Defektskydd med förutsägande underhåll med hjälp av analys och maskininlärning

Event Hubs
Machine Learning
Stream Analytics
Synapse Analytics
Power BI

Lösningsidéer

Den här artikeln är en lösningsidé. Om du vill att vi utökar innehållet med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du berätta för oss genom att ge GitHub-feedback.

Lär dig hur du använder Azure Machine Learning för att förutsäga fel innan de inträffar med data från sammansättningslinjen i realtid.

Den här lösningen bygger på Azure-hanterade tjänster: Azure Stream Analytics, Event Hubs, Azure Machine Learning, Azure Synapse Analytics och Power BI. Dessa tjänster körs i en miljö med hög tillgänglighet, korrigeringar och stöd, så att du kan fokusera på din lösning i stället för den miljö som de körs i.

Potentiella användningsfall

Branscher som drar nytta av den här lösningen är:

  • Tillverkningsprocesser
  • Schemaläggning av flygbolagsunderhåll

Arkitektur

Arkitekturdiagram: Defektskydd med förutsägande underhåll.Ladda ned en SVG för den här arkitekturen.

Komponenter

  • Event Hubs matar in råa sammansättningsradsdata och skickar dem vidare till Azure Stream Analytics.
  • Azure Stream Analytics tillhandahåller analyser i nära realtid på indataströmmen från Event Hubs. Indata filtreras och skickas till en Azure Machine Learning-slutpunkt. Resultatet av maskininlärning skickas till en Power BI-instrumentpanel.
  • Azure Machine Learning förutsäger potentiella fel baserat på data från sammansättningslinjen i realtid från Stream Analytics.
  • Azure Synapse Analytics lagrar sammansättningslinjedata tillsammans med felförutsägelser.
  • Power BI möjliggör visualisering av sammansättningslinjedata i realtid från Stream Analytics och förutsagda fel och aviseringar från Data Warehouse.

Nästa steg

Se produktdokumentationen:

Se följande relaterade artiklar om Azure Architecture Center: