Ideias de soluções
Este artigo é uma ideia de solução. Se você quiser que expandamos o conteúdo com mais informações, como possíveis casos de uso, serviços alternativos, considerações de implementação ou orientação de preços, informe-nos fornecendo feedback do GitHub.
Este artigo descreve um cenário de gerenciamento de armazém que monitora as condições ambientais por meio da integração de dados de sensores e conjuntos de dados públicos, processados com ML para gerar previsões. Os insights são usados para garantir a segurança das pessoas e otimizar as operações da cadeia de suprimentos.
Arquitetura
Transfira um ficheiro do Visio desta arquitetura.
Fluxo de dados
Os sensores na instalação do armazém são conectados e enviam dados para um gateway LoRa (Long Range).
O gateway LoRa envia dados para a nuvem usando conectividade celular.
myDevices é uma solução plug and play baseada em software como serviço (SaaS). Ele usa dispositivos e gateways que são automaticamente provisionados e associados ao cliente correspondente.
Os dados do dispositivo são enviados para o Azure IoT Central. Os clientes usam a solução para controlar e monitorar os dispositivos.
Modelação da cadeia de abastecimento e instalações de armazém utilizando Azure Digital Twins. Este é um ambiente de execução ao vivo onde os aplicativos podem ingerir dados para ganhar visibilidade sobre o status da cadeia de suprimentos. O Digital Twins integra-se nativamente com o Hub de Eventos do Azure, com o qual outros aplicativos interagem para recuperar dados do gêmeo.
Os dados temporais e espaciais exigidos pelos modelos de BC são obtidos a partir de fontes de dados externas.
Os dados de chave são armazenados em soluções de dados do Azure. O armazenamento de Blob é usado para dados de treinamento de ML. O Azure Cosmos DB é usado para dados pontuados e índices de desempenho importantes.
Os dados de telemetria são ingeridos do IoT Central por meio do Hub de Eventos para garantir o desacoplamento da ingestão e do consumo de dados. O Azure Functions é usado para combinar fontes de dados externas e dados de telemetria e, em seguida, analisar esse conjunto de dados em busca de quaisquer anomalias. Os dados são revelados através de Digital Twins.
O Azure Databricks executa as transformações de dados necessárias para treinar os modelos de ML.
Os modelos de previsão de incêndios florestais são treinados usando o Azure Machine Learning utilizando dados históricos, dados em tempo real e dados micrometeorológicos.
As atualizações de roteamento são fornecidas pela API de Roteamento de Caminhão do Bing Maps.
Os aplicativos podem consultar o Digital Twins diretamente para obter dados relevantes do modelo.
Componentes
O Azure IoT Central é usado como a plataforma gerenciada pela IoT. Ele fornece segurança, escalabilidade e disponibilidade como parte do serviço para que os clientes possam concentrar esforços nos requisitos de negócios. Os usuários podem integrar com componentes de negócios, como Power Apps e Power BI, e criar notificações por meio do recurso de exportação de dados no IoT Central.
O armazenamento do Azure é usado para armazenar informações do dispositivo na nuvem de forma segura e escalável que também é econômica. Os dados armazenados são usados para treinar os modelos de ML.
O Azure Cosmos DB é usado para armazenar indicadores-chave de desempenho (KPIs) de aplicativos e saídas de modelo. O Azure Cosmos DB é um serviço de banco de dados NoSQL totalmente gerenciado para desenvolvimento de aplicativos modernos. Ele fornece transações de alta velocidade e pode facilmente habilitar o serviço para distribuição global.
O Azure Databricks é uma plataforma de análise de dados otimizada para a plataforma de serviços de nuvem do Microsoft Azure. Ele é usado para transformar, manipular e normalizar dados para que possam ser consumidos adequadamente pelo pipeline de aprendizado de máquina.
O Azure Machine Learning é usado para criar modelos de previsão de incêndios florestais. Os modelos fornecem a inteligência necessária para avaliar o risco de um incêndio florestal. A entrada de várias fontes de dados é necessária para treinar o modelo para precisão. Essas fontes podem incluir imagens de satélite, dados históricos, condições locais do solo e dados meteorológicos. Com base na área de incêndio florestal predicada do modelo, a Solução de Cadeia de Suprimentos e Logística pode redirecionar caminhões.
Para obter discussões mais detalhadas, consulte a arquitetura de referência do Azure IoT para entender e explorar as várias opções de implementação disponíveis.
Detalhes do cenário
A monitorização ambiental tornou-se uma atividade importante na cadeia de abastecimento global. Ele fornece sinais importantes que ajudam a conduzir decisões em tempo real que podem afetar os fornecedores e a logística. Qualidade do ar, temperatura, vento, humidade e dióxido de carbono (CO2) são alguns dos indicadores que os operadores de armazéns estão interessados em monitorizar durante desastres naturais. Cenários mais avançados podem incluir a fusão de dados históricos e em tempo real de estações meteorológicas, sensores de qualidade do ar e outras fontes. Os modelos de aprendizado de máquina (ML) podem ser usados para ajudar a prever o efeito dessas condições e seu possível impacto nas operações da cadeia de suprimentos.
Potenciais casos de utilização
Esta solução é ideal para as indústrias de meio ambiente, manufatura, transporte e agricultura.
- Gestão de frotas: Esta solução pode ser utilizada onde as rotas precisam ser otimizadas para segurança com base nas condições evolutivas das áreas circundantes.
- Agricultura: Prever incêndios florestais que afetarão a segurança dos trabalhadores e da pecuária é fundamental. Ao fornecer tempo suficiente para notificações de perigo, as pessoas na área afetada podem evacuar para um local seguro. As fazendas também podem equipar as áreas de pecuária com portões automatizados que podem destrancar e abrir em situações terríveis, permitindo que os animais escapem.
Desafios enfrentados
Houve um aumento significativo de incêndios florestais nos últimos anos, representando um perigo crescente para os seres humanos e a cadeia de abastecimento global. Com o número de hectares queimados aumentando a cada ano, a resiliência da cadeia de suprimentos às mudanças climáticas é a principal preocupação de muitos líderes.
Nos Estados Unidos, a média anual de área afetada por incêndios florestais é de aproximadamente 7.000.000 acres. Esta área é mais do dobro da média da década de 1990. A situação é ainda mais alarmante noutros países/regiões. Por exemplo, na Austrália há um mês extra de verão em comparação com 50 anos atrás e a seca de longo prazo piorou ainda mais as condições de incêndio. Os grandes incêndios florestais causaram danos económicos quase 10 vezes superiores aos dos Estados Unidos. Os incêndios florestais australianos podem afetar o fornecimento global de alimentos, incluindo bens como carne bovina, leite, vinho e trigo.
Os riscos para as empresas em todo o mundo continuam a aumentar a cada ano, e a resiliência da cadeia de suprimentos durante desastres naturais é fundamental para manter o fluxo de mercadorias globalmente. A integração de previsões e previsões baseadas no clima no planejamento da capacidade da cadeia de suprimentos pode ajudar os operadores a ajustar a produção e gerenciar os cronogramas de envio. Este sistema pode minimizar interrupções e efeitos adversos.
Resultados de negócio
Os operadores de armazéns e os principais centros de distribuição se beneficiarão de uma maneira preditiva de determinar se a infraestrutura logística existente está no caminho de um grande incêndio. A existência de um sistema de notificação precoce proporcionaria um maior tempo de espera para tomar medidas preventivas para proteger as instalações e o pessoal. Avisos automatizados de alterações e pausas nas atividades logísticas também permitiriam o redirecionamento de remessas com intervenção humana mínima.
Requisitos
- A automação é fundamental. Não se pode presumir que os operadores e gerentes de instalações possam coletar dados em vários sistemas para tomar decisões oportunas.
- Armazéns, instalações de distribuição e gerentes de operação precisam ser notificados por vários meios quando há perigo imediato, garantindo que as informações sejam recebidas em tempo hábil. Os exemplos incluem painel de dados, e-mail e mensagem de texto.
- Apenas as alterações nos dados têm de ser comunicadas.
- A entrega e a implantação da solução precisam ser simples. Deve ser instalado sem a necessidade de um técnico, utilizando tecnologia plug and play.
- A solução precisa ser de baixa manutenção e econômica.
Padrões para enfrentar os desafios
A tabela abaixo fornece um resumo dos casos de uso comuns e das soluções de IoT correspondentes. Cada caso de uso é um exemplo de como um padrão de processo de IoT pode ser aplicado a cenários do mundo real.
| Caso de utilização | Soluções |
|---|---|
| Permita o reencaminhamento logístico da cadeia de abastecimento e o planeamento da produção, prevendo a probabilidade de interrupção devido a incêndios florestais perto do local afetado. | Idealmente, você quer ser capaz de monitorar todos os elementos-chave da cadeia de suprimentos para que possa fornecer uma resposta mais abrangente. myDevices tem um catálogo de dispositivos plug and play certificados que se conectam a um gateway de rede LoRa . O gateway envia dados para o aplicativo em nuvem usando conectividade celular. A tecnologia LoRa é ideal porque o sinal precisa penetrar profundamente nos edifícios. Sensores de CO2, temperatura, umidade, direção do vento e qualidade do ar podem ser instalados em locais relevantes do edifício, incluindo telhados e instalações de armazenamento. Sensores também podem ser instalados em caminhões para rastreamento de localização para facilitar o reencaminhamento. |
| Identifique as condições de incêndio florestal e compreenda o grau de perigo para um determinado local. | Modelos de previsão de incêndios florestais treinados com dados históricos, condições micrometeorológicas e dados de sensores locais podem ajudar a avaliar o risco de um incêndio florestal. |
| Alertas automatizados para evacuação e reencaminhamento de instalações | Uma vez detetadas condições inseguras, o gêmeo digital da instalação pode ser atualizado para mostrar que não está mais online. Uma vez atualizados, outros centros de distribuição dentro da rede podem começar a redirecionar o tráfego de acordo, permitindo que os gerentes de instalações no local e os operadores de armazém se concentrem na segurança dos funcionários. Este cenário usa ML para prever onde o incêndio se espalhará, usando conjuntos de dados públicos históricos e em tempo real, juntamente com microdados meteorológicos para previsões mais precisas. Os sensores rastreiam as condições atuais de incêndio florestal e os alarmes das instalações acionam a evacuação dos funcionários. |
Considerações
Essas considerações implementam os pilares do Azure Well-Architected Framework, que é um conjunto de princípios orientadores que podem ser usados para melhorar a qualidade de uma carga de trabalho. Para obter mais informações, consulte Microsoft Azure Well-Architected Framework.
Conectividade
Os dispositivos e sensores no local da solução precisam enviar dados para aplicativos na nuvem, mas o acesso confiável à internet pode não estar disponível para alguns locais, como em áreas rurais.
Esta solução usa uma rede LoRa para fornecer conectividade celular. O LoRa tem uma boa penetração no edifício, tornando-o ideal para aplicações relacionadas com armazéns. Essa abordagem é econômica e oferece flexibilidade para locais remotos que exigem dispositivos e sensores IoT fáceis de conectar.
Plug and play
Em um ambiente remoto, é fundamental que os dispositivos sejam fáceis de implantar sem exigir conhecimento especializado. myDevices tem um extenso catálogo de dispositivos IoT e gateways que podem ser aplicados a vários cenários. Eles são certificados Plug and Play, então tudo o que o usuário precisa fazer é colocá-los no local certo e ativá-los. Com a integração com o IoT Central, os clientes podem personalizar facilmente o painel para consumir os dados do dispositivo e criar alertas.
Contribuidores
Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuidores.
Autor principal:
- Ansley Yeo - Brasil | Líder de Tecnologia
Próximos passos
- IoT em transporte e logística: como o Azure pode ser usado para trazer maior eficiência e confiabilidade à sua cadeia de valor com serviços de IoT e inteligência de localização de classe mundial.
- Arquitetura do modelo de aplicativo de logística conectada IoT Central: um modelo de aplicativo e orientação para o desenvolvimento de soluções logísticas conectadas de ponta a ponta.
- API de Roteamento de Caminhões do Bing Maps: uma ferramenta de roteamento comercial que calcula rotas seguras e eficientes e considera os atributos de um veículo em relação a quaisquer limitações de rota.
- Gêmeos Digitais do Azure - A demonstração da Cadeia de Suprimentos usa Gêmeos Digitais para modelar um cenário de cadeia de suprimentos.
- myDevices fornece conectividade LoRa e dispositivos que permitem que as soluções sejam implantadas rapidamente em locais onde a conectividade é um desafio e uma ampla cobertura de rede é necessária.
- O C.H. Robinson Navisphere trabalha com o Microsoft Azure e o Azure IoT para fornecer visibilidade em tempo real da cadeia de suprimentos e para mais previsibilidade e tomada de decisões proativas.
- A API AirNow da EPA fornece acesso a dados em tempo real sobre a qualidade do ar e incêndios florestais do AirNow, um serviço mantido pela Agência de Proteção Ambiental dos EUA (EPA) e outras agências federais, tribais, estaduais e locais.
Recursos relacionados
- Arquitetura de referência do Azure IoT
- Processe dados de veículos em tempo real usando IoT: uma arquitetura de referência para a ingestão de dados de veículos em tempo real para análise, incluindo otimização de rotas.
- IoT monitorar e gerenciar loops é um padrão de design que descreve um sistema de supervisão que monitora continuamente um sistema físico controlado por um conjunto de dispositivos IoT em rede.
- IoT analisar e otimizar loops é um padrão de projeto que permite a geração e aplicação de insights de otimização de negócios para sistemas físicos controlados por software por meio do fornecimento de telemetria, refinando-a e combinando-a com fontes de dados empresariais para gerar insights.
- A IoT usando o Azure Cosmos DB descreve um exemplo de arquitetura para usar o Azure Cosmos DB para ingerir dados de telemetria do dispositivo em altas taxas e pode atender consultas indexadas de volta com baixa latência e alta disponibilidade.