Kontrola jakości

Event Hubs
Usługa Machine Learning
Stream Analytics
Power BI

Systemy zapewniania jakości umożliwiają firmom zapobieganie wadom w procesach dostarczania towarów lub usług klientom. Utworzenie takiego systemu, który zbiera dane i identyfikuje potencjalne problemy wzdłuż potoku, może zapewnić ogromne korzyści. Na przykład w przypadku produkcji cyfrowej kontrola jakości w całej linii montażowej jest niezbędna. Identyfikowanie spowolnień i potencjalnych awarii przed ich wystąpieniem, a nie po wykryciu ich, może pomóc firmom obniżyć koszty złomu i przeróbki przy jednoczesnym zwiększeniu produktywności.

Architektura

Diagram architektury przedstawia dane w Azure Event Hubs, a następnie do usługi Data Lake, a następnie przetwarza za pomocą usługi Stream Analytics, a na koniec wizualizację usługi Power BI.

Pobierz plik programu Visio z tą architekturą.

Przepływ danych

  1. Generator zdarzeń systemu źródłowego przesyła strumieniowo dane do Azure Event Hubs.
  2. Usługa Event Hubs używa funkcji Capture do wysyłania nieprzetworzonych zdarzeń do usługi Data Lake.
  3. Zadanie usługi Stream Analytics odczytuje dane w czasie rzeczywistym z usługi Event Hubs.
  4. Zadanie usługi Stream Analytics wywołuje model uczenia maszynowego w usłudze Azure Machine Learning w celu przewidywania awarii/wady.
  5. Zadanie usługi Stream Analytics wysyła agregacje strumienia do pulpitu nawigacyjnego czasu rzeczywistego usługi Power BI na potrzeby operacji.
  6. Zadanie usługi Stream Analytics wypycha przetworzone dane w czasie rzeczywistym do Azure Synapse puli SQL.
  7. Usługa Logic Apps wysyła alerty z danych przesyłanych strumieniowo na telefon komórkowy.
  8. Usługa Power BI jest używana do wizualizacji wyników.

Składniki

  • Usługa Event Hubs pozysuje zdarzenia wiersza zestawu i przekazuje je do usługi Stream Analytics i usługi internetowej Azure ML.
  • Azure Stream Analytics: usługa Stream Analytics akceptuje strumień wejściowy z usługi Event Hubs, wywołuje usługę internetową usługi Azure ML w celu przewidywania i wysyła strumień do usługi Azure Synapse oraz usług Power BI i Logic Apps na potrzeby alertów.
  • Azure Machine Learning: usługa Machine Learning ułatwia projektowanie, testowanie, operacjonalizowanie i zarządzanie rozwiązaniami analizy predykcyjnej w chmurze oraz wdrażanie usług internetowych, które mogą być wywoływane przez usługę Stream Analytics.
  • Konta magazynu: usługa Azure Storage przechowuje nieprzetworzone dane strumienia zdarzeń z usługi Event Hubs i służy do długoterminowego utrwalania danych.
  • Logic Apps: wysyła alerty wygenerowane na podstawie danych przesyłanych strumieniowo do urządzenia operatora.
  • Synapse Analytics: przechowywanie danych relacyjnych na potrzeby przetwarzania ad hoc i planowanego przetwarzania analitycznego oraz zapytań analitycznych użytkowników.
  • Power BI: wizualizuje pulpity nawigacyjne operacyjne w czasie rzeczywistym, a także serwery na potrzeby raportów analitycznych.

Alternatywy

  • W zależności od scenariusza podstawowa architektura może zostać uproszczona przez usunięcie warstwy wsadowej — usunięcie magazynu dla nieprzetworzonych zdarzeń i Azure Synapse danych relacyjnych
  • Azure SQL Database to zarządzana relacyjna baza danych jako usługa. W zależności od ilości danych i wzorców dostępu można wybrać Azure SQL Database.
  • Azure Functions zapewnia efektywne podejście bezserwerowe, jeśli architektura obciążenia jest skoncentrowana wokół precyzyjnych składników rozproszonych, wymagających minimalnych zależności, gdzie poszczególne składniki są wymagane tylko do uruchamiania na żądanie (nie stale) i orkiestracji składników nie jest wymagane.
  • IoT Hub pełni rolę centrum komunikatów w celu zapewnienia bezpiecznej dwukierunkowej komunikacji z tożsamością poszczególnych urządzeń między platformą w chmurze a sprzętem budowlanym i innymi elementami terenu. IoT Hub może szybko zbierać dane dla każdego urządzenia w celu pozyskiwania danych do potoku analizy danych.

Szczegóły scenariusza

Potencjalne przypadki użycia

To rozwiązanie pokazuje, jak przewidywać awarie przy użyciu przykładu potoków produkcyjnych (linii montażowych). Jest to realizowane przez wykorzystanie już wprowadzonych systemów testowych i danych o awarii, w szczególności w przypadku powrotów i awarii funkcjonalnych na końcu linii montażowej. Łącząc je z wiedzą o domenie i główną analizą przyczyn w ramach modułowego projektu, który hermetyzuje główne kroki przetwarzania, udostępniamy ogólne zaawansowane rozwiązanie analityczne, które używa uczenia maszynowego do przewidywania błędów przed ich wystąpieniem. Wczesne przewidywanie przyszłych awarii pozwala na tańsze naprawy, a nawet odrzucanie, które są zwykle bardziej opłacalne niż koszty wycofywania i gwarancji.

Zagadnienia do rozważenia

Te zagadnienia implementują filary platformy 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.

Skalowalność

Większość składników używanych w tym przykładowym scenariuszu to usługi zarządzane skalowane w oparciu o bieżące potrzeby scenariusza.

Aby uzyskać ogólne wskazówki dotyczące projektowania skalowalnych rozwiązań, zobacz listę kontrolną dotyczącą wydajności wydajności w Centrum architektury platformy Azure.

Zabezpieczenia

Zabezpieczenia zapewniają ochronę przed celowymi atakami i nadużyciami cennych danych i systemów. Aby uzyskać więcej informacji, zobacz Omówienie filaru zabezpieczeń.

Tożsamości zarządzane dla zasobów platformy Azure służą do zapewniania dostępu do innych zasobów wewnętrznych dla Twojego konta. Zezwalaj tylko na dostęp do wymaganych zasobów w tych tożsamościach, aby upewnić się, że żadne dodatkowe informacje nie są widoczne dla Twoich funkcji (i potencjalnie dla klientów).

Aby uzyskać ogólne wskazówki dotyczące projektowania bezpiecznych rozwiązań, zobacz dokumentację zabezpieczeń platformy Azure.

Odporność

Wszystkie składniki w tym scenariuszu są zarządzane, więc na poziomie regionalnym są one automatycznie odporne.

Aby uzyskać ogólne wskazówki dotyczące projektowania odpornych rozwiązań, zobacz Zasady projektowania niezawodności.

Następne kroki