Modifica

Controllo qualità

Hub eventi di Azure
Azure Machine Learning
Analisi di flusso di Azure
Power BI

I sistemi di controllo di qualità consentono alle organizzazioni di prevenire i difetti nell'intero processo di distribuzione di beni o servizi ai clienti. Lo sviluppo di un sistema di questo tipo per la raccolta dei dati e l'identificazione di potenziali problemi lungo una pipeline può offrire enormi vantaggi. Nella produzione digitale, ad esempio, il controllo di qualità nell'intera catena di montaggio è fondamentale. L'identificazione di rallentamenti e di potenziali errori prima che si verifichino consente alle aziende di ridurre i costi di scarti e rilavorazioni migliorando al tempo stesso la produttività.

Architettura

Architecture diagram shows data into Azure Event Hubs, then to Data Lake, then processes with Stream Analytics, finally to Power BI visualization.

Scaricare un file di Visio di questa architettura.

Flusso di dati

  1. Il generatore di eventi del sistema di origine trasmette i dati in Hub eventi di Azure.
  2. Hub eventi usa Capture per inviare eventi non elaborati a Data Lake.
  3. Un processo di Analisi di flusso legge i dati in tempo reale da Hub eventi.
  4. Un processo di Analisi di flusso chiama il modello di Machine Learning in Azure Machine Learning per stimare errori/difetti.
  5. Un processo di Analisi di flusso invia aggregazioni di flusso al dashboard in tempo reale di Power BI per le operazioni.
  6. Un processo di Analisi di flusso esegue il push dei dati elaborati in tempo reale nel pool SQL di Azure Synapse.
  7. Un'app per la logica invia avvisi dai dati di streaming a un telefono cellulare.
  8. Power BI viene usato per la visualizzazione dei risultati.

Componenti

  • Hub eventi inserisce gli eventi della linea di assembly e li passa ad Analisi di flusso e a un servizio Web di Azure ML.
  • Analisi di flusso di Azure: Analisi di flusso accetta il flusso di input da Hub eventi, chiama un servizio Web di Azure ML per eseguire stime e invia il flusso ad Azure Synapse e Power BI e App per la logica per gli avvisi.
  • Azure Machine Learning: Machine Learning consente di progettare, testare, rendere operative e gestire soluzioni di analisi predittiva nel cloud e distribuire servizi Web che possono essere chiamati da Analisi di flusso.
  • Archiviazione Account: Archiviazione di Azure archivia i dati di flusso degli eventi non elaborati da Hub eventi e serve per la persistenza dei dati a lungo termine.
  • App per la logica: invia avvisi generati dai dati di streaming nel dispositivo operatore.
  • Synapse Analytics: archiviare dati relazionali per l'elaborazione analitica pianificata e ad hoc e le query analitiche degli utenti.
  • Power BI: visualizza dashboard operativi in tempo reale e server anche per i report analitici.

Alternative

  • A seconda dello scenario, l'architettura di base può essere semplificata rimuovendo il livello batch, rimuovendo Archiviazione per gli eventi non elaborati e Azure Synapse per i dati relazionali
  • Il database SQL di Azure è un database relazionale gestito come servizio. A seconda dei volumi di dati e dei modelli di accesso, è possibile scegliere database SQL di Azure.
  • Funzioni di Azure offre un approccio serverless efficace se l'architettura dei carichi di lavoro è incentrata su componenti distribuiti specifici che richiedono dipendenze minime, nei casi in cui l'esecuzione dei singoli componenti è prevista solo su richiesta (non in modo continuo) e non è necessaria l'orchestrazione dei componenti.
  • L'hub IoT funge da hub di messaggistica centrale per la comunicazione sicura bidirezionale con identità per dispositivo tra la piattaforma cloud da un lato e i macchinari e gli altri elementi del cantiere dall'altro. L'hub IoT può raccogliere rapidamente i dati per ogni dispositivo per l'inserimento nella pipeline di analisi dei dati.

Dettagli dello scenario

Potenziali casi d'uso

Questa soluzione mostra come prevedere gli errori usando l'esempio delle pipeline di produzione (catene di montaggio). Questa operazione viene eseguita usando i sistemi di test già presenti e i dati sugli errori, in particolare esaminando i risultati restituiti e gli errori funzionali alla fine della linea di montaggio. Combinando questi dati con le competenze relative al dominio e le analisi delle cause radice in una progettazione modulare che incorpora le procedure di elaborazione principali, è possibile fornire una soluzione di analisi avanzate che usa Machine Learning per prevedere gli errori prima che si verifichino. Il rilevamento anticipato degli errori consente di ridurre i costi per le riparazioni o gli scarti, approccio in genere economicamente più efficiente rispetto ai richiami e ai costi per le garanzie.

Considerazioni

Queste considerazioni implementano i pilastri di Azure Well-Architected Framework, che è un set di set di principi guida che possono essere usati per migliorare la qualità di un carico di lavoro. Per altre informazioni, vedere Framework ben progettato di Microsoft Azure.

Scalabilità

La maggior parte dei componenti usati in questo scenario di esempio sono servizi gestiti che vengono ridimensionati in base alle esigenze dello scenario corrente.

Per indicazioni generali sulla progettazione di soluzioni scalabili, vedere l'elenco di controllo per l'efficienza delle prestazioni nel Centro architetture di Azure.

Sicurezza

La sicurezza offre garanzie contro attacchi intenzionali e l'abuso di dati e sistemi preziosi. Per altre informazioni, vedere Panoramica del pilastro della sicurezza.

Le identità gestite per le risorse di Azure vengono usate per fornire l'accesso ad altre risorse interne all'account. In tali identità consentire l'accesso solo alle risorse necessarie in modo da non esporre nient'altro alle funzioni e potenzialmente ai clienti.

Per indicazioni generali sulla progettazione di soluzioni sicure, vedere la documentazione sulla sicurezza di Azure.

Resilienza

Tutti i componenti di questo scenario sono gestiti e quindi automaticamente resilienti a livello di area.

Per indicazioni generali sulla progettazione di soluzioni resilienti, vedere Principi di progettazione dell'affidabilità.

Passaggi successivi