Ide solusi
Artikel ini menjelaskan ide solusi. Arsitek cloud Anda dapat menggunakan panduan ini untuk membantu memvisualisasikan komponen utama untuk implementasi umum arsitektur ini. Gunakan artikel ini sebagai titik awal untuk merancang solusi yang dirancang dengan baik yang selaras dengan persyaratan spesifik beban kerja Anda.
Artikel ini menjelaskan skenario manajemen gudang yang memantau kondisi lingkungan melalui integrasi data sensor dan himpunan data publik, diproses dengan ML untuk menghasilkan prediksi. Insight tersebut kemudian digunakan untuk memastikan keselamatan orang dan mengoptimalkan operasi rantai pasokan.
Sistem
Unduh file Visio arsitektur ini.
Aliran data
Sensor di fasilitas gudang tersambung dan mengirim data ke gateway LoRa (RentangPanjang).
Gateway LoRa mendorong data ke cloud menggunakan konektivitas seluler.
myDevices adalah solusi plug and play berbasis perangkat lunak sebagai layanan (SaaS). Ini menggunakan perangkat dan gateway yang secara otomatis disediakan dan terkait dengan pelanggan yang sesuai.
Data perangkat dikirim ke Azure IoT Central. Pelanggan menggunakan solusi untuk mengendalikan dan memantau perangkat.
Pemodelan rantai pasokan dan fasilitas gudang menggunakan Azure Digital Twins. Ini adalah lingkungan pelaksana langsung di mana aplikasi dapat menelan data untuk mendapatkan visibilitas pada status rantai pasokan. Digital Twins terintegrasi secara native dengan Azure Event Hub, yang berinteraksi dengan aplikasi lain untuk mengambil data dari kembaran.
Data temporal dan spasial yang dibutuhkan oleh model ML diperoleh dari sumber data eksternal.
Data utama disimpan dalam solusi data Azure. Penyimpanan Blob digunakan untuk ML data pelatihan. Azure Cosmos DB digunakan untuk data dengan skor dan indeks performa utama.
Data telemetri tertelan dari IoT Central melalui Event Hub untuk memastikan pemisahan konsumsi dan konsumsi data. Azure Functions digunakan untuk menggabungkan sumber data eksternal dan data telemetri, lalu menganalisis kumpulan data ini untuk setiap anomali. Data muncul melalui Digital Twins.
Azure Databricks melakukan transformasi data yang diperlukan untuk melatih model ML.
Model prediksi kebakaran hutan dilatih menggunakan Azure Machine Learning dengan memanfaatkan data historis, data real time, dan data cuaca mikro.
Pembaruan perutean disediakan oleh Bing Maps Truck Routing API.
Aplikasi dapat meminta Digital Twins secara langsung untuk mendapatkan data yang relevan dari model.
Komponen
Azure IoT Central digunakan sebagai platform terkelola IoT. Ini memberikan keamanan, skalabilitas, dan ketersediaan sebagai bagian dari layanan sehingga pelanggan dapat memfokuskan upaya pada kebutuhan bisnis. Pengguna dapat berintegrasi dengan komponen bisnis seperti Power Apps dan Power BI, serta membuat notifikasi melalui fitur ekspor data di IoT Central.
Penyimpanan Azure digunakan untuk menyimpan informasi perangkat di cloud dengan cara yang aman dan terukur yang juga hemat biaya. Data yang disimpan digunakan untuk melatih model ML.
Azure Cosmos DB digunakan untuk menyimpan indikator kinerja utama aplikasi (KPI) dan output model. Azure Cosmos DB adalah layanan database NoSQL yang dikelola sepenuhnya untuk pengembangan aplikasi modern. Ini menyediakan transaksi berkecepatan tinggi dan dapat dengan mudah memungkinkan layanan untuk distribusi global.
Azure Databricks adalah platform analitik data yang dioptimalkan untuk platform layanan cloud Microsoft Azure. Ini digunakan untuk mengubah, memanipulasi, dan menormalkan data sehingga dapat dikonsumsi dengan benar oleh alur pembelajaran mesin.
Azure Machine Learning digunakan untuk membuat model prediksi kebakaran hutan. Model menyediakan intelijen yang diperlukan untuk menilai risiko kebakaran hutan. Input dari berbagai sumber data diperlukan untuk melatih model untuk akurasi. Sumber-sumber ini dapat mencakup citra satelit, data historis, kondisi tanah lokal, dan data cuaca. Berdasarkan area kebakaran hutan yang didasarkan pada model, Supply Chain dan Logistics Solution dapat mengalihkan rute truk.
Untuk diskusi lebih rinci, lihat arsitektur referensi Azure IoT untuk memahami dan menjelajahi berbagai pilihan penerapan yang tersedia.
Detail skenario
Pemantauan lingkungan telah menjadi kegiatan penting dalam rantai pasokan global. Ini memberikan sinyal kunci yang membantu mendorong keputusan real time yang dapat berdampak pada pemasok dan logistik. Kualitas udara, suhu, angin, kelembaban, dan karbon dioksida (CO2) adalah beberapa indikator yang diminati operator gudang selama bencana alam. Skenario yang lebih di tingkat lanjut dapat mencakup perpaduan data real time dan historis dari stasiun cuaca, sensor kualitas udara, dan sumber lainnya. Model pembelajaran mesin (ML) kemudian dapat digunakan untuk membantu memprediksi efek dari kondisi ini dan kemungkinan dampaknya pada operasi rantai pasokan.
Kemungkinan kasus penggunaan
Solusi ini sangat ideal untuk industri lingkungan, manufaktur, transportasi, dan pertanian.
- Manajemen armada: Solusi ini dapat digunakan di mana rute perlu dioptimalkan untuk keselamatan berdasarkan kondisi yang berkembang di daerah sekitarnya.
- Pertanian: Memprediksi kebakaran hutan yang akan berdampak pada keselamatan pekerja dan ternak sangat penting. Dengan menyediakan waktu tunggu yang cukup untuk pemberitahuan bahaya, orang-orang di daerah yang terkena dampak dapat mengungsi ke tempat yang aman. Peternakan juga dapat melengkapi area ternak dengan gerbang otomatis yang dapat membuka dan membuka dalam situasi yang mengerikan, memungkinkan hewan untuk melarikan diri.
Tantangan yang dihadapi
Telah terjadi peningkatan yang signifikan dalam kebakaran hutan dalam beberapa tahun terakhir, menimbulkan bahaya yang berkembang bagi manusia dan rantai pasokan global. Dengan jumlah hektar yang terbakar meningkat dari tahun ke tahun, ketahanan rantai pasokan terhadap perubahan iklim adalah yang utama bagi banyak pemimpin.
Di Amerika Serikat, rata-rata tahunan daerah yang terkena dampak kebakaran hutan adalah sekitar 7.000.000 hektar. Area ini lebih dari dua kali lipat rata-rata selama 1990-an. Situasi ini bahkan lebih mengkhawatirkan di negara/wilayah lain. Misalnya, di Australia ada bulan tambahan musim panas dibandingkan dengan 50 tahun yang lalu dan kekeringan jangka panjang memiliki kondisi kebakaran yang semakin memburuk. Kebakaran semak besar di sana telah menyebabkan kerusakan ekonomi hampir 10 kali lebih besar daripada di Amerika Serikat. Kebakaran hutan Australia dapat berdampak pada pasokan makanan global, termasuk barang-barang seperti daging sapi, susu, anggur, dan gandum.
Risiko terhadap bisnis di seluruh dunia terus meningkat setiap tahun, dan ketahanan rantai pasokan selama bencana alam sangat penting untuk menjaga aliran barang secara global. Mengintegrasikan perkiraan dan prediksi berbasis cuaca ke dalam perencanaan kapasitas rantai pasokan dapat membantu operator menyesuaikan produksi dan mengelola jadwal pengiriman. Sistem ini dapat meminimalkan gangguan dan efek samping.
Hasil bisnis
Operator gudang dan pusat distribusi utama akan mendapat manfaat dari cara prediktif untuk menentukan apakah infrastruktur logistik yang ada berada di jalur kebakaran besar. Memiliki sistem pemberitahuan awal akan memberikan peningkatan waktu prospek untuk mengambil langkah-langkah pencegahan untuk melindungi fasilitas dan personel. Pemberitahuan otomatis tentang perubahan dan jeda dalam kegiatan logistik juga akan memungkinkan pengalihan rute pengiriman dengan intervensi manusia minimal.
Persyaratan
- Automasi sangat penting. Tidak dapat diasumsikan bahwa operator dan manajer fasilitas dapat mengumpulkan data di beberapa sistem untuk membuat keputusan tepat waktu.
- Gudang, fasilitas distribusi, dan manajer operasi perlu diberi tahu dengan beberapa cara ketika ada bahaya segera, memastikan informasi diterima tepat waktu. Contohnya termasuk dasbor data, email, dan pesan teks.
- Hanya perubahan data yang perlu dilaporkan.
- Pengiriman dan penyebaran solusi harus sederhana. Ini harus dipasang tanpa perlu teknisi, menggunakan teknologi plug and play.
- Solusinya harus perawatan rendah dan hemat biaya.
Pola untuk mengatasi tantangan
Tabel di bawah ini memberikan ringkasan kasus penggunaan umum dan solusi IoT yang sesuai. Setiap kasus penggunaan adalah contoh bagaimana pola proses IoT dapat diterapkan pada skenario dunia nyata.
| Gunakan huruf besar | Solusi |
|---|---|
| Memungkinkan pengalihan rute logistik rantai pasokan dan perencanaan produksi dengan memprediksi kemungkinan gangguan akibat kebakaran hutan di dekat lokasi yang terkena dampak. | Idealnya, Anda ingin dapat memantau semua elemen kunci dari rantai pasokan sehingga Anda dapat memberikan respons yang lebih komprehensif. myDevices memiliki katalog perangkat plug and play bersertifikat yang terhubung ke gateway jaringan LoRa. Gateway mengirimkan data ke aplikasi cloud menggunakan konektivitas seluler. Teknologi LoRa sangat ideal karena sinyal perlu menembus jauh ke dalam bangunan. Sensor untuk CO2, suhu, kelembaban, arah angin, dan kualitas udara dapat dipasang di lokasi bangunan yang relevan termasuk atap dan fasilitas penyimpanan. Sensor juga dapat dipasang di truk untuk pelacakan lokasi untuk memfasilitasi pengalihan rute. |
| Identifikasi kondisi kebakaran hutan dan pahami tingkat bahaya untuk lokasi tertentu. | Model prediksi kebakaran hutan yang dilatih dengan data historis, kondisi cuaca mikro, dan data sensor lokal dapat membantu menilai risiko kebakaran hutan. |
| Peringatan automatis untuk evakuasi dan pengalihan rute fasilitas | Setelah kondisi yang tidak aman terdeteksi, kembar digital fasilitas kemudian dapat diperbarui untuk menunjukkan bahwa itu tidak lagi online. Setelah diperbarui, pusat distribusi lain dalam jaringan dapat mulai mengalihkan lalu lintas yang sesuai, memungkinkan manajer fasilitas di tempat dan operator gudang untuk fokus pada keselamatan karyawan. Skenario ini menggunakan ML untuk memprediksi di mana api akan menyebar, menggunakan himpunan data real time dan historis publik bersama dengan data cuaca mikro untuk prediksi yang lebih akurat. Sensor melacak kondisi kebakaran hutan saat ini, dan alarm fasilitas memicu evakuasi karyawan. |
Pertimbangan
Pertimbangan ini mengimplementasikan pilar Azure Well-Architected Framework, yang merupakan serangkaian tenet panduan yang dapat digunakan untuk meningkatkan kualitas beban kerja. Untuk informasi selengkapnya, lihat Microsoft Azure Well-Architected Framework.
Konektivitas
Perangkat dan sensor solusi di tempat perlu mengirim data ke aplikasi di cloud, tetapi akses internet yang andal mungkin tidak tersedia untuk beberapa lokasi, seperti di daerah pedesaan.
Solusi ini menggunakan jaringan LoRa untuk menyediakan konektivitas seluler. LoRa memiliki penetrasi bangunan yang baik, sehingga ideal untuk aplikasi terkait gudang. Pendekatan ini hemat biaya dan memberikan fleksibilitas untuk lokasi terpencil yang membutuhkan perangkat dan sensor IoT yang mudah terhubung.
Colokkan dan putar
Dalam pengaturan jarak jauh, sangat penting bahwa perangkat mudah digunakan tanpa memerlukan keahlian khusus. myDevices memiliki katalog perangkat dan gateway IoT yang luas yang dapat diterapkan ke beberapa skenario. Mereka bersertifikat Plug and Play, sehingga yang perlu dilakukan pengguna adalah menempatkan mereka di lokasi yang tepat dan menyalakannya. Dengan integrasi IoT Central mereka, pelanggan dapat dengan mudah menyesuaikan dasbor mereka untuk mengonsumsi data perangkat mereka dan membuat peringatan.
Kontributor
Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.
Penulis utama:
- Ansley Yeo | Pemimpin Teknologi
Langkah berikutnya
- IoT dalam transportasi dan logistik: Bagaimana Azure dapat digunakan untuk menghadirkan efisiensi dan keandalan yang lebih besar ke rantai nilai Anda dengan IoT kelas dunia dan layanan kecerdasan lokasi.
- Arsitektur Template aplikasi logistik terhubung IoT Central: Template aplikasi dan panduan untuk mengembangkan solusi logistik terhubung dari ujung ke ujung.
- Bing Maps Truck Routing API: Alat perutean komersial yang menghitung rute yang aman dan efisien dan mempertimbangkan atribut kendaraan sehubungan dengan batasan rute apa pun.
- Azure Digital Twins - Demo Rantai Pasokan menggunakan Digital Twins untuk memodelkan skenario rantai pasokan.
- myDevices menyediakan konektivitas dan perangkat LoRa yang memungkinkan solusi untuk digunakan dengan cepat di lokasi di mana konektivitas merupakan tantangan dan cakupan jaringan yang luas diperlukan.
- C.H. Robinson Navisphere bekerja sama dengan Microsoft Azure dan Azure IoT untuk memberikan visibilitas real time ke dalam rantai pasokan dan untuk prediktabilitas dan pengambilan keputusan yang lebih proaktif.
- EPA AirNow API menyediakan akses ke kualitas udara real time dan data kebakaran hutan dari AirNow, layanan yang dikelola oleh Badan Perlindungan Lingkungan US (EPA) dan lembaga federal, suku, negara bagian, dan lokal lainnya.
Sumber daya terkait
- Arsitektur referensi Azure IoT
- Memproses data kendaraan real time menggunakan IoT: Arsitektur referensi untuk menelan data kendaraan real time untuk analisis, termasuk pengoptimalan rute.
- IoT memantau dan mengelola perulangan adalah pola desain yang menggambarkan sistem pengawasan yang terus memantau sistem fisik yang dikendalikan oleh satu set perangkat IoT jaringan.
- IoT menganalisis dan mengoptimalkan perulangan adalah pola desain yang memungkinkan generasi dan penerapan insight pengoptimalan bisnis ke sistem fisik yang dikendalikan oleh perangkat lunak dengan sumber telemetri, menyempurnakannya, dan menggabungkannya dengan sumber data perusahaan untuk menghasilkan insight.
- IoT menggunakan Azure Cosmos DB menjelaskan contoh arsitektur untuk menggunakan Azure Cosmos DB untuk menyerap data telemetri perangkat dengan tarif tinggi dan dapat melayani kueri terindeks kembali dengan latensi rendah dan ketersediaan tinggi.