品質保證

事件中樞
Machine Learning
串流分析
Power BI

解決方案構想

如果您想要瞭解如何使用詳細資訊來擴充本文,例如可能的使用案例、替代服務、實行考慮或定價指引,請讓我們知道 GitHub 的意見反應!

品質保證系統可讓企業在將貨物或服務交付給客戶的整個過程中防止瑕疵。 建立這類系統來收集資料,並識別管線中的潛在問題,可提供龐大的優點。 例如,在數位製造中,整個程式列的品質保證都是必要的。 在事件發生之前(而不是偵測到它們之後)找出變慢和潛在的失敗,可協助公司降低報廢和重做成本,同時提升生產力。

此解決方案示範如何使用製造管線的範例 (元件行) 來預測失敗。 這是藉由充分利用已經存在的測試系統和失敗資料來完成,特別是在程式列尾查看傳回和功能性失敗。 我們藉由在封裝主要處理步驟的模組化設計中,將這些與領域知識和根本原因分析結合,來提供一般的先進分析解決方案,以使用機器學習服務在發生失敗之前預測失敗。 早期預測未來的失敗可讓修復成本較低或甚至捨棄,這通常比透過召回和擔保成本更符合成本效益。

架構

架構圖表會 下載此架構的SVG

資料流程

  1. 來源系統事件產生器會將資料串流至 Azure 事件中樞。
  2. 事件中樞會使用 Capture 將原始事件傳送至 Data Lake。
  3. 串流分析作業會從事件中樞讀取即時資料。
  4. 串流分析作業會在 Azure Machine Learning 中呼叫 ML 模型,以預測失敗/瑕疵。
  5. 串流分析作業會將資料流程匯總傳送給 Power BI 即時儀表板進行作業。
  6. 串流分析作業會將已處理的即時資料推送至 Azure Synapse SQL 集區。
  7. Logic Apps 將警示從串流資料傳送到行動電話。
  8. Power BI 用於結果視覺效果。

單元

  • 事件中樞會內嵌元件行事件,並將其傳遞至串流分析和 Azure ML Web 服務。
  • Azure 串流分析:串流分析會接受來自事件中樞的輸入資料流程、呼叫 Azure ML Web 服務來進行預測,並將串流傳送至 azure Synapse,並 Power BI 並 Logic Apps 警示。
  • Azure Machine Learning:機器學習協助您設計、測試、讓及管理雲端中的預測性分析解決方案,並部署串流分析可呼叫的 web 服務。
  • 儲存體帳戶: Azure 儲存體儲存來自事件中樞的原始事件串流資料,並可用於長期資料保存。
  • Logic Apps:將從串流資料產生的警示傳送到操作員裝置
  • Synapse Analytics:儲存臨機操作和規劃的分析處理和使用者分析查詢的關聯式資料
  • Power BI:視覺化即時操作儀表板以及分析報表的伺服器。

替代方案

  • 視案例而定,您可以藉由移除批次層-移除原始事件的儲存體以及關聯式資料的 Azure Synapse 來簡化基本架構
  • Azure SQL Database 是受控的關聯式資料庫即服務。 視您的資料量和存取模式而定,您可以選擇 Azure SQL Database。
  • 如果工作負載架構著重於細微的分散式元件,需要最低相依性,其中個別元件只需要隨需執行 (不連續),且不需要元件的協調流程,則可使用 Azure Functions 提供的有效無伺服器方法。
  • IoT 中樞可作為中央訊息中樞,以便在雲端平台與營建設備和其他工地元素之間使用各裝置的身分識別進行安全的雙向通訊。 IoT 中樞可快速收集每個裝置的資料,以便擷取到資料分析管線。

考量

延展性

此範例案例中使用的大部分元件都是受管理的服務,可根據您目前的案例需求進行調整。

如需設計可調整解決方案的一般指引,請參閱 Azure 架構中心中的 效能效率檢查清單

安全性

適用于 Azure 資源的受控 識別是用來提供帳戶內部其他資源的存取權。 只允許以這些身分識別存取必要資源,確保沒有其他項目公開到您的函式 (而且可能公開給您的客戶)。

如需設計安全解決方案的一般指引,請參閱 Azure 安全性檔案

災害復原

此案例中的所有元件都是受控元件,所以它們在區域層級都會自動復原。

如需設計彈性解決方案的一般指引,請參閱為 Azure 設計有彈性的應用程式

下一步