解決方案構想
本文是解決方案概念。 如果您想要使用詳細資訊來擴充內容，例如潛在的使用案例、替代服務、實作考慮或定價指引，請提供 GitHub 意見反應讓我們知道。
本文說明倉儲管理案例，此案例會透過整合感測器數據和公用數據集來監視環境狀況，並以 ML 處理以產生預測。 接著會使用深入解析來確保人員的安全性，並將供應鏈作業優化。
架構
資料流程
倉儲設施中的感測器已連線，並將數據傳送至LoRa（Long Range） 網關。
LoRa 閘道會使用行動數據連線將數據推送至雲端。
myDevices 是軟體即服務（SaaS）型即插即用解決方案。 它會使用自動布建及與對應客戶相關聯的裝置和閘道。
裝置數據會傳送至 Azure IoT Central。 客戶會使用解決方案來控制及監視裝置。
使用 Azure Digital Twins 建立供應鏈和倉儲設施的模型。 這是即時執行環境，應用程式可以擷取數據，以取得供應鏈狀態的可見度。 Digital Twins 會以原生方式與 Azure 事件中樞整合，其他應用程式會與其互動以從對應項擷取數據。
ML 模型所需的時態和空間數據會從外部數據源取得。
金鑰資料會儲存在 Azure 資料解決方案中。 Blob 記憶體用於 ML 定型數據。 Azure Cosmos DB 用於評分數據和關鍵效能索引。
遙測數據會透過事件中樞從IoT Central擷取，以確保數據擷取和耗用量的分離。 Azure Functions 可用來結合外部數據源和遙測數據，然後分析此數據集是否有任何異常。 數據會透過 Digital Twins 呈現。
Azure Databricks 會執行定型 ML 模型所需的數據轉換。
野火預測模型是使用 Azure 機器學習，方法是利用歷史數據、實時數據和微氣象數據。
Bing 地圖 貨車路由 API 會提供路由更新。
應用程式可以直接查詢 Digital Twins，以從模型取得相關數據。
元件
Azure IoT Central 會作為IoT受控平臺使用。 它會在服務中提供安全性、延展性和可用性，讓客戶能夠專注於商務需求。 使用者可以與Power Apps和Power BI等商務元件整合，並透過 IoT Central 中的數據匯出功能建立通知。
Azure 記憶體 是用來以安全且可調整的方式，將裝置資訊儲存在雲端中，這也是符合成本效益的方式。 儲存的數據用於定型 ML 模型。
Azure Cosmos DB 可用來儲存應用程式關鍵效能指標 （KPI） 和模型輸出。 Azure Cosmos DB 是完全受控的 NoSQL 資料庫服務，可用於新式應用程式開發。 它提供高速交易，並可以輕鬆地啟用服務進行全域散發。
Azure Databricks 是針對 Microsoft Azure 雲端服務平臺優化的數據分析平臺。 它用於轉換、操作和正規化數據，讓機器學習管線能夠正確取用數據。
Azure 機器學習 可用來建立野火預測模型。 這些模型提供評估野火風險所需的情報。 需要來自多個數據源的輸入，才能將模型定型為精確度。 這些來源可以包括衛星影像、歷史數據、當地土壤狀況和天氣數據。 根據模型的述詞野火區域，供應鏈和物流解決方案可以重新路由卡車。
如需更詳細的討論，請參閱 Azure IoT 參考架構 ，以瞭解並探索可用的各種實作選項。
案例詳細資料
環境監測已成為全球供應鏈中的重要活動。 它提供重要訊號，可協助推動可能影響供應商和物流的即時決策。 空氣品質、溫度、風力、濕度和二氧化碳（CO2）是倉庫經營者有興趣在自然災害期間監測的一些指標。 更進階的案例可能包括從氣象站、空氣品質感測器和其他來源融合即時和歷史數據。 然後，機器學習服務（ML）模型可用來協助預測這些條件的影響，以及它們可能對供應鏈作業的影響。
潛在的使用案例
此解決方案適用於環境、製造、運輸和農業產業。
- 車隊管理： 此解決方案可用於需要根據周圍地區不斷演變的條件，優化路線的安全性。
- 農業： 預測影響工人和牲畜安全的野火至關重要。 通過為危險通知提供充足的前置時間，災區人員可以撤離安全。 農場還可以為畜牧區配備自動化大門，在可怕的情況下可以解除鎖定和打開，讓動物能夠逃脫。
面臨的挑戰
近年來野火顯著增加，給人類和全球供應鏈帶來了越來越大的危險。 隨著今年燒毀的畝數不斷增加， 許多領導人對氣候變化 的供應鏈復原能力是重中之重。
在 美國，受野火影響的面積年均約為700萬畝。 在20世紀90年代，這個區域是平均值的兩倍多。 其他國家/地區的情況更加令人震驚。 例如，在澳大利亞，與50年前相比，還有一個額外的夏季，長期乾旱進一步惡化了火災狀況。 那裡發生大規模叢林火災，造成經濟損失比 美國 大近10倍。 澳大利亞野火可能會影響 全球糧食供應，包括牛肉、牛奶、葡萄酒和小麥等商品。
全球 企業的風險每年都會持續增加，而自然災害期間的供應鏈復原能力對於維護全球貨物的流動至關重要。 將氣象預報和預測 整合到供應鏈容量規劃中，可協助操作員調整生產和管理出貨排程。 此系統可將中斷和不利影響降至最低。
業務成果
倉儲運營商和主要配送中心將受益於預測性的方式，以判斷現有的物流基礎設施是否在大火的道路上。 提前通知系統將增加前置時間，採取預防措施來保護設施和人員。 物流活動中變更和暫停的自動化通知也允許以最少人為介入的方式重新路由運送。
需求
- 自動化很重要。 無法假設操作員和設施管理員可以跨多個系統收集數據，以做出及時的決策。
- 當有立即危險時，倉庫、配送設施和營運經理必須透過多種方式收到通知，以確保及時收到資訊。 範例包括數據儀錶板、電子郵件和簡訊。
- 只需要報告數據中的變更。
- 解決方案的傳遞和部署必須很簡單。 它應該安裝，而不需要技術人員，使用隨插即用技術。
- 解決方案必須低維護和符合成本效益。
解決挑戰的模式
下表提供常見使用案例和對應的IoT解決方案摘要。 每個使用案例都是如何將IoT程式模式套用至真實世界案例的範例。
| 使用案例 | 方案 |
|---|---|
| 藉由預測由於受影響地點附近發生野火而中斷的可能性，啟用供應鏈物流重新路由和生產規劃。 | 在理想情況下，您想要能夠監視供應鏈的所有重要元素，以便提供更全面的回應。 myDevices 具有可連線到 LoRa 網路閘道的認證隨插即用裝置目錄。 閘道會使用行動數據連線將數據傳送至雲端應用程式。 LoRa 技術是理想的，因為信號需要深入建築物。 CO2、溫度、濕度、風向和空氣品質的感測器可以安裝在相關建築位置，包括屋頂和儲存設施。 感測器也可以安裝在卡車中，以便進行位置追蹤，以利重新路由。 |
| 識別野火條件，並瞭解指定位置的危險程度。 | 使用歷史數據、微天氣狀況和當地感測器數據定型的野火預測模型，有助於評估野火的風險。 |
| 疏散和設施重新路由的自動化警示 | 一旦偵測到不安全的狀況，設施的數字對應項就可以更新，以顯示它不再上線。 一旦更新后，網路內的其他配送中心就可以開始據此重新路由傳送流量，讓現場設施經理和倉儲操作員專注於員工安全。 此案例會使用 ML 來預測野火將蔓延的位置，使用公用即時和歷史數據集以及微型天氣數據，以取得更精確的預測。 感測器會追蹤目前的野火狀況，設施警報會觸發員工疏散。 |
考量
這些考慮會實作 Azure Well-Architected Framework 的支柱，這是一組指導原則，可用來改善工作負載的品質。 如需詳細資訊，請參閱 Microsoft Azure Well-Architected Framework。
連線性
解決方案的現場裝置和感測器需要將數據傳送至雲端中的應用程式，但某些位置（例如在農村地區）可能無法使用可靠的因特網存取。
此解決方案會使用LoRa網路來提供行動數據連線。 LoRa 具有良好的建置滲透，因此非常適合用於倉儲相關應用程式。 這種方法符合成本效益，可為需要易於連線的IoT裝置和感測器的遠端位置提供彈性。
即插即用
在遠端設定中，裝置很容易部署，而不需要特殊專業知識。 myDevices 有廣泛的 IoT 裝置和閘道目錄，可套用至多個案例。 他們已 隨插即用 認證，因此所有用戶都必須將它們放在正確的位置，並加以開啟。 透過其IoT Central整合，客戶可以輕鬆地自定義其儀錶板，以取用其裝置資料並建立警示。
參與者
本文由 Microsoft 維護。 原始投稿人如下。
主體作者：
- Ansley Yeo |技術領導者
下一步
- 運輸和物流中的IoT：如何使用 Azure，透過世界級的IoT和位置智慧服務，為您的產業鏈帶來更高的效率和可靠性。
- IoT Central 連線物流應用程式範本的架構：開發端對端連線物流解決方案的應用程式範本和指引。
- Bing 地圖 貨車路由 API：商業路由工具，可計算安全且有效率的路線，並考慮車輛與任何路線限制相關的屬性。
- Azure Digital Twins - 供應鏈示範 會使用 Digital Twins 來建立供應鏈案例的模型。
- myDevices 提供 LoRa 連線和裝置，可讓解決方案快速部署在連線能力是一項挑戰且需要廣泛的網路涵蓋範圍的位置。
- C.H. Robinson Navisphere 可與 Microsoft Azure 和 Azure IoT 搭配運作，以提供供應鏈的即時可見度，以及更可預測的主動決策。
- EPA AirNow API 可讓您存取 AirNow 的即時空氣品質和野火數據，這是美國環境保護局（EPA）和其他聯邦、部落、州和地方機構維護的服務。
相關資源
- Azure IoT Reference Architecture (Azure IoT 參考架構)
- 使用IoT處理即時車輛數據：用來內嵌即時車輛數據的參考架構，以進行分析，包括路線優化。
- IoT 監視和管理迴圈 是一種設計模式，描述監督系統，其會持續監視由一組網路IoT裝置控制的實體系統。
- IoT 分析和優化迴圈 是一種設計模式，可藉由採購遙測、精簡數據，以及將其與企業數據源結合以產生見解，將商務優化深入解析產生和應用至軟體所控制的實體系統。
- 使用 Azure Cosmos DB 的 IoT 說明使用 Azure Cosmos DB 以高速率擷取裝置遙測數據的範例架構，並可使用低延遲和高可用性來提供索引查詢。