Szerkesztés

Megosztás a következőn keresztül:

Minőségbiztosítás

Azure Event Hubs
Azure Machine Learning
Azure Stream Analytics
Power BI

A minőségbiztosítási rendszerekkel a vállalatok elkerülhetik az áruk és szolgáltatások kiszállítási folyamata során felmerülő hibákat. Hatalmas előnyökkel járhat egy olyan rendszer létrehozása, amely az adatok összegyűjtésével azonosítja a folyamat során előforduló lehetséges problémákat. A digitális gyártásban például elengedhetetlen a minőségirányítás a gyártósorra vonatkozóan. A lassulások és lehetséges hibák bekövetkezés előtti azonosítása segíthet a vállalatoknak csökkenteni a leselejtezés és átdolgozás költségeit, és ezzel egy időben növelni a termelékenységet.

Architektúra

Az architektúradiagram az Azure Event Hubsban, majd a Data Lake-ben jeleníti meg az adatokat, majd feldolgozza a Stream Analyticset, végül a Power BI-vizualizációt.

Töltse le az architektúra Visio-fájlját.

Adatfolyam

  1. A forrásrendszer eseménygenerátora adatokat streamel az Azure Event Hubsba.
  2. Az Event Hubs a Capture használatával nyers eseményeket küld a Data Lake-be.
  3. A Stream Analytics-feladatok valós idejű adatokat olvasnak be az Event Hubsból.
  4. Egy Stream Analytics-feladat meghívja az ML-modellt az Azure Machine Learningben a hibák/hibák előrejelzéséhez.
  5. A Stream Analytics-feladatok stream-összesítéseket küldenek a Power BI valós idejű irányítópultjára műveletekhez.
  6. Egy Stream Analytics-feladat leküldi a feldolgozott valós idejű adatokat az Azure Synapse SQL-készletbe.
  7. A Logic Apps riasztásokat küld a streamelési adatokról egy mobiltelefonra.
  8. A Power BI-t az eredmények vizualizációihoz használják.

Összetevők

  • Az Event Hubs betölti a szerelvénysor eseményeit, és továbbítja azokat a Stream Analyticsnek és egy Azure ML Web Service-nek.
  • Azure Stream Analytics: A Stream Analytics elfogadja a bemeneti streamet az Event Hubstól, meghív egy Azure ML Web Service-t előrejelzések elvégzésére, és elküldi a streamet az Azure Synapse-nak, a Power BI-nak és a Logic Appsnek riasztások céljából.
  • Azure Machine Learning: A Machine Learning segít a felhőalapú prediktív elemzési megoldások tervezésében, tesztelésében, üzembe helyezésében és kezelésében, valamint a Stream Analytics által meghívható webszolgáltatások üzembe helyezésében.
  • Tárfiókok: Az Azure Storage a nyers események streamadatait tárolja az Event Hubsból, és hosszú távú adatmegőrzésre szolgál.
  • Logic Apps: A streamelési adatokból generált riasztásokat küld a kezelőeszközre.
  • Synapse Analytics: Relációs adatok tárolása alkalmi és tervezett elemzési feldolgozáshoz és felhasználói elemzési lekérdezésekhez.
  • Power BI: valós idejű működési irányítópultokat és elemzési jelentések kiszolgálóit is vizualizálja.

Alternatívák

  • A forgatókönyvtől függően az alaparchitektúra egyszerűsíthető a kötegréteg eltávolításával – a nyers események tárolójának eltávolításával és az Azure Synapse relációs adatokhoz való eltávolításával
  • Az Azure SQL Database egy felügyelt relációs adatbázis szolgáltatásként. Az adatkötettől és a hozzáférési mintáktól függően választhatja az Azure SQL Database-t.
  • Az Azure Functions hatékony kiszolgáló nélküli megközelítést biztosít, ha a számítási feladatok architektúrája a finom szemcsés elosztott összetevők köré épül, minimális függőségeket igényelve, ahol az egyes összetevők csak igény szerint futtathatók (nem folyamatosan), és nem szükséges az összetevők vezénylése.
  • Az IoT Hub központi üzenetközpontként szolgál a felhőplatform és az építőipari berendezések és más helyelemek közötti eszközenkénti identitással való biztonságos kétirányú kommunikációhoz. Az IoT Hub gyorsan képes adatokat gyűjteni az egyes eszközökről az adatelemzési folyamatba való betöltéshez.

Forgatókönyv részletei

Lehetséges használati esetek

Ez a megoldás egy gyártási folyamatokat (gyártósorokat) szemléltető példán keresztül azt mutatja be, hogy miként jelezhetők előre a gyártási hibák. Ez a már meglévő tesztrendszerek és a meghibásodási adatok felhasználásával történik, különösen a vissza- és működési hibák vizsgálatával a szerelvénysor végén. Mindezt a szakterület ismeretanyagával és az alapvető okok elemzésével a feldolgozás fő lépéseit magában foglaló, moduláris rendszerben egyesítve a megoldás egy általános jellegű, fejlett analitikai megoldást nyújt, amely a gépi tanulás segítségével megkönnyíti a hibák előrejelzését. A jövőbeli hibák időben történő előrejelzésével csökkenthető a javítások költsége és a selejt mennyisége, ami költséghatékonyabb megoldás a termékvisszahívásnál és a garanciánál.

Megfontolások

Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework.

Méretezhetőség

A példaforgatókönyvben használt összetevők többsége olyan felügyelt szolgáltatások, amelyek az aktuális forgatókönyv igényeinek megfelelően skálázhatók.

A méretezhető megoldások tervezésével kapcsolatos általános útmutatásért tekintse meg az Azure Architecture Center teljesítményhatékonysági ellenőrzőlistát .

Biztonság

A biztonság biztosítékokat nyújt a szándékos támadások és az értékes adatokkal és rendszerekkel való visszaélés ellen. További információ: A biztonsági pillér áttekintése.

Az Azure-erőforrások felügyelt identitásai a fiókon belüli egyéb erőforrásokhoz való hozzáférést biztosítják. Csak a szükséges erőforrásokhoz való hozzáférés engedélyezése ezekben az identitásokban, hogy semmi extra ne legyen kitéve a függvényeknek (és potenciálisan az ügyfeleknek).

A biztonságos megoldások tervezésével kapcsolatos általános útmutatásért tekintse meg az Azure biztonsági dokumentációját.

Tartósság

Ebben a forgatókönyvben az összes összetevő kezelése megtörténik, így regionális szinten ezek mind automatikusan rugalmasak.

A rugalmas megoldások tervezésével kapcsolatos általános útmutatásért tekintse meg a megbízhatósági tervezési alapelveket.

Következő lépések