Partager via


Architectures de référence Azure IoT selon le secteur

Cet article fournit une vue d’ensemble des architectures de référence IoT (Internet des objets) selon le secteur et donne des exemples de solutions.

Les solutions et exemples de scénarios Azure IoT suivants répondent aux défis métier uniques de secteurs spécifiques. Pour obtenir les modèles et guides IoT généraux applicables à l’ensemble des marchés verticaux, consultez Bien démarrer avec les solutions Azure IoT.

Automobile et transport

  • Traiter les données de véhicule en temps réel à l’aide de l’IoT. L’ingestion, le traitement et la visualisation des données de véhicules sont des fonctionnalités clés des solutions de véhicules connectés. La capture et l’analyse des données de véhicules en temps réel fournissent de précieux insights pour créer des solutions innovantes.

  • Suivi des ressources en temps réel pour les véhicules. Azure IoT Central et d’autres services Azure suivent et gèrent les véhicules et d’autres ressources en temps réel.

  • Système d’intégrité ferroviaire avec IoT Edge. Le computing en périphérie permet des réponses rapides et cohérentes avec une dépendance réduite vis-à-vis de la connectivité et des ressources cloud. La périphérie intelligente permet un traitement et un stockage des données à proximité de la source de données dans cette solution de maintenance et de sécurité ferroviaire.

  • Contrôle d’une flotte de véhicules guidés automatisés. Les véhicules guidés automatisés constituent une partie importante de la fabrication juste-à-temps et de la logistique d’atelier automatisée. Dans cet exemple, les véhicules guidés automatisés livrent des pièces aux lignes d’assemblage automobile.

Énergie et environnement

  • Supervision environnementale et optimisation de la chaîne logistique avec IoT. La supervision environnementale est essentielle pour la gestion globale de la chaîne logistique. Un scénario de gestion d’entrepôt permet de superviser les conditions environnementales et de traiter les données avec le Machine Learning (ML) pour générer des prédictions.

  • Durabilité IoT de la plateforme ouverte Project 15. Le logiciel open source de la plateforme ouverte se connecte au cloud et gère en toute sécurité les appareils utilisés pour des projets scientifiques et de conservation. Cette architecture est une référence pour la création de solutions IoT open source de bout en bout.

Équipements et biens immobiliers

  • Créer des emplacements intelligents à l’aide d’Azure Digital Twins. Les emplacements intelligents sont des environnements physiques, comme des bâtiments, des sites et des villes, qui rassemblent des appareils connectés et des sources de données. Azure Digital Twins stocke les représentations numériques des environnements physiques à utiliser à des fins de monitoring, d’analyse et de gestion.

Production

  • Supervision des conditions pour l’IoT industriel. La supervision des conditions aide les fabricants à détecter les anomalies avant qu’elles ne deviennent critiques. Dans cette solution, les appareils IoT se connectent au cloud par le biais de composants IoT industriels Azure et de l’interface OPC UA.

  • Maintenance prédictive pour l’IoT industriel. La maintenance prédictive diagnostique et prédit les dysfonctionnements et les besoins en maintenance du matériel connecté OPC UA. Cette solution utilise la réalité mixte et les technologies des jumeaux numériques pour optimiser la production en temps réel.

  • Vision par ordinateur de bout en bout à la périphérie pour la fabrication. Les industries utilisent la vision par ordinateur et le ML pour des applications de sécurité et d’assurance qualité. Cet exemple illustre une approche de bout en bout de la vision par ordinateur IoT qui améliore les processus au fil du temps.

Retail

  • Capture vidéo et analytique pour la vente au détail. Les détaillants tels que les épiceries peuvent superviser des événements en vitrine et prendre des mesures immédiates pour améliorer l’expérience utilisateur. Les appareils IoT Edge locaux analysent les données vidéo en temps réel pour détecter et résoudre des problèmes comme des rayonnages vides ou des longues files d’attente de clients.

Étapes suivantes