Megoldási ötletek
Ez a cikk egy megoldási ötletet ismertet. A felhőmérnök ezen útmutató segítségével megjelenítheti az architektúra tipikus implementációjának fő összetevőit. Ez a cikk kiindulási pontként szolgál egy jól megtervezett megoldás megtervezéséhez, amely megfelel a számítási feladat egyedi követelményeinek.
Napjainkban a legtöbb létesítmény reaktív módon kezeli a tartályszintekkel felmerülő problémákat. Ez a reaktivitás gyakran kiömlésekhez, vészleállításokhoz, költséges szervizelési költségekhez, szabályozási problémákhoz, költséges javításokhoz és bírságokhoz vezet. A tartályszint előrejelzése segít kezelni és enyhíteni az ilyen és a hasonló problémákat.
Architektúra
Töltse le az architektúra Visio-fájlját.
Adatfolyam
- Az adatok az Azure Event Hubsba és az Azure Synapse Analytics szolgáltatásba adatpontokként vagy eseményekként kerülnek be, amelyeket a megoldás többi folyamatában használnak majd.
- Az Azure Stream Analytics elemzi az adatokat, hogy közel valós idejű elemzést biztosítson a bemeneti streamen az eseményközpontból, és közvetlenül közzétegye a Power BI-ban vizualizáció céljából.
- Az Azure Machine Learning az adott régió tartályszintjének előrejelzésére szolgál a kapott bemenetek alapján.
- Az Azure Synapse Analytics az Azure Machine Learning szolgáltatásból származó előrejelzési eredményeket tárolja. Az eredményeket ezt követően a Power BI irányítópultja használja fel.
- Az Azure Data Factory kezeli az óránkénti modell újratanításának vezénylését és ütemezését.
- Végül a Power BI-t az eredmények vizualizációihoz használjuk, hogy a felhasználók valós időben monitorozzák a tárolószintet egy létesítményből, és az előrejelzési szint használatával megelőzzék a kiömlést.
Összetevők
- Azure Data Factory
- Azure-eseményközpontok
- Azure Machine Learning
- Azure Stream Analytics
- Azure Synapse Analytics
- Power BI
Forgatókönyv részletei
A tartályszint-előrejelzési folyamat a kút betáplálási pontjánál kezdődik. A létesítménybe áramló olaj mennyiségét műszerek mérik, majd az olaj a tartályokba kerül. A szinteket a finomítási folyamat során a tartályokban figyelik és rögzítik. Az olaj-, gáz- és vízkimenetet érzékelők, mérők és rekordok rögzítik. Ezután a létesítmény adatai alapján elkészülnek az előrejelzések. Az előrejelzés-készítés gyakorisága beállítható (például 15 percre).
Az Azure Cognitive Services adaptálható, és testre szabható, hogy megfeleljen a létesítmények és a vállalatok által támasztott különböző követelményeknek.
Lehetséges használati esetek
Ez a megoldás ideális az energia-, autóipari és repülőgépipar számára.
Az előrejelzések az érzékelőkből, mérőszámokból és rekordokból könnyen elérhető valós idejű és előzményadatok erejének kihasználásával jönnek létre, amelyek a következő forgatókönyvekben segítenek:
- a tartálytúlfolyás és a vészleállások megakadályozását
- a nem megfelelően működő vagy hibás hardvereszközök felderítését
- a karbantartás, a leállítások és a logisztika ütemezését
- a műveletek és a létesítmény hatékonyságának optimalizálását
- a vezetékszivárgások és -dugulások észlelését
- a költségek, a bírságok és az állásidő csökkentését
Következő lépések
Termékdokumentáció:
- Mi az az Azure Event Hubs?
- Mi az az Azure Synapse Analytics?
- Üdvözli az Azure Stream Analytics
- Mi az Azure Machine Learning?
- Mi az Az Azure Data Factory?
Microsoft Learn-modulok:
- Gépi tanulási modell betanítása az Azure Machine Learning használatával
- Adatok integrálása az Azure Data Factory vagy az Azure Synapse Pipeline használatával