统和故障数据,特别是查看装配线末尾的返回和功能故障。 通过将这些与封装主要处理步骤的模块化设计中的域知识和根本原因分析相结合,我们提供了一个通用高级分析解决方案,该解决方案使用机器学习在故障发生之前进行预测。 对将来故障的早期预测允许成本更低或甚至放弃,这通常比经历召回和保证成本更经济高效。

体系结构

体系结构关系图 下载此体系结构的 SVG。

数据流

  1. 源系统事件生成器将数据流式传输到 Azure 事件中心。
  2. 事件中心使用 Capture 将原始事件发送到 Data Lake。
  3. 流分析作业从事件中心读取实时数据。
  4. 流分析作业调用ML中的Azure 机器学习来预测故障/缺陷。
  5. 流分析作业将流聚合发送到Power BI仪表板以用于操作。
  6. 流分析作业将处理后实时数据推送到Azure Synapse SQL池中。
  7. 逻辑应用将流数据中的警报发送到移动电话。
  8. Power BI用于结果可视化。

组件

  • 事件中心将获取程序集行事件,并传递给流分析和 Azure ML Web 服务。
  • Azure 流分析:流分析接受来自事件中心的输入流,调用 Azure ML Web 服务进行预测,并将流发送到 Azure Synapse 和 Power BI 和逻辑应用以用于警报。
  • Azure 机器学习:机器学习可帮助你在云中设计、测试、操作和管理预测分析解决方案,并部署可通过流分析调用的 Web 服务。
  • 存储帐户:Azure 存储存储来自事件中心的原始事件流数据,并用于长期数据持久性。
  • 逻辑应用:将流数据生成的警报发送到操作员设备
  • Synapse Analytics:存储用于临时和计划内分析处理和用户分析查询的关系数据
  • Power BI:可视化分析报表实时操作仪表板和服务器。

备选方法

  • 根据方案,可以通过删除批处理层来简化基本体系结构 - 删除原始存储的日志,Azure Synapse关系数据
  • Azure SQL 数据库是托管的关系数据库即服务。 根据数据卷和访问模式,可以选择Azure SQL 数据库。
  • 如果工作负荷体系结构侧重于精细的分布式组件,几乎不需要依赖项,只在需要的情况下运行单个组件(不需要持续运行),且不需要对组件的运行进行协调,则 Azure Functions 可提供有效的无服务器方法。
  • IoT 中心充当一个中心消息枢纽,可以使用每个设备的标识在云平台与建筑设备和其他场地要素之间实现安全的双向通信。 IoT 中心可以快速收集每个设备的数据,以便引入到数据分析管道。

注意事项

可伸缩性

此示例方案中使用的大多数组件都是托管服务,这些服务根据当前方案需求进行缩放。

有关设计可缩放解决方案的一般指导,请参阅以下指南中的性能Azure 体系结构中心。

安全性

Azure 资源的托管 标识用于提供对帐户内部其他资源的访问权限。 只允许通过这些标识访问必要的资源,这样可确保不将额外的内容公开给函数(可能还包括客户)。

有关设计安全解决方案的一般指南,请参阅 Azure 安全文档

复原

本方案中的所有组件都是托管的,因此均可在区域级别自动复原。

若需可复原解决方案的通用设计指南,请参阅设计适用于 Azure 的可复原应用程序

后续步骤