Nápady na řešení
Tento článek popisuje myšlenku řešení. Váš cloudový architekt může pomocí těchto pokynů vizualizovat hlavní komponenty pro typickou implementaci této architektury. Tento článek slouží jako výchozí bod k návrhu dobře navrženého řešení, které odpovídá konkrétním požadavkům vaší úlohy.
Toto řešení popisuje, jak se budovy a areály můžou bezpečně a spolehlivě připojit a škálovat místní zařízení Internetu věcí (IoT) do cloudu.
Architektura
Stáhněte si soubor aplikace Visio s touto architekturou.
Workflow
Nemocnice používají různá připojená zařízení k monitorování stavu pacientů i výkonu zařízení.
- Zařízení pro sledování stavu zahrnují monitory pacientů, skenery CT a monitorování krevního tlaku.
- Bezpečnostní a kvalitní zařízení budovy zahrnují kvalitu vzduchu a senzory teploty budovy.
Zařízení pro monitorování stavu pacientů odesílají data do zařízení LTE nebo 5G Radio Access Network (RAN).
Rádia 5G nebo LTE v nemocnicích předávají data do 5G nebo LTE paketů spuštěných na hraničních serverech. Hraniční servery můžou být Azure Stack Edge nebo jakékoli servery s podporou Azure Arc.
Na hraničních serverech může modul runtime IoT Edge před odesláním dat do Azure před odesláním data před další analýzou předzpracovat.
V cloudu Azure IoT Hub ingestuje data rychle a bezpečně a odesílá je do služby Azure Machine Learning.
Azure Machine Learning obsahuje nová data pro další optimalizaci modelu, který řídí nastavení inteligentního sestavování.
Data z Azure IoT Hubu se také předá do služby Azure Digital Twins, která poskytuje mapu síťových zařízení IoT v nemocnicích jako virtuální simulaci.
Data také odkrývnou do služby Azure Time Series Insights, která může analyzovat stav pacientů v průběhu časového období nebo účinnost léčby v několika nemocnicích. Time Series Insights také nabízí vrstvu vizualizace, která vám pomůže při rozhodování.
Všechna data jsou uložená ve službě Azure Data Lake Storage, která může ukládat data libovolného formátu a velikosti.
Komponenty
Toto řešení používá následující komponenty Azure:
- Azure Stack Edge je portfolio zařízení, která do IoT Edge přinášejí výpočetní prostředky, úložiště a inteligentní funkce. Azure Stack Edge funguje jako brána cloudového úložiště, která umožňuje přenos dat do Azure a zachovává místní přístup k souborům.
- Kubernetes s podporou Azure Arc propojuje clustery Kubernetes spuštěné uvnitř Azure nebo mimo Azure.
- Azure Sphere je komplexní řešení zabezpečení IoT, které zahrnuje hardwarové, operační a cloudové komponenty pro zabezpečení zařízení IoT.
- Azure IoT Edge nasazuje cloudové inteligentní funkce místně na zařízeních IoT.
- Azure IoT Hub je cloudová spravovaná služba pro obousměrnou komunikaci mezi zařízeními IoT a Azure.
- Azure Machine Learning je integrované řešení datových věd pro datové vědce a vývojáře, které umožňuje vytvářet, trénovat a nasazovat modely strojového učení.
- Azure Digital Twins je platforma IoT, která vytváří digitální reprezentaci skutečných věcí, míst, procesů a lidí v cloudu.
- Azure Time Series Insights je ucelená analytická platforma IoT, která umožňuje monitorovat, analyzovat a vizualizovat průmyslová analytická data IoT ve velkém měřítku.
- Azure Data Lake Storage je škálovatelné a zabezpečené datové jezero pro vysoce výkonné analytické úlohy.
Podrobnosti scénáře
Cloudové služby můžou ukládat a analyzovat data IoT za účelem diagnostiky anomálií a provádět nápravné nebo preventivní akce. Služby Azure můžou data dále analyzovat a ukládat a využívat strojové učení k optimalizaci nastavení sestavení.
Potenciální případy použití
V tomto řešení zdravotnická zařízení používá zařízení IoT s podporou LTE nebo 5G ke sledování stavu pacientů i výkonu budovy. Zařízení používají integrované certifikované čipy Azure Sphere k streamování dat na místní hraniční servery, které komunikují s cloudem Azure. Správci místní sítě můžou zobrazit stav sítě prostřednictvím jader paketů na hraničních serverech.
Mezi další příklady tohoto přístupu patří:
- Prediktivní údržba strojů v kávovaru.
- Sledování bezpečnosti a dodržování předpisů pro teploty potravin a nápojů v potravinářském výrobním závodu.
- Zjištění optimálního bodu pro extrakci zdrojů v energetickém sektoru na základě dat shromážděných autonomními průzkumovými vozidly.
Přispěvatelé
Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.
Hlavní autor:
- Nikhil Ravi | Vedoucí vedení výroby