Nápady na řešení
Tento článek je myšlenkou řešení. Pokud chcete, abychom obsah rozšířili o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět tím, že nám poskytnete zpětnou vazbu k GitHubu.
Tento článek popisuje scénář správy skladu, který monitoruje podmínky prostředí prostřednictvím integrace dat snímačů a veřejných datových sad zpracovaných pomocí ML za účelem generování předpovědí. Přehledy se pak používají k zajištění bezpečnosti lidí a optimalizaci operací dodavatelského řetězce.
Architektura
Stáhněte si soubor aplikace Visio s touto architekturou.
Tok dat
Senzory v skladu jsou připojené a odesílají data do brány LoRa (Long Range).
Brána LoRa nasdílí data do cloudu pomocí mobilního připojení.
myDevices je řešení plug and play založené na softwaru jako službě (SaaS). Používá zařízení a brány, které se automaticky zřídí a přidružují k odpovídajícímu zákazníkovi.
Data zařízení se odesílají do Azure IoT Central. Zákazníci používají řešení pro řízení a monitorování zařízení.
Modelování dodavatelského řetězce a skladových zařízení pomocí služby Azure Digital Twins Jedná se o živé prostředí, ve kterém můžou aplikace ingestovat data, aby získaly přehled o stavu dodavatelského řetězce. Služba Digital Twins se nativně integruje se službou Azure Event Hub, se kterou ostatní aplikace komunikují s cílem načítat data z dvojčete.
Časová a prostorová data vyžadovaná modely ML se získávají z externích zdrojů dat.
Klíčová data se ukládají v datových řešeních Azure. Úložiště objektů blob se používá pro trénovací data ML. Azure Cosmos DB se používá k indexům výkonu a datům se skóre.
Telemetrická data se ingestují z IoT Central prostřednictvím centra událostí, aby se zajistilo oddělení příjmu a spotřeby dat. Azure Functions slouží ke kombinování externích zdrojů dat a telemetrických dat a následné analýze této datové sady pro všechny anomálie. Data se zpřístupní prostřednictvím služby Digital Twins.
Azure Databricks provádí transformace dat vyžadované pro trénování modelů ML.
Prediktivní modely wildfire se trénují pomocí služby Azure Machine Učení s využitím historických dat, dat v reálném čase a mikrotěrných dat.
Aktualizace směrování poskytuje rozhraní API bingu pro směrování Mapy nákladních vozů.
Aplikace se můžou do služby Digital Twins dotazovat přímo za účelem získání relevantních dat z modelu.
Komponenty
Azure IoT Central se používá jako spravovaná platforma IoT. Poskytuje zabezpečení, škálovatelnost a dostupnost jako součást služby, aby se zákazníci mohli zaměřit na obchodní požadavky. Uživatelé se můžou integrovat s obchodními komponentami, jako jsou Power Apps a Power BI, a vytvářet oznámení prostřednictvím funkce exportu dat v IoT Central.
Úložiště Azure se používá k ukládání informací o zařízení v cloudu zabezpečeným a škálovatelným způsobem, který je také nákladově efektivní. Uložená data se používají k trénování modelů ML.
Azure Cosmos DB slouží k ukládání klíčových ukazatelů výkonu aplikace (KPI) a výstupů modelů. Azure Cosmos DB je plně spravovaná databázová služba NoSQL pro moderní vývoj aplikací. Poskytuje vysokorychlostní transakce a může snadno povolit službu pro globální distribuci.
Azure Databricks je platforma pro analýzu dat optimalizovaná pro platformu cloudových služeb Microsoft Azure. Používá se k transformaci, manipulaci a normalizaci dat, aby je mohl kanál strojového učení správně využívat.
Azure Machine Učení slouží k vytváření prediktivních modelů wildfire. Modely poskytují inteligenci potřebnou k vyhodnocení rizika požáru. K trénování modelu pro přesnost se vyžaduje vstup z více zdrojů dat. Mezi tyto zdroje patří satelitní snímky, historická data, místní podmínky půdy a data o počasí. V závislosti na predikované oblasti požáru z modelu může dodavatelské řetězce a logistické řešení přemístit nákladní vozy.
Podrobnější diskuze najdete v referenční architektuře Azure IoT, abyste porozuměli různým dostupným možnostem implementace a prozkoumali je.
Podrobnosti scénáře
Monitorování životního prostředí se stalo důležitou aktivitou v globálním dodavatelském řetězci. Poskytuje klíčové signály, které pomáhají řídit rozhodnutí v reálném čase, která můžou ovlivnit dodavatele a logistiku. Kvalita vzduchu, teplota, vítr, vlhkost a oxidu uhličitého (CO2) jsou některé indikátory, které provozovatelé skladu zajímají o monitorování během přírodních katastrof. Pokročilejší scénáře můžou zahrnovat fúzi dat v reálném čase a historických dat z meteorologových stanic, senzorů kvality ovzduší a dalších zdrojů. Modely strojového učení (ML) se pak dají použít k predikci vlivu těchto podmínek a jejich možného dopadu na provoz dodavatelského řetězce.
Potenciální případy použití
Toto řešení je ideální pro životní prostředí, výrobu, dopravu a zemědělství.
- Správa vozového parku: Toto řešení lze použít v případech, kdy je potřeba optimalizovat trasy pro bezpečnost na základě vyvíjejících se podmínek okolních oblastí.
- Zemědělství: Předpověď požárů, které budou mít vliv na bezpečnost pracovníků a hospodářských zvířat, je zásadní. Poskytnutím dostatek předstihu pro oznámení o nebezpečích mohou lidé v postižené oblasti evakuovat k bezpečnosti. Farmy mohou také vybavit oblasti hospodářských zvířat automatizovanými branami, které mohou odemknout a otevřít v divných situacích, což zvířatům umožní uniknout.
Výzvy, kterým čelí
V posledních letech došlo k významnému nárůstu požárů , což představuje rostoucí nebezpečí pro lidi a globální dodavatelský řetězec. S počtem akreů shořených o rok, je odolnost dodavatelského řetězce vůči změně klimatu nejvyšší pozorností pro mnoho vedoucích pracovníků.
V USA je roční průměr oblastí ovlivněných požáry přibližně 7 000 000 akreů. V roce 1990 je tato oblast vyšší než dvojnásobek průměru. Situace je ještě více alarmující v jiných zemích/oblastech. Například v Austrálii je v porovnání s 50 lety před 50 lety další měsíc v Austrálii a dlouhodobé sucho se dále zhoršily podmínky požáru. Masivní požáry bush tam způsobily ekonomické škody téměř 10krát větší než v USA. Australské požáry mohou ovlivnit globální dodávky potravin, včetně zboží, jako je hovězí maso, mléko, víno a pšenice.
Rizika pro podniky po celém světě se každoročně zvyšují a odolnost dodavatelského řetězce během přírodních katastrof je důležitá pro globální udržování toku zboží. Integrace předpovědí a předpovědí založených na počasí do plánování kapacity dodavatelského řetězce může operátorům pomoct upravit výrobní a spravovat plány dopravy. Tento systém může minimalizovat přerušení a nežádoucí účinky.
Obchodní výsledky
Provozovatelé skladu a hlavní distribuční centra budou těžit z prediktivního způsobu, jak určit, jestli je stávající logistická infrastruktura v cestě k velkému požáru. Systém včasných oznámení by poskytoval zvýšenou dobu, kdy by bylo možné přijmout preventivní opatření k ochraně zařízení a pracovníků. Automatizované oznámení o změnách a pozastavení v logistických činnostech by také umožnilo přesměrování zásilek s minimálním zásahem člověka.
Požadavky
- Automatizace je důležitá. Nedá se předpokládat, že provozovatelé a správci zařízení můžou shromažďovat data v různých systémech, aby se mohli včas rozhodovat.
- Sklady, distribuční zařízení a provozní manažeři musí být upozorněni několika prostředky, pokud dojde k okamžitému nebezpečí, aby informace byly včas přijaty. Mezi příklady patří řídicí panel dat, e-mail a textová zpráva.
- Je potřeba hlásit pouze změny v datech.
- Doručení a nasazení řešení musí být jednoduché. Měla by být nainstalována bez nutnosti technika, pomocí technologie plug-and play.
- Řešení musí být nízké údržby a nákladově efektivní.
Vzory pro řešení problémů
Následující tabulka obsahuje souhrn běžných případů použití a odpovídajících řešení IoT. Každý případ použití je příkladem způsobu použití vzoru procesu IoT v reálných scénářích.
| Případ použití | Řešení |
|---|---|
| Povolte přesměrování logistiky dodavatelského řetězce a plánování výroby tím, že předpovídáte pravděpodobnost přerušení kvůli požárům v blízkosti ovlivněné lokality. | V ideálním případě chcete být schopni monitorovat všechny klíčové prvky dodavatelského řetězce, abyste mohli poskytnout komplexnější odpověď. myDevices má katalog certifikovaných zařízení plug and play, která se připojují k síťové bráně LoRa . Brána odesílá data do cloudové aplikace pomocí mobilního připojení. Technologie LoRa je ideální, protože signál potřebuje proniknout hluboko do budov. Senzory pro CO2, teplotu, vlhkost, směr větru a kvalitu vzduchu lze instalovat v příslušných místech budov, včetně střešních a úložných zařízení. Senzory lze také nainstalovat do nákladních vozů pro sledování polohy, aby se usnadnilo přesměrování. |
| Identifikujte podmínky požáru a porozumíte stupni nebezpečí pro dané místo. | Modely predikce požáru vytrénované s historickými daty, mikro-povětrnostními podmínkami a místními daty snímačů můžou pomoct vyhodnotit riziko požáru. |
| Automatizovaná upozornění na odsuzení a přesměrování zařízení | Jakmile se zjistí nebezpečné podmínky, můžete digitální dvojče zařízení aktualizovat, aby ukázalo, že už není online. Po aktualizaci mohou další distribuční centra v síti začít odpovídajícím způsobem směrovat provoz, což umožňuje správcům zařízení a operátorům skladu zaměřit se na bezpečnost zaměstnanců. Tento scénář používá ML k předpovídání toho, kde se bude požár šířit, pomocí veřejných datových sad v reálném čase a historických datových sad spolu s mikrotěrnými daty pro přesnější předpovědi. Senzory sledují aktuální podmínky požáru a alarmy zařízení aktivují evakuování zaměstnanců. |
Důležité informace
Tyto aspekty implementují pilíře dobře architektuře Azure, což je sada hlavních principů, které je možné použít ke zlepšení kvality úlohy. Další informace naleznete v tématu Microsoft Azure Well-Architected Framework.
Připojení
Zařízení a senzory řešení potřebují odesílat data do aplikací v cloudu, ale spolehlivý přístup k internetu nemusí být dostupný pro některá místa, například ve venkovských oblastech.
Toto řešení používá síť LoRa k poskytování mobilního připojení. LoRa má dobrou penetrační práci, takže je ideální pro aplikace související se skladem. Tento přístup je nákladově efektivní a poskytuje flexibilitu pro vzdálená umístění, která vyžadují snadno připojit zařízení a senzory IoT.
Plug and play
Ve vzdáleném nastavení je důležité, aby se zařízení snadno nasazovala bez nutnosti specializovaných odborných znalostí. MyDevices má rozsáhlý katalog zařízení a bran IoT, které je možné použít ve více scénářích. Jsou technologie Plug and Play certifikované, takže všichni uživatelé je musí umístit do správného umístění a zapnout je. Díky integraci IoT Central můžou zákazníci snadno přizpůsobit řídicí panel tak, aby spotřebovávají data zařízení a vytvářeli upozornění.
Přispěvatelé
Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.
Hlavní autor:
- Ansley Yeo | Vedoucí technologie
Další kroky
- IoT v oblasti dopravy a logistiky: Jak se dá Azure využít k zajištění vyšší efektivity a spolehlivosti pro váš hodnotový řetězec díky špičkovým službám IoT a zjišťování polohy.
- Architektura šablony aplikace propojené logistiky IoT Central: Šablona aplikace a pokyny pro vývoj komplexních propojených logistických řešení
- Rozhraní API pro směrování nákladních vozů Bingu Mapy: Komerční směrovací nástroj, který vypočítá bezpečné a efektivní trasy a považuje atributy vozidla vzhledem k jakýmkoli omezením trasy.
- Azure Digital Twins – Ukázka dodavatelského řetězce používá službu Digital Twins k modelování scénáře dodavatelského řetězce.
- MyDevices poskytuje připojení LoRa a zařízení, která umožňují rychlé nasazení řešení v umístěních, kde je připojení výzvou a vyžaduje se široké pokrytí sítě.
- C.H. Robinson Navisphere spolupracuje s Microsoft Azure a Azure IoT a poskytuje přehled o dodavatelském řetězci v reálném čase a k předvídatelnějšímu a proaktivnějšímu rozhodování.
- Rozhraní API EPA AirNow poskytuje přístup k údajům o kvalitě ovzduší a požárech v reálném čase z AirNow, služby spravované agenturou PRO ochranu životního prostředí USA (EPA) a dalšími federálními, tribalovými, státními a místními úřady.
Související prostředky
- Referenční architektura Azure IoT
- Zpracování dat vozidel v reálném čase pomocí IoT: Referenční architektura pro ingestování dat vozidel v reálném čase pro analýzu, včetně optimalizace tras.
- Monitorování a správa smyček IoT je vzor návrhu popisující dohledový systém, který nepřetržitě monitoruje fyzický systém řízený sadou síťových zařízení IoT.
- Analýza a optimalizace smyček IoT je vzor návrhu, který umožňuje generování a použití přehledů pro optimalizaci podnikových procesů pro fyzické systémy řízené softwarem prostřednictvím získávání telemetrických dat, jeho upřesnění a kombinování se zdroji podnikových dat za účelem generování přehledů.
- IoT s využitím služby Azure Cosmos DB popisuje ukázkovou architekturu pro příjem telemetrických dat zařízení pomocí služby Azure Cosmos DB s vysokou rychlostí a může poskytovat indexované dotazy s nízkou latencí a vysokou dostupností.