Pomysły dotyczące rozwiązań
W tym artykule opisano pomysł rozwiązania. Architekt chmury może użyć tych wskazówek, aby ułatwić wizualizowanie głównych składników dla typowej implementacji tej architektury. Skorzystaj z tego artykułu jako punktu wyjścia, aby zaprojektować dobrze zaprojektowane rozwiązanie zgodne z konkretnymi wymaganiami obciążenia.
W tym artykule opisano scenariusz zarządzania magazynem, który monitoruje warunki środowiskowe za pośrednictwem integracji danych czujników i publicznych zestawów danych przetwarzanych z uczeniem maszynowym w celu generowania przewidywań. Następnie szczegółowe informacje są używane do zapewnienia bezpieczeństwa ludzi i optymalizacji operacji łańcucha dostaw.
Architektura
Pobierz plik programu Visio z tą architekturą.
Przepływ danych
Czujniki w magazynie są połączone i wysyłają dane do bramy LoRa (Long Range).
Brama LoRa wypycha dane do chmury przy użyciu łączności komórkowej.
myDevices to rozwiązanie typu plug and play oparte na oprogramowaniu typu "oprogramowanie jako usługa" (SaaS). Używa urządzeń i bram, które są automatycznie aprowidowane i skojarzone z odpowiednim klientem.
Dane urządzenia są wysyłane do usługi Azure IoT Central. Klienci używają rozwiązania do kontrolowania i monitorowania urządzeń.
Modelowanie łańcucha dostaw i obiektów magazynowych przy użyciu usługi Azure Digital Twins. Jest to aktywne środowisko wykonawcze, w którym aplikacje mogą pozyskiwać dane w celu uzyskania wglądu w stan łańcucha dostaw. Usługa Digital Twins integruje się natywnie z usługą Azure Event Hub, z którą inne aplikacje wchodzą w interakcję w celu pobrania danych z bliźniaczej reprezentacji.
Dane czasowe i przestrzenne wymagane przez modele uczenia maszynowego są uzyskiwane z zewnętrznych źródeł danych.
Kluczowe dane są przechowywane w rozwiązaniach danych platformy Azure. Magazyn obiektów blob służy do trenowania danych uczenia maszynowego. Usługa Azure Cosmos DB jest używana do oceniania danych i kluczowych indeksów wydajności.
Dane telemetryczne są pozyskiwane z usługi IoT Central za pośrednictwem centrum zdarzeń w celu zapewnienia oddzielenia pozyskiwania i zużycia danych. Usługa Azure Functions służy do łączenia zewnętrznych źródeł danych i danych telemetrycznych, a następnie analizowania tego zestawu danych pod kątem wszelkich anomalii. Dane są udostępniane za pośrednictwem usługi Digital Twins.
Usługa Azure Databricks wykonuje przekształcenia danych wymagane do trenowania modeli uczenia maszynowego.
Modele przewidywania pożaru są trenowane przy użyciu usługi Azure Machine Learning, korzystając z danych historycznych, danych w czasie rzeczywistym i danych mikro-pogodowych.
Aktualizacje routingu są udostępniane przez interfejs API routingu ciężarówki usługi Mapy Bing.
Aplikacje mogą wysyłać zapytania do usługi Digital Twins bezpośrednio w celu uzyskania odpowiednich danych z modelu.
Składniki
Usługa Azure IoT Central jest używana jako platforma zarządzana IoT. Zapewnia ona zabezpieczenia, skalowalność i dostępność w ramach usługi, dzięki czemu klienci mogą skoncentrować wysiłki na wymaganiach biznesowych. Użytkownicy mogą integrować się ze składnikami biznesowymi, takimi jak Power Apps i Power BI, i tworzyć powiadomienia za pośrednictwem funkcji eksportowania danych w usłudze IoT Central.
Usługa Azure Storage służy do przechowywania informacji o urządzeniu w chmurze w bezpieczny i skalowalny sposób, który jest również opłacalny. Przechowywane dane są używane do trenowania modeli uczenia maszynowego.
Usługa Azure Cosmos DB służy do przechowywania kluczowych wskaźników wydajności aplikacji (KPI) i danych wyjściowych modelu. Azure Cosmos DB to w pełni zarządzana usługa bazy danych NoSQL na potrzeby nowoczesnego tworzenia aplikacji. Zapewnia ona szybkie transakcje i może łatwo włączyć usługę dla dystrybucji globalnej.
Azure Databricks to platforma analizy danych zoptymalizowana pod kątem platformy usług w chmurze Microsoft Azure. Służy do przekształcania, manipulowania i normalizacji danych, dzięki czemu mogą być prawidłowo używane przez potok uczenia maszynowego.
Usługa Azure Machine Learning służy do tworzenia modeli przewidywania pożaru. Modele zapewniają inteligencję wymaganą do oceny ryzyka pożaru. Dane wejściowe z wielu źródeł danych są wymagane do wytrenowania modelu pod kątem dokładności. Źródła te mogą obejmować zdjęcia satelitarne, dane historyczne, lokalne warunki gleby i dane pogodowe. Na podstawie wstępnie wskazanego obszaru pożaru z modelu rozwiązanie Łańcuch dostaw i Logistyka może przekierowywać ciężarówki.
Aby uzyskać bardziej szczegółowe dyskusje, zobacz architekturę referencyjną usługi Azure IoT, aby zrozumieć i zapoznać się z różnymi dostępnymi opcjami implementacji.
Szczegóły scenariusza
Monitorowanie środowiska stało się ważnym działaniem w globalnym łańcuchu dostaw. Zapewnia kluczowe sygnały, które pomagają podejmować decyzje w czasie rzeczywistym, które mogą mieć wpływ na dostawców i logistykę. Jakość powietrza, temperatura, wiatr, wilgotność i dwutlenek węgla (CO2) to niektóre wskaźniki, które operatorzy magazynu są zainteresowani monitorowaniem podczas klęsk żywiołowych. Bardziej zaawansowane scenariusze mogą obejmować łączenie danych w czasie rzeczywistym i historycznych ze stacji pogodowych, czujników jakości powietrza i innych źródeł. Modele uczenia maszynowego (ML) mogą następnie służyć do przewidywania wpływu tych warunków i ich możliwego wpływu na operacje łańcucha dostaw.
Potencjalne przypadki użycia
To rozwiązanie jest idealne dla środowiska, produkcji, transportu i przemysłu rolnego.
- Zarządzanie flotą: to rozwiązanie może służyć do optymalizacji tras pod kątem bezpieczeństwa w oparciu o zmieniające się warunki otoczenia.
- Rolnictwo: Przewidywanie pożarów, które będą mieć wpływ na bezpieczeństwo pracowników i zwierząt gospodarskich, ma kluczowe znaczenie. Zapewniając duże czasy realizacji dla powiadomień o niebezpieczeństwach, osoby w dotkniętym obszarze mogą ewakuować się do bezpieczeństwa. Gospodarstwa mogą również wyposażyć obszary zwierząt gospodarskich w zautomatyzowane bramy, które mogą odblokować i otworzyć się w tragicznych sytuacjach, pozwalając zwierzętam uciec.
Wyzwania, przed którymi stoją
W ostatnich latach nastąpił znaczny wzrost pożarów, co stanowi rosnące zagrożenie dla ludzi i globalnego łańcucha dostaw. Wraz ze wzrostem liczby akrów o rok odporność łańcucha dostaw na zmiany klimatu jest wierzchołkiem wielu liderów.
W Stany Zjednoczone roczna średnia obszaru dotknięta pożarami wynosi około 7000 000 akrów. Ten obszar jest ponad dwukrotnie większy niż średnia w 1990 roku. Sytuacja jest jeszcze bardziej niepokojąc w innych krajach/regionach. Na przykład w Australii jest dodatkowy miesiąc lata w porównaniu do 50 lat temu, a długoterminowa susza jeszcze bardziej pogorszyła warunki pożarowe. Masowe pożary krzewów spowodowały szkody gospodarcze prawie 10 razy większe niż w Stany Zjednoczone. Pożary australijskie mogą mieć wpływ na globalną podaż żywności, w tym towary, takie jak wołowina, mleko, wino i pszenica.
Zagrożenia dla przedsiębiorstw na całym świecie nadal rosną każdego roku, a odporność łańcucha dostaw podczas klęsk żywiołowych ma kluczowe znaczenie dla utrzymania przepływu towarów na całym świecie. Zintegrowanie prognoz i prognoz opartych na pogodzie w planowaniu wydajności łańcucha dostaw może pomóc operatorom dostosować harmonogramy produkcji i zarządzać nimi. Ten system może zminimalizować zakłócenia i niekorzystne skutki.
Wyniki biznesowe
Operatorzy magazynów i główne centra dystrybucji skorzystają z predykcyjnego sposobu określenia, czy istniejąca infrastruktura logistyczna znajduje się na drodze poważnego pożaru. Posiadanie wczesnego systemu powiadomień zapewniłoby zwiększony czas realizacji w celu podjęcia środków zapobiegawczych w celu ochrony obiektów i personelu. Zautomatyzowane powiadomienia o zmianach i wstrzymaniach w działaniach logistycznych umożliwiłyby również przekierowanie przesyłek przy minimalnej interwencji człowieka.
Wymagania
- Automatyzacja jest krytyczna. Nie można zakładać, że operatorzy i menedżerowie obiektów mogą zbierać dane w wielu systemach, aby podejmować terminowe decyzje.
- Magazyny, obiekty dystrybucyjne i menedżerowie operacji muszą być powiadamiane za pomocą wielu środków, gdy istnieje natychmiastowe niebezpieczeństwo, zapewniając, że informacje są odbierane w odpowiednim czasie. Przykłady obejmują pulpit nawigacyjny danych, wiadomość e-mail i wiadomość SMS.
- Należy zgłaszać tylko zmiany w danych.
- Dostarczanie i wdrażanie rozwiązania musi być proste. Należy go zainstalować bez konieczności technika, korzystając z technologii plug and play.
- Rozwiązanie musi być niskie i ekonomiczne.
Wzorce do rozwiązywania problemów
Poniższa tabela zawiera podsumowanie typowych przypadków użycia i odpowiednich rozwiązań IoT. Każdy przypadek użycia to przykład zastosowania wzorca procesu IoT do rzeczywistych scenariuszy.
| Przypadek użycia | Rozwiązania |
|---|---|
| Włącz logistykę łańcucha dostaw i planowanie produkcji, przewidując prawdopodobieństwo przerw w działaniu z powodu pożarów w pobliżu dotkniętej lokalizacji. | Najlepiej, aby móc monitorować wszystkie kluczowe elementy łańcucha dostaw, aby zapewnić bardziej kompleksową odpowiedź. myDevices ma katalog certyfikowanych urządzeń plug and play łączących się z bramą sieci LoRa . Brama wysyła dane do aplikacji w chmurze przy użyciu łączności komórkowej. Technologia LoRa jest idealna, ponieważ sygnał musi przenikać głęboko do budynków. Czujniki co2, temperatury, wilgotności, kierunku wiatru i jakości powietrza można zainstalować w odpowiednich lokalizacjach budynków, w tym dachach i magazynach. Czujniki można również zainstalować w ciężarówkach w celu śledzenia lokalizacji w celu ułatwienia przekierowania. |
| Zidentyfikuj warunki pożaru i poznaj stopień zagrożenia dla danej lokalizacji. | Modele przewidywania pożaru trenowane przy użyciu danych historycznych, warunków mikro pogodowych i lokalnych danych czujników mogą pomóc ocenić ryzyko pożaru. |
| Automatyczne alerty dotyczące ewakuacji i przekierowywania obiektów | Po wykryciu niebezpiecznych warunków można zaktualizować cyfrową reprezentację bliźniaczą obiektu, aby pokazać, że nie jest już w trybie online. Po zaktualizowaniu inne centra dystrybucji w sieci mogą zacząć odpowiednio przekierowywać ruch, co pozwala menedżerom obiektów na miejscu i operatorom magazynu skupić się na bezpieczeństwie pracowników. W tym scenariuszu użyto uczenia maszynowego do przewidywania miejsca rozprzestrzeniania się pożaru przy użyciu publicznych zestawów danych w czasie rzeczywistym i historycznych wraz z danymi o mikro pogodzie w celu uzyskania bardziej dokładnych przewidywań. Czujniki śledzą bieżące warunki pożaru, a alarmy zakładu wyzwalają ewakuację pracowników. |
Kwestie wymagające rozważenia
Te zagadnienia implementują filary struktury Azure Well-Architected Framework, która jest zestawem wytycznych, które mogą służyć do poprawy jakości obciążenia. Aby uzyskać więcej informacji, zobacz Microsoft Azure Well-Architected Framework.
Łączność
Urządzenia i czujniki rozwiązania muszą wysyłać dane do aplikacji w chmurze, ale niezawodny dostęp do Internetu może nie być dostępny dla niektórych lokalizacji, takich jak na obszarach wiejskich.
To rozwiązanie używa sieci LoRa do zapewnienia łączności komórkowej. LoRa ma dobrą penetrację budynku, co czyni go idealnym rozwiązaniem dla aplikacji związanych z magazynem. Takie podejście jest ekonomiczne i zapewnia elastyczność lokalizacji zdalnych, które wymagają łatwego łączenia urządzeń i czujników IoT.
Podłącz i odtwórz
W przypadku ustawienia zdalnego ważne jest, aby urządzenia można było łatwo wdrażać bez konieczności specjalistycznej wiedzy. MyDevices ma obszerny katalog urządzeń IoT i bram, które można zastosować do wielu scenariuszy. Mają certyfikat Plug and Play, więc wszyscy użytkownicy muszą je umieścić w odpowiedniej lokalizacji i włączyć. Dzięki integracji usługi IoT Central klienci mogą łatwo dostosować pulpit nawigacyjny, aby korzystać z danych urządzenia i tworzyć alerty.
Współautorzy
Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następujących współautorów.
Główny autor:
- Ansley Yeo | Lider technologii
Następne kroki
- IoT w zakresie transportu i logistyki: jak platforma Azure może służyć do zwiększenia wydajności i niezawodności łańcucha wartości dzięki światowej klasy usługom IoT i usługom analizy lokalizacji.
- Architektura szablonu aplikacji połączonej logistyki usługi IoT Central: szablon aplikacji i wskazówki dotyczące tworzenia kompleksowego połączonego rozwiązania logistycznego.
- Interfejs API routingu ciężarówki usługi Bing: komercyjne narzędzie do routingu, które oblicza bezpieczne i wydajne trasy i uwzględnia atrybuty pojazdu w odniesieniu do wszelkich ograniczeń trasy.
- Azure Digital Twins — pokaz łańcucha dostaw używa usługi Digital Twins do modelowania scenariusza łańcucha dostaw.
- myDevices zapewnia łączność LoRa i urządzenia, które umożliwiają szybkie wdrażanie rozwiązań w lokalizacjach, w których łączność jest wyzwaniem i potrzebne jest szerokie pokrycie sieci.
- C.H. Robinson Navisphere współpracuje z platformą Microsoft Azure i usługą Azure IoT, aby zapewnić wgląd w łańcuch dostaw w czasie rzeczywistym oraz bardziej przewidywalność i proaktywne podejmowanie decyzji.
- Interfejs API EPA AirNow zapewnia dostęp do danych dotyczących jakości powietrza i pożarów w czasie rzeczywistym od AirNow, usługi obsługiwanej przez Us Environmental Protection Agency (EPA) i innych federalnych, plemiennych, stanowych i lokalnych agencji.
Powiązane zasoby
- Architektura referencyjna usługi Azure IoT
- Przetwarzanie danych pojazdów w czasie rzeczywistym przy użyciu IoT: architektura referencyjna do pozyskiwania danych pojazdów w czasie rzeczywistym na potrzeby analizy, w tym optymalizacji tras.
- Monitorowanie IoT i zarządzanie pętlami to wzorzec projektowy opisujący system nadzoru, który stale monitoruje system fizyczny kontrolowany przez zestaw sieciowych urządzeń IoT.
- Pętle analizowania i optymalizowania IoT to wzorzec projektowy umożliwiający generowanie i stosowanie szczegółowych informacji o optymalizacji biznesowej w systemach fizycznych kontrolowanych przez oprogramowanie poprzez pozyskiwanie danych telemetrycznych, udoskonalanie ich i łączenie ze źródłami danych przedsiębiorstwa w celu generowania szczegółowych informacji.
- Usługa IoT korzystająca z usługi Azure Cosmos DB opisuje przykładową architekturę używania usługi Azure Cosmos DB do pozyskiwania danych telemetrycznych urządzeń z wysokimi szybkościami i może obsługiwać indeksowane zapytania z małym opóźnieniem i wysoką dostępnością.