Ideas de solución
En este artículo se describe una idea de solución. El arquitecto de la nube puede usar esta guía para ayudar a visualizar los componentes principales de una implementación típica de esta arquitectura. Use este artículo como punto de partida para diseñar una solución bien diseñada que se adapte a los requisitos específicos de la carga de trabajo.
En este artículo se describe un escenario de administración de almacenamiento que supervisa las condiciones ambientales mediante la integración de datos de sensores y conjuntos de datos públicos, procesados con Machine Learning para generar predicciones. La información detallada se utiliza después para garantizar la seguridad de las personas y optimizar las operaciones de la cadena de suministro.
Architecture
Descargue un archivo Visio de esta arquitectura.
Flujo de datos
Los sensores de la instalación de almacenamiento están conectados y envían datos a una puerta de enlace de LoRa (Long Range, por sus siglas en inglés).
La puerta de enlace de LoRa inserta datos en la nube mediante conectividad de telefonía móvil.
myDevices es una solución Plug and Play basada en software como servicio (SaaS). Utiliza dispositivos y puertas de enlace que se aprovisionan automáticamente y se asocian al cliente correspondiente.
Los datos del dispositivo se envían a Azure IoT Central. Los clientes utilizan la solución para controlar y supervisar los dispositivos.
Modelado de las instalaciones de la cadena de suministro y de almacenamiento mediante Azure Digital Twins. Se trata de un entorno de ejecución en directo en el que las aplicaciones pueden ingerir datos para obtener visibilidad sobre el estado de la cadena de suministro. Digital Twins se integra de forma nativa con el Centro de eventos de Azure, con el que interactúan otras aplicaciones para recuperar datos del gemelo.
Los datos temporales y espaciales requeridos por modelos de Machine Learning se obtienen de los orígenes de datos externos.
Los datos clave se almacenan en soluciones de datos de Azure. Blob Storage se utiliza para datos de entrenamiento de Machine Learning. Azure Cosmos DB se usa para los datos puntuados y los índices de rendimiento clave.
Los datos de telemetría se ingieren desde IoT Central mediante el Centro de eventos para garantizar el desacoplamiento de la ingesta y el consumo de datos. Azure Functions se utiliza para combinar orígenes de datos externos y datos de telemetría y, después, para analizar este conjunto de datos en busca de anomalías. Los datos se exponen mediante Digital Twins.
Azure Databricks realiza las transformaciones de datos necesarias para entrenar los modelos de Machine Learning.
Los modelos de predicción de fuegos arrasadores se entrenan con Azure Machine Learning mediante datos históricos, datos en tiempo real y datos micrometeorológicos.
Truck Routing API de Bing Maps proporciona las actualizaciones de redireccionamiento.
Las aplicaciones pueden consultar Digital Twins directamente para obtener los datos pertinentes del modelo.
Componentes
Azure IoT Central se utiliza como plataforma administrada por IoT. Proporciona seguridad, escalabilidad y disponibilidad como parte del servicio para que los clientes puedan centrar sus esfuerzos en las necesidades empresariales. Los usuarios se pueden integrar con componentes empresariales, como Power Apps y Power BI, y crear notificaciones mediante la característica de exportación de datos de IoT Central.
Azure Storage se utiliza para almacenar información del dispositivo en la nube de una manera segura y escalable que también sea rentable. Los datos almacenados se usan para entrenar los modelos de Machine Learning.
Azure Cosmos DB se utiliza para almacenar indicadores clave de rendimiento (KPI) de aplicaciones y salidas de modelos. Azure Cosmos DB es un servicio de bases de datos NoSQL totalmente administrado para el desarrollo de aplicaciones modernas. Proporciona transacciones de alta velocidad y puede habilitar fácilmente el servicio para la distribución global.
Azure Databricks es una plataforma de análisis de datos optimizada para la plataforma de servicios en la nube de Microsoft Azure. Se utiliza para transformar, manipular y normalizar los datos y que la canalización de aprendizaje automático pueda consumirlos correctamente.
Azure Machine Learning se usa para crear modelos de predicción de fuegos arrasadores. Los modelos proporcionan la inteligencia necesaria para evaluar el riesgo de un fuego arrasador. La entrada de varios orígenes de datos es necesaria para entrenar el modelo y que este sea preciso. Estos orígenes pueden incluir imágenes de satélite, datos históricos, condiciones del suelo locales y datos meteorológicos. En función de la superficie de fuego arrasador del modelo, la solución de la cadena de suministro y logística puede volver a redirigir los camiones.
Para más información, consulte la arquitectura de referencia de Azure IoT para comprender y explorar las diversas opciones de implementación disponibles.
Detalles del escenario
La supervisión del entorno se ha convertido en una actividad importante en la cadena de suministro global. Proporciona señales clave que ayudan a tomar decisiones en tiempo real que pueden afectar a los proveedores y a la logística. La calidad del aire, la temperatura, el viento, la humedad y el dióxido de carbono (CO2) son algunos de los indicadores que a los operadores de almacenamiento les interesa supervisar durante los desastres naturales. Los escenarios más avanzados pueden incluir la fusión de datos históricos y en tiempo real de estaciones meteorológicas, sensores de calidad del aire y otros orígenes. Los modelos de aprendizaje automático (ML) se pueden utilizar para ayudar a predecir el efecto de estas condiciones y su posible impacto en las operaciones de la cadena de suministro.
Posibles casos de uso
La solución es ideal para el medio ambiente, la fabricación, el transporte y las industrias agrícolas.
- Administración de flotas: esta solución se puede utilizar cuando las rutas se deben optimizar para la seguridad en función de las condiciones cambiantes de las áreas circundantes.
- Agricultura: la predicción de fuegos arrasadores que afectarán a la seguridad de los trabajadores y del ganado es fundamental. Al proporcionar un tiempo suficiente para las notificaciones de peligro, se puede evacuar a las personas de la zona afectada a un sitio seguro. Las granjas también pueden dotar a las zonas de ganado con puertas automatizadas que se pueden desbloquear y abrir en situaciones difíciles, lo que permite a los animales escapar.
Desafíos a los que se enfrenta
En los últimos años se ha producido un aumento significativo de los fuegos arrasadores, lo que supone un peligro creciente para los seres humanos y la cadena de suministro global. Con el aumento del número de desastres en lo que va de año, la resistencia de la cadena de suministro al cambio climático es lo más importante para muchos líderes.
En Estados Unidos, el promedio anual de superficie afectada por fuegos arrasadores es aproximadamente de 7 000 000 de acres. Esta área es más del doble de la media de la década de 1990. La situación es aún más alarmante en otros países o regiones. Por ejemplo, en Australia hay un mes adicional de verano en comparación con hace 50 años, y la sequía prolongada ha empeorado aún más las condiciones de los incendios. Los incendios forestales masivos han provocado unos daños económicos casi 10 superiores a los de Estados Unidos. Los fuegos arrasadores de Australia pueden afectar al suministro de alimentos mundial, incluidos productos como la carne, la leche, el vino y el trigo.
Los riesgos para las empresas de todo el mundo siguen aumentando cada año, y la resistencia de la cadena de suministro durante los desastres naturales es fundamental para mantener el flujo de bienes a nivel mundial. La integración de predicciones y previsiones meteorológicas en el planeamiento de la capacidad de la cadena de suministro puede ayudar a los operadores a ajustar la producción y a administrar las programaciones de envíos. Este sistema puede minimizar las interrupciones y los efectos negativos.
Resultados empresariales
Los operadores de almacenamiento y los principales centros de distribución se beneficiarán de manera predictiva al determinar si la infraestructura logística existente se encuentra en la trayectoria de un incendio importante. Tener un sistema de notificación temprana proporcionaría un mayor plazo de tiempo para tomar medidas preventivas a fin de proteger las instalaciones y al personal. Los avisos automatizados de cambios y pausas en las actividades de logística también permitirían redirigir los envíos con una intervención humana mínima.
Requisitos
- La automatización es fundamental. No se puede dar por supuesto que los operadores y los administradores de instalaciones pueden recopilar datos en varios sistemas para tomar decisiones a tiempo.
- Los almacenes, las instalaciones de distribución y los administradores de operaciones deben recibir notificaciones por varios medios cuando haya un peligro inmediato, lo que garantiza que la información se reciba a tiempo. Algunos ejemplos son el panel de datos, el correo electrónico y el mensaje de texto.
- Solo es necesario notificar los cambios en los datos.
- La entrega y la implementación de la solución deben ser sencillas. Se debe instalar sin necesidad de un técnico, mediante la tecnología Plug and Play.
- La solución debe requerir un bajo mantenimiento y ser rentable.
Patrones para abordar los desafíos
En la tabla siguiente se proporcionan un resumen de los casos de uso comunes y las soluciones IoT correspondientes. Cada caso de uso es un ejemplo de cómo se puede aplicar un patrón de proceso de IoT a escenarios del mundo real.
| Caso de uso | Soluciones |
|---|---|
| Habilite el planeamiento de la producción y del redireccionamiento logístico de la cadena de suministro mediante la predicción de la probabilidad de interrupción debida a fuegos arrasadores en las proximidades del lugar afectado. | Lo ideal es poder supervisar todos los elementos clave de la cadena de suministro para que pueda proporcionar una respuesta más completa. myDevices tiene un catálogo de dispositivos Plug and Play certificados que se conectan a una puerta de enlace de red LoRa. La puerta de enlace envía datos a la aplicación en la nube mediante conectividad de telefonía móvil. La tecnología LoRa es perfecta porque la señal debe entrar en profundidad en los edificios. Los sensores de CO2, temperatura, humedad, dirección del viento y calidad del aire se pueden instalar en ubicaciones del edificio pertinentes, incluidos tejados y zonas de almacenamiento. Los sensores también se pueden instalar en camiones para el seguimiento de la ubicación a fin de facilitar el redireccionamiento. |
| Identifique las condiciones de los fuegos arrasadores y comprenda el grado de peligro de una ubicación determinada. | Los modelos de predicción de fuegos arrasadores entrenados con datos históricos, condiciones micrometeorológicas y datos de sensores locales pueden ayudar a evaluar el riesgo de un fuego arrasador. |
| Alertas automatizadas de evacuación y redireccionamiento de las instalaciones | Cuando se detectan condiciones no seguras, el gemelo digital de la instalación se puede actualizar para mostrar que ya no está en línea. Una vez actualizados, otros centros de distribución dentro de la red pueden empezar a redirigir el tráfico en consecuencia, lo que permite que los administradores de las instalaciones locales y los operadores de almacenamiento se centren en la seguridad de los empleados. Este escenario usa Machine Learning para predecir dónde se propagará el fuego arrasador, mediante conjuntos de datos históricos y públicos en tiempo real, junto con datos micrometeorológicos para obtener unas predicciones más precisas. Los sensores realizan un seguimiento de las condiciones actuales de los fuegos arrasadores, y las alarmas de las instalaciones desencadenan la evacuación de los empleados. |
Consideraciones
Estas consideraciones implementan los pilares del marco de buena arquitectura de Azure, que es un conjunto de principios guía que se pueden usar para mejorar la calidad de una carga de trabajo. Para más información, consulte Marco de buena arquitectura de Microsoft Azure.
Conectividad
Los sensores y dispositivos locales de la solución necesitan enviar datos a las aplicaciones en la nube, pero es posible que el acceso de confianza a Internet no esté disponible para algunas ubicaciones, como en zonas rurales.
Esta solución utiliza una red LoRa para proporcionar conectividad de telefonía móvil. La red LoRa tiene una buena penetración en edificios, por lo que es ideal para aplicaciones relacionadas con el almacenamiento. Este enfoque es rentable y proporciona flexibilidad para ubicaciones remotas que requieren sensores y dispositivos IoT fáciles de conectar.
Plug and Play
En una configuración remota, es fundamental que los dispositivos sean fáciles de implementar sin necesidad de tener conocimientos especializados. myDevices dispone de un amplio catálogo de dispositivos y puertas de enlace IoT que se pueden aplicar a varios escenarios. Están certificados como Plug and Play, por lo que todo lo que el usuario debe hacer es instalarlos en la ubicación correcta y activarlos. Con la integración de IoT Central, los clientes pueden personalizar fácilmente su panel para consumir sus datos de dispositivos y crear alertas.
Colaboradores
Microsoft mantiene este artículo. Originalmente lo escribieron los siguientes colaboradores.
Autor principal:
- Ansley Yeo | Responsable de tecnología
Pasos siguientes
- IoT en transporte y logística: cómo se puede usar Azure para proporcionar una mayor eficacia y confiabilidad a la cadena de valor con servicios de inteligencia de ubicación e IoT de primera clase.
- Arquitectura de la plantilla de aplicación de logística conectada de IoT Central: una plantilla de aplicación y guía para desarrollar soluciones de logística conectadas de un extremo a otro.
- Truck Routing API de Bing Maps: una herramienta de redireccionamiento comercial que calcula rutas seguras y eficaces y tiene en cuenta los atributos de un vehículo en relación con las limitaciones de las rutas.
- Azure Digital Twins - demostración de la cadena de suministro utiliza Digital Twins para modelar un escenario de cadena de suministro.
- myDevices proporciona la conectividad y los dispositivos de LoRa que permiten implementar soluciones rápidamente en ubicaciones donde la conectividad es un desafío, y se necesita una amplia cobertura de red.
- C.H. Robinson Navisphere trabaja con Microsoft Azure y Azure IoT para proporcionar visibilidad en tiempo real sobre la cadena de suministro y para una mayor previsibilidad y toma de decisiones proactiva.
- EPA AirNow API proporciona acceso a los datos de calidad del aire y de fuegos arrasadores en tiempo real de AirNow, un servicio a cargo de la Agencia de Protección Medioambiental de Estados Unidos (EPA) y otras agencias federales, tribales, estatales y locales.
Recursos relacionados
- Arquitectura de referencia de Azure IoT
- Procesar datos de vehículos en tiempo real mediante IoT: una arquitectura de referencia para la ingesta de datos de vehículos en tiempo real para su análisis, incluida la optimización de las rutas.
- Bucles de supervisión y administración de IoT es un patrón de diseño que describe un sistema de vigilancia que supervisa de manera continua un sistema físico controlado por un conjunto de dispositivos IoT en red.
- Bucles de análisis y optimización de IoT es un patrón de diseño que permite la generación y aplicación de información detallada de optimización empresarial a sistemas físicos controlados por software mediante el aprovisionamiento de telemetría, su perfeccionamiento y combinación con orígenes de datos empresariales para generar información detallada.
- IoT con Azure Cosmos DB describe una arquitectura de ejemplo a fin de utilizar Azure Cosmos DB para ingerir datos de telemetría de dispositivos a altas velocidades y puede atender de nuevo consultas indexadas con baja latencia y gran disponibilidad.