Lösungsmöglichkeiten
In diesem Artikel ist ein Lösungsvorschlag beschrieben. Ihr Cloudarchitekt kann diesen Leitfaden verwenden, um die Hauptkomponenten einer typischen Implementierung dieser Architektur zu visualisieren. Verwenden Sie diesen Artikel als Ausgangspunkt, um eine gut durchdachte Lösung zu entwerfen, die den spezifischen Anforderungen Ihrer Workload entspricht.
Diese Lösung beschreibt, wie Gebäude und Campus auf sichere, zuverlässige und skalierbare Weise ihre lokalen IoT-Geräte mit der Cloud verbinden können.
Aufbau
Laden Sie eine Visio-Datei dieser Architektur herunter.
Workflow
In den Krankenhausgebäuden werden verschiedene verbundene Geräte verwendet, um den Gesundheitszustand der Patienten und die Einrichtungsleistung zu überwachen.
- Zu den Geräten für die Überwachung des Gesundheitszustands gehören Patientenmonitore, CT-Scanner und Blutdruckmessgeräte.
- Zu den Geräten für Gebäudesicherheit und -qualität gehören Luftqualitäts- und Gebäudetemperatursensoren.
Die Geräte für die Überwachung des Gesundheitszustands des Patienten und der Gebäude senden Daten an Geräte vom Datentyp „5G Radio Access Network“ (RAN).
Über die 5G- bzw. LTE-Funkgeräte in den Krankenhäusern werden die Daten an die 5G- bzw. LTE-Paketkerne weitergeleitet, die auf den Edgeservern laufen. Die Edgeserver können Azure Stack Edge oder beliebige Azure Arc-fähige Server sein.
Auf den Edgeservern kann die IoT Edge-Runtime die Daten vorverarbeiten, bevor sie zur weiteren Analyse an Azure gesendet werden.
In der Cloud erfasst Azure IoT Hub die Daten schnell und sicher und sendet sie an Azure Machine Learning.
Azure Machine Learning integriert die neuen Daten, um das Modell, das die Einstellungen des intelligenten Gebäudes steuert, weiter zu optimieren.
Die Daten aus Azure IoT Hub werden zudem in Azure Digital Twins übertragen. Über den Dienst wird eine Karte der vernetzten IoT-Geräte des Krankenhauses als virtuelle Simulation bereitgestellt.
Die Daten werden auch an Azure Time Series Insights übertragen. Damit kann der Gesundheitszustand von Patienten über einen bestimmten Zeitraum oder die Wirksamkeit von Behandlungen über mehrere Krankenhäuser hinweg analysiert werden. Time Series Insights enthält darüber hinaus eine Visualisierungsebene zur Unterstützung der Entscheidungsfindung.
Sämtliche Daten werden in Azure Data Lake Storage gespeichert, in dem Daten in beliebigen Formaten und Größen gespeichert werden können.
Komponenten
Diese Lösung verwendet die folgenden Azure-Komponenten:
- Azure Stack Edge ist ein Portfolio von Geräten, die IoT Edge mit Rechenleistung, Speicher und Business Intelligence versorgen. Azure Stack Edge fungiert als Cloudspeicher-Gateway, das Datenübertragungen zu Azure ermöglicht, während der lokale Zugriff auf Dateien erhalten bleibt.
- Azure Arc-fähige Kubernetes-Instanzen verbinden Kubernetes-Cluster, die innerhalb und außerhalb von Azure ausgeführt werden.
- Azure Sphere ist eine umfassende IoT-Sicherheitslösung, die Hardware-, OS- und Cloudkomponenten für die IoT-Gerätesicherheit umfasst.
- Azure IoT Edge stellt Cloud Intelligence lokal auf IoT-Geräten bereit.
- Azure IoT Hub ist ein cloudbasierter verwalteter Dienst für die bidirektionale Kommunikation zwischen IoT-Geräten und Azure.
- Azure Machine Learning ist eine integrierte Data Science-Lösung für Datenanalysten und Entwickler zum Erstellen, Trainieren und Bereitstellen von Machine Learning-Modellen.
- Azure Digital Twins ist eine IoT-Plattform, die digitale Darstellungen von realen Gegenständen, Orten, Geschäftsprozessen und Personen in der Cloud erstellt.
- Azure Time Series Insights ist eine End-to-End-IoT-Analyseplattform zum Überwachen, Analysieren und Visualisieren von Industrial IoT-Analysedaten im großen Stil.
- Azure Data Lake Storage ist ein skalierbarer und sicherer Data Lake für Hochleistungs-Analyseworkloads.
Szenariodetails
Clouddienste können IoT-Daten speichern und analysieren, um Anomalien zu diagnostizieren und Korrekturmaßnahmen oder vorbeugende Maßnahmen zu ergreifen. Azure-Dienste können die Daten weiter analysieren und speichern und maschinelles Lernen verwenden, um die Gebäudeeinstellungen zu optimieren.
Mögliche Anwendungsfälle
Bei dieser Lösung verwendet eine Gesundheitseinrichtung LTE- oder 5G-fähige IoT-Geräte, um sowohl den Gesundheitszustand der Patienten als auch die Gebäudeleistung nachzuverfolgen. Die Geräte verwenden integrierte Azure Sphere-zertifizierte Chips, um Daten an lokale Edgeserver zu streamen, die mit der Azure Cloud kommunizieren. Lokale Netzwerkadministratoren können die Netzwerkintegrität über die Paketkerne auf den Edgeservern anzeigen.
Weitere Beispiele für diesen Ansatz sind:
- Predictive Maintenance für Computer in einem Café.
- Sicherheits- und Compliance-Überwachung für Temperaturen von verderblichen Lebensmitteln und Getränken in einer Lebensmittelproduktionsanlage.
- Ermitteln des optimalen Punkts für die Ressourcengewinnung im Energiebereich anhand der von autonomen Erkundungsfahrzeugen gesammelten Daten.
Beitragende
Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:
Hauptautor:
- Nikhil Ravi | Production Management Leader