Surveillance de l’environnement et optimisation de la chaîne logistique avec IoT

Cet article décrit un scénario de gestion d’entrepôt qui surveille les conditions environnementales grâce à l’intégration de données de capteur et de jeux de données publics, traités avec le ML en vue de générer des prédictions. Les insights sont ensuite utilisés pour garantir la sécurité des personnes et optimiser les opérations de chaîne d’approvisionnement.

Architecture

Téléchargez un fichier Visio de cette architecture.

Dataflow

1. Les capteurs situés dans l’entrepôt sont connectés et envoient des données à une passerelle LoRa (Long Range).

2. La passerelle LoRa transfère les données vers le cloud en utilisant une connexion mobile.

3. myDevices est une solution Plug-and-Play SaaS (software as a service). Elle utilise des appareils et des passerelles qui sont automatiquement provisionnés et associés au client correspondant.

4. Les données des appareils sont envoyées à Azure IoT Central. Les clients utilisent la solution pour contrôler et superviser les appareils.

5. La modélisation de la chaîne d’approvisionnement et des entrepôts est réalisée avec Azure Digital Twins. Il s’agit d’un environnement d’exécution en direct dans lequel les applications peuvent ingérer des données pour obtenir une visibilité de l’état de la chaîne d’approvisionnement. Digital Twins s’intègre en mode natif à Azure Event Hub, avec lequel d’autres applications interagissent pour récupérer des données du jumeau.

6. Les données temporelles et spatiales requises par les modèles de ML sont obtenues des sources de données externes.

7. Les données clés sont stockées dans des solutions de données Azure. Le stockage d’objets blob est utilisé pour les données d’entraînement ML. Azure Cosmos DB est utilisé pour les données évaluées et les index de performances clés.

8. Les données de télémétrie sont ingérées depuis IoT Central via Event Hub pour garantir le découplage de l’ingestion et de la consommation des données. Azure Functions est utilisé pour combiner les sources de données externes et les données de télémétrie, puis pour analyser ce jeu de données à la recherche d’éventuelles anomalies. Les données sont exposées par le biais de Digital Twins.

9. Azure Databricks effectue les transformations de données nécessaires à l’entraînement des modèles de ML.

10. Les modèles de prédiction des incendies sont entraînés à l’aide d’Azure Machine Learning en utilisant des données historiques, des données en temps réel et des données de microclimat.

11. Les mises à jour des itinéraires sont fournies par l’API Bing Cartes Truck Routing.

12. Les applications peuvent interroger directement Digital Twins pour obtenir des données pertinentes du modèle.

Composants

• Azure IoT Central est utilisé en tant que plateforme managée par IoT. Il assure la sécurité, la scalabilité et la disponibilité dans le cadre du service afin que les clients puissent se concentrer sur les besoins métier. Les utilisateurs peuvent intégrer des composants métier, tels que Power Apps et Power BI, et créer des notifications par le biais de la fonctionnalité d’exportation de données dans IoT Central.

• Le stockage Azure est utilisé pour stocker les informations des appareils dans le cloud de façon sécurisée, scalable et économique. Les données stockées sont utilisées pour l’entraînement des modèles de ML.

• Azure Cosmos DB est utilisé pour stocker les indicateurs de performance clés (KPI) et les sorties des modèles. Azure Cosmos DB est un service de base de données NoSQL complètement managé dédié au développement d’applications modernes. Il fournit des transactions à grande vitesse et peut facilement activer le service pour la distribution mondiale.

• Azure Databricks est une plateforme d’analytique données optimisée pour la plateforme de services cloud Microsoft Azure. Elle est utilisée pour la transformation, la manipulation et la normalisation des données afin qu’elles puissent être correctement consommées par le pipeline de Machine Learning.

• Azure Machine Learning est utilisé pour créer des modèles de prédiction des incendies. Les modèles fournissent l’intelligence nécessaire pour évaluer le risque d’un incendie. Il est nécessaire que les entrées proviennent de plusieurs sources de données pour que le modèle soit entraîné pour être le plus juste possible. Parmi ces sources peuvent figurer des images satellites, des données historiques, des informations sur les conditions locales du sol et des données météorologiques. En fonction de la zone d’incendie établie par le modèle, la solution de chaîne d’approvisionnement et de logistique peut rediriger les camions.

Pour plus d’informations, consultez l’architecture de référence Azure IoT, qui vous permettra de comprendre et d’explorer les différents choix d’implémentation disponibles.

Détails du scénario

La surveillance environnementale est devenue une activité importante dans la chaîne d’approvisionnement globale. Elle fournit des signaux clés qui aident à prendre des décisions en temps réel susceptibles d’impacter les fournisseurs et la logistique. La qualité de l’air, la température, le vent, l’humidité et le dioxyde de carbone (CO2) sont quelques-uns des indicateurs que les gestionnaires d’entrepôt souhaitent surveiller pendant les catastrophes naturelles. Des scénarios plus avancés peuvent inclure la fusion de données en temps réel et historiques provenant de sources telles que les stations météo et les capteurs de qualité de l’air. Des modèles Machine Learning (ML) peuvent ensuite être utilisés pour aider à prédire l’effet de ces conditions et leur impact possible sur les opérations de chaîne d’approvisionnement.

Cas d’usage potentiels

Cette solution est idéale pour les secteurs de l’environnement, de la fabrication, du transport et de l’agriculture.

• Gestion des flottes : cette solution peut être utilisée quand il est nécessaire d’optimiser la sécurité des itinéraires en fonction des conditions des zones environnantes.
• Agriculture : la prédiction des incendies qui impactent la sécurité des travailleurs et du bétail est essentielle. En étant averties du danger suffisamment à l’avance, les personnes de la zone affectée ont le temps de se mettre en lieu sûr. Les fermes peuvent également équiper les espaces occupés par les animaux de portes automatisées qui peuvent se déverrouiller et s’ouvrir dans les situations critiques, permettant aux animaux de s’échapper.

Problématiques rencontrées

Il y a eu une augmentation significative des incendies au cours des dernières années, présentant un danger grandissant pour l’homme et la chaîne d’approvisionnement globale. La superficie brûlée augmentant d’année en année, la résilience de la chaîne d’approvisionnement au changement climatique est primordiale pour de nombreux dirigeants.

Aux États-Unis, la superficie moyenne annuelle affectée par les incendies est d’environ 28 000 kilomètres carrés. Cette surface équivaut à plus du double de la moyenne des années 1990. La situation est encore plus alarmante dans d’autres pays ou régions. Par exemple, l’Australie connaît un mois supplémentaire d’été par rapport à il y a 50 ans, et la sécheresse à long terme a encore aggravé les conditions d’incendie. Les incendies massifs y ont causé des dommages économiques presque 10 fois plus grands qu’aux États-Unis. Les incendies en Australie peuvent impacter la chaîne d’alimentation mondiale, notamment les produits tels que la viande bovine, le lait, le vin et le blé.

Les risques pour les entreprises du monde entier continuent d’augmenter chaque année, et la résilience de la chaîne d’approvisionnement pendant les catastrophes naturelles est essentielle au maintien du flux des biens à l’échelle mondiale. L’intégration des prévisions et des prédictions météorologiques à la planification de la capacité de la chaîne d’approvisionnement peut aider les opérateurs à ajuster la production et à gérer les plannings d’expédition. Ce système peut réduire les perturbations et les effets néfastes.

Résultats métier

Les gestionnaires d’entrepôt et les principaux centres de distribution tirent parti d’une méthode prédictive pour déterminer si l’infrastructure logistique existante se trouve sur la trajectoire d’un incendie majeur. Le fait de disposer d’un système de notification précoce fournirait un délai accru pour prendre des mesures préventives afin de protéger les installations et le personnel. Les notifications automatisées des changements et des pauses dans les activités logistiques permettraient également le réacheminement des expéditions avec une intervention humaine minimale.

Spécifications

• L’automatisation est essentielle. Il n’est pas possible de supposer que les opérateurs et les responsables des installations peuvent collecter des données de plusieurs systèmes pour prendre des décisions en temps utile.
• Les entrepôts, les sites de distribution et les gestionnaires des opérations doivent être avertis par plusieurs moyens quand il existe un danger immédiat, afin d’être sûrs de recevoir les informations à temps. Citons, par exemple, un tableau de bord de données, l’e-mail et les SMS.
• Seules les modifications subies par les données doivent être signalées.
• La livraison et le déploiement de la solution doivent être simples. Elle doit être installée sans l’aide d’un technicien, au moyen de la technologie Plug-and-Play.
• La solution doit nécessiter une maintenance faible et être économique.

Modèles de réponse aux problématiques

Le tableau ci-après présente un résumé des cas d’usage courants et des solutions IoT correspondantes. Chaque cas d’usage constitue un exemple d’application d’un modèle de processus IoT à des scénarios réels.

Considérations

Ces considérations implémentent les piliers d’Azure Well-Architected Framework qui est un ensemble de principes directeurs qui permettent d’améliorer la qualité d’une charge de travail. Pour plus d’informations, consultez Microsoft Azure Well-Architected Framework.

Connectivité

Les appareils et capteurs sur site de la solution doivent envoyer les données aux applications dans le cloud, mais un accès fiable à Internet peut ne pas être disponible pour certaines localisations, comme dans les zones rurales.

Cette solution utilise un réseau LoRa pour fournir une connexion mobile. Lora offre une bonne pénétration dans les bâtiments, ce qui la rend idéale pour les applications liées à des entrepôts. Cette approche est économique et offre une flexibilité pour les localisations distantes qui nécessitent des appareils et des capteurs IoT faciles à connecter.

Plug-and-play

Dans un environnement distant, il est essentiel que les appareils soient faciles à déployer sans le recours à une expertise spécialisée. myDevices dispose d’un vaste catalogue d’appareils et de passerelles IoT qui peuvent être appliqués à plusieurs scénarios. Comme ils sont certifiés Plug-and-Play, les utilisateurs n’ont qu’à les placer au bon endroit et à les mettre sous tension. Grâce à leur intégration à IoT Central, les clients peuvent facilement personnaliser leur tableau de bord pour consommer leurs données d’appareil et créer des alertes.

Contributeurs

Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.

Auteur principal :

• Ansley Yeo | Responsable de la technologie

Étapes suivantes

• IoT dans le transport et la logistique : comment Azure peut être utilisé pour améliorer l’efficacité et la fiabilité de votre chaîne de valeur avec des services d’intelligence géographique et IoT de classe mondiale.
• Architecture de modèle d’application logistique connectée IoT Central : modèle d’application et conseils pour le développement de solutions logistiques connectées de bout en bout.
• API Bing Cartes Truck Routing : outil de routage commercial qui calcule des itinéraires sûrs et efficaces et tient compte des attributs d’un véhicule pour évaluer les limites éventuelles d’un itinéraire.
• Azure Digital Twins - Démonstration de chaîne d’approvisionnement utilise Digital Twins pour modéliser un scénario de chaîne d’approvisionnement.
• myDevices fournit une connectivité et des appareils LoRa qui permettent de déployer rapidement des solutions dans des localisations où la connectivité est un défi et où une couverture réseau étendue est nécessaire.
• C.H. Robinson Navisphere fonctionne avec Microsoft Azure et Azure IoT pour offrir une visibilité en temps réel de la chaîne d’approvisionnement et une prise de décision plus prévisible et proactive.
• L’API EPA AirNow fournit un accès en temps réel aux données sur la qualité de l’air et les incendies à partir d’AirNow, service géré par l’agence américaine pour la protection de l’environnement (EPA) et d’autres agences fédérales, tribales, d’État et locales.

Ressources associées

• Architecture de référence Azure IoT
• Traiter les données des véhicules en temps réel à l’aide d’IoT : architecture de référence pour l’ingestion des données de véhicules en temps réel à des fins d’analyse, y compris l’optimisation des itinéraires.
• Boucles de supervision et de gestion IoT est un modèle de conception décrivant un système qui supervise en permanence un système physique contrôlé par un ensemble d’appareils IoT en réseau.
• Boucles d’analyse et d’optimisation IoT est un modèle de conception permettant la génération et l’application d’insights d’optimisation métier aux systèmes physiques contrôlés par les logiciels en provisionnant la télémétrie, en l’affinant et en l’associant aux sources de données d’entreprise pour générer des insights.
• IoT avec Azure Cosmos DB décrit un exemple d’architecture permettant d’utiliser Azure Cosmos DB pour ingérer des données de télémétrie d’appareil à des débits élevés et peut servir des requêtes indexées avec une faible latence et une haute disponibilité.