Çözüm fikirleri
Bu makale bir çözüm fikridir. İçeriği olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma yönergeleri gibi daha fazla bilgiyle genişletmemizi isterseniz GitHub geri bildirimi sağlayarak bize bildirin.
Bu makalede, tahmin oluşturmak için ML ile işlenen algılayıcı verileri ve genel veri kümelerinin tümleştirilmesi yoluyla ortam koşullarını izleyen bir ambar yönetimi senaryosu açıklanmaktadır. Daha sonra içgörüler, insanların güvenliğini sağlamak ve tedarik zinciri operasyonlarını iyileştirmek için kullanılır.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
Veri akışı
Depo tesisindeki algılayıcılar bağlanır ve bir LoRa (Long Range) ağ geçidine veri gönderir.
LoRa ağ geçidi, hücresel bağlantıyı kullanarak verileri buluta iletir.
myDevices, hizmet olarak yazılım (SaaS) tabanlı bir tak çalıştır çözümüdür. Otomatik olarak sağlanan ve ilgili müşteriyle ilişkili cihazları ve ağ geçitlerini kullanır.
Cihaz verileri Azure IoT Central'a gönderilir. Müşteriler, cihazları denetlemek ve izlemek için çözümü kullanır.
Azure Digital Twins kullanarak tedarik zinciri ve ambar tesislerinin modellenmesi. Bu, uygulamaların tedarik zincirinin durumu hakkında görünürlük elde etmek için veri alabildiği canlı yürütme ortamıdır. Digital Twins, diğer uygulamaların ikizden veri almak için etkileşimde bulunduğu Azure Event Hub ile yerel olarak tümleşir.
ML modellerinin gerektirdiği zamansal ve uzamsal veriler dış veri kaynaklarından elde edilir.
Önemli veriler Azure veri çözümlerinde depolanır. Blob depolama, ML eğitim verileri için kullanılır. Azure Cosmos DB, puanlanan veriler ve önemli performans dizinleri için kullanılır.
Telemetri verileri, veri alımı ve tüketiminin ayrıştırılmasını sağlamak için Event Hub aracılığıyla IoT Central'dan alınıyor. Azure İşlevleri, dış veri kaynaklarını ve telemetri verilerini birleştirmek ve ardından bu veri kümesini anomaliler için analiz etmek için kullanılır. Veriler Digital Twins aracılığıyla ortaya çıkar.
Azure Databricks, ML modellerini eğitmesi için gereken veri dönüşümlerini gerçekleştirir.
Vahşi yangın tahmin modelleri geçmiş veriler, gerçek zamanlı veriler ve mikro hava durumu verileri kullanılarak Azure Machine Learning kullanılarak eğitilir.
Yönlendirme güncelleştirmeleri Bing Haritalar Kamyon Yönlendirme API'si tarafından sağlanır.
Uygulamalar, modelden ilgili verileri almak için Digital Twins'i doğrudan sorgulayabilir.
Bileşenler
Azure IoT Central , IoT tarafından yönetilen platform olarak kullanılır. Müşterilerin iş gereksinimlerine odaklanması için hizmetin bir parçası olarak güvenlik, ölçeklenebilirlik ve kullanılabilirlik sağlar. Kullanıcılar Power Apps ve Power BI gibi iş bileşenleriyle tümleştirebilir ve IoT Central'daki veri dışarı aktarma özelliği aracılığıyla bildirimler oluşturabilir.
Azure depolama , cihaz bilgilerini bulutta güvenli ve ölçeklenebilir bir şekilde depolamak için kullanılır ve bu da uygun maliyetlidir. Depolanan veriler, ML modellerinin eğitimi için kullanılır.
Azure Cosmos DB , uygulama anahtarı performans göstergelerini (KPI) ve model çıkışlarını depolamak için kullanılır. Azure Cosmos DB, modern uygulama geliştirme için tam olarak yönetilen bir NoSQL veritabanı hizmetidir. Yüksek hızlı işlemler sağlar ve hizmeti küresel dağıtım için kolayca etkinleştirebilir.
Azure Databricks , Microsoft Azure bulut hizmetleri platformu için iyileştirilmiş bir veri analizi platformudur. Makine öğrenmesi işlem hattı tarafından düzgün bir şekilde kullanılabilmesi için verileri dönüştürmek, işlemek ve normalleştirmek için kullanılır.
Azure Machine Learning , vahşi yangın tahmin modelleri oluşturmak için kullanılır. Modeller, bir yangın riskini değerlendirmek için gereken zekayı sağlar. Modeli doğruluk açısından eğitmek için birden çok veri kaynağından giriş yapılması gerekir. Bu kaynaklar uydu görüntüleri, geçmiş veriler, yerel toprak koşulları ve hava durumu verilerini içerebilir. Modeldeki önceden belirtilen yangın alanına bağlı olarak Tedarik Zinciri ve Lojistik Çözümü kamyonları yeniden yönlendirebilir.
Daha ayrıntılı tartışmalar için, kullanılabilir çeşitli uygulama seçeneklerini anlamak ve keşfetmek için Azure IoT başvuru mimarisine bakın.
Senaryo ayrıntıları
Çevre izleme, küresel tedarik zincirinde önemli bir faaliyet haline gelmiştir. Tedarikçileri ve lojiskeni etkileyebilecek gerçek zamanlı kararlar alınmasına yardımcı olan önemli sinyaller sağlar. Hava kalitesi, sıcaklık, rüzgar, nem ve karbondioksit (CO2), depo operatörlerinin doğal afetler sırasında izlemekle ilgilendiği göstergelerden bazılarıdır. Daha gelişmiş senaryolar arasında hava istasyonları, hava kalitesi algılayıcıları ve diğer kaynaklardan gerçek zamanlı ve geçmişe dönük verilerin birleşmesi yer alabilir. Makine öğrenmesi (ML) modelleri daha sonra bu koşulların etkisini ve tedarik zinciri işlemleri üzerindeki olası etkilerini tahmin etmeye yardımcı olmak için kullanılabilir.
Olası kullanım örnekleri
Bu çözüm çevre, üretim, ulaşım ve tarım sektörleri için idealdir.
- Filo yönetimi: Bu çözüm, çevre alanların gelişen koşullarına göre yolların güvenlik için optimize edilmesi gereken yerlerde kullanılabilir.
- Tarım: çalışanların ve hayvancılığın güvenliğini etkileyecek orman yangınlarını tahmin etmek kritik önem taşır. Tehlike bildirimleri için geniş bir sağlama süresi sağlayarak, etkilenen bölgedeki insanlar güvenli bir şekilde tahliye edebilir. Çiftlikler ayrıca hayvancılık alanlarını, kötü durumlarda kilidi açabilen ve açabilen otomatik kapılarla donatarak hayvanların kaçmasına izin verebilir.
Karşılaşılan zorluklar
Son yıllarda orman yangınlarında önemli bir artış yaşanarak insanlar ve küresel tedarik zinciri için giderek artan bir tehlike ortaya çıkar. Yıl boyunca yakılan dönüm sayısı arttığı için, tedarik zincirinin iklim değişikliğine dayanıklılığı birçok lider için akıllarda birinci sırada yer alır.
Birleşik Devletler, orman yangınlarından etkilenen alanın yıllık ortalaması yaklaşık 7.000.000 dönümdür. Bu alan 1990'larda ortalamanın iki katıdır. Bu durum diğer ülkelerde/bölgelerde daha da endişe vericidir. Örneğin, Avustralya'da 50 yıl öncesine kıyasla fazladan bir yaz ayı vardır ve uzun süreli kuraklık yangın koşullarını daha da kötülemiştir. Büyük çalı yangınları, Birleşik Devletler göre yaklaşık 10 kat daha fazla ekonomik hasara neden oldu. Avustralya orman yangınları sığır eti, süt, şarap ve buğday gibi ürünler dahil olmak üzere küresel gıda tedarikini etkileyebilir.
Dünya çapında işletmelere yönelik riskler her yıl artmaya devam ediyor ve doğal afetler sırasında tedarik zinciri dayanıklılığı, mal akışının küresel olarak sürdürülmesi açısından kritik öneme sahip. Hava durumu tabanlı tahminleri ve tahminleri tedarik zinciri kapasite planlamasıyla tümleştirmek, operatörlerin üretimi ayarlamasına ve sevkiyat zamanlamalarını yönetmesine yardımcı olabilir. Bu sistem kesintileri ve olumsuz etkileri en aza indirgeyebilir.
İşletme açısından sonuçlar
Ambar operatörleri ve büyük dağıtım merkezleri, mevcut lojistik altyapısının büyük bir yangın yolunda olup olmadığını belirlemek için tahmine dayalı bir yöntemden yararlanacaktır. Erken bildirim sistemine sahip olmak, tesisleri ve personeli korumak için önleyici tedbirler almak için daha fazla sağlama süresi sağlayacaktır. Lojistik faaliyetlerindeki değişikliklerin ve duraklamaların otomatik olarak fark edilmesi, gönderilerin en az insan müdahalesiyle yeniden yönlendirebilmesini de sağlar.
Gereksinimler
- Otomasyon kritik öneme sahiptir. Operatörlerin ve tesis yöneticilerinin zamanında kararlar almak için birden çok sistemde veri topladığı varsayılamaz.
- Depolar, dağıtım tesisleri ve operasyon yöneticileri, acil bir tehlike olduğunda birden çok yolla bilgilendirilmeli ve bilgilerin zamanında alındığından emin olmalıdır. Örnek olarak veri panosu, e-posta ve kısa mesaj verilebilir.
- Yalnızca verilerdeki değişikliklerin bildirilmesi gerekir.
- Çözümün teslimi ve dağıtımı basit olmalıdır. Tak çalıştır teknolojisi kullanılarak teknisyene gerek kalmadan kurulmalıdır.
- Çözümün düşük bakım ve uygun maliyetli olması gerekir.
Zorlukları ele almak için desenler
Aşağıdaki tabloda yaygın kullanım örneklerinin ve buna karşılık gelen IoT çözümlerinin bir özeti yer almaktadır. Her kullanım örneği, bir IoT işlem deseninin gerçek dünya senaryolarına nasıl uygulanabileceğini gösteren bir örnektir.
| Kullanım örneği | Çözümler |
|---|---|
| Etkilenen konuma yakın bir yerdeki yangınlardan kaynaklanan kesinti olasılığını tahmin ederek tedarik zinciri lojistik yönlendirmesini ve üretim planlamasını etkinleştirin. | İdeal olarak, daha kapsamlı bir yanıt verebilmek için tedarik zincirinin tüm önemli öğelerini izleyebilmek istiyorsunuz. myDevices, Bir LoRa ağ geçidine bağlanan sertifikalı tak çalıştır cihazları kataloğuna sahiptir. Ağ geçidi, hücresel bağlantıyı kullanarak bulut uygulamasına veri gönderir. LoRa teknolojisi ideal çünkü sinyalin binaların derinliklerine nüfuz etmesi gerekiyor. CO2, sıcaklık, nem, rüzgar yönü ve hava kalitesi için sensörler çatılar ve depolama tesisleri de dahil olmak üzere ilgili bina konumlarına monte edilebilir. Algılayıcılar, yeniden yönlendirmeyi kolaylaştırmak için konum izleme için kamyonlara da monte edilebilir. |
| Yangın koşullarını belirleyin ve belirli bir konum için tehlike derecesini anlayın. | Geçmiş veriler, mikro hava koşulları ve yerel algılayıcı verileriyle eğitilen yangın tahmin modelleri, orman yangını riskini değerlendirmeye yardımcı olabilir. |
| Tahliye ve tesis yeniden yönlendirme için otomatik uyarılar | Güvenli olmayan koşullar algılandığında tesisin dijital ikizi artık çevrimiçi olmadığını gösterecek şekilde güncelleştirilebilir. Güncelleştirildikten sonra, ağ içindeki diğer dağıtım merkezleri trafiği buna göre yeniden yönlendirmeye başlayabilir ve bu sayede tesis yöneticileri ve depo operatörleri çalışan güvenliğine odaklanabilir. Bu senaryo, daha doğru tahminler için genel gerçek zamanlı ve geçmiş veri kümelerini ve mikro hava durumu verilerini kullanarak, vahşi ateşin nereye yayılacağını tahmin etmek için ML kullanır. Algılayıcılar mevcut yangın koşullarını izler ve tesis alarmları çalışanların tahliyesini tetikler. |
Dikkat edilmesi gereken noktalar
Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanılabilecek bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.
Bağlantı
Çözümün şirket içi cihaz ve algılayıcılarının buluttaki uygulamalara veri göndermesi gerekir, ancak kırsal bölgeler gibi bazı konumlarda güvenilir İnternet erişimi kullanılamayabilir.
Bu çözüm, hücresel bağlantı sağlamak için bir LoRa ağı kullanır. LoRa iyi bina penetrasyona sahiptir, bu da depoyla ilgili uygulamalar için ideal hale getirir. Bu yaklaşım uygun maliyetlidir ve bağlanması kolay IoT cihazları ve algılayıcıları gerektiren uzak konumlar için esneklik sağlar.
Tak çalıştır
Uzak bir ayarda, özel uzmanlık gerektirmeden cihazların kolayca dağıtılması kritik önem taşır. myDevices, birden çok senaryoya uygulanabilen kapsamlı bir IoT cihazları ve ağ geçitleri kataloğuna sahiptir. Bunlar Tak ve Kullan sertifikalı olduğundan, kullanıcının tek yapması gereken doğru konuma yerleştirmek ve açmaktır. IoT Central tümleştirmesi sayesinde müşteriler, cihaz verilerini kullanmak ve uyarılar oluşturmak için panolarını kolayca özelleştirebilir.
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazar:
- Ansley Yeo | Teknoloji Lideri
Sonraki adımlar
- Taşıma ve lojistikte IoT: Birinci sınıf IoT ve konum zekası hizmetleriyle değer zincirinize daha fazla verimlilik ve güvenilirlik getirmek için Azure nasıl kullanılabilir?
- IoT Central bağlı lojistik uygulama şablonunun mimarisi: Uçtan uca bağlı lojistik çözümleri geliştirmeye yönelik bir uygulama şablonu ve rehberlik.
- Bing Haritalar Kamyon Yönlendirme API'si: Güvenli ve verimli rotaları hesaplayan ve herhangi bir rota sınırlaması ile ilgili olarak aracın özniteliklerini dikkate alan ticari bir yönlendirme aracıdır.
- Azure Digital Twins - Tedarik Zinciri tanıtımı , bir tedarik zinciri senaryosu modellemek için Digital Twins kullanır.
- myDevices , bağlantıların zor olduğu ve geniş ağ kapsamının gerekli olduğu konumlarda çözümlerin hızla dağıtılabilmesini sağlayan LoRa bağlantısı ve cihazları sağlar.
- C.H. Robinson Navisphere , tedarik zincirine gerçek zamanlı görünürlük sağlamak ve daha öngörülebilir ve proaktif karar alma için Microsoft Azure ve Azure IoT ile birlikte çalışır.
- EPA AirNow API'si, ABD Çevre Koruma Ajansı (EPA) ve diğer federal, kabile, eyalet ve yerel kurumlar tarafından sürdürülen airNow hizmetinden gerçek zamanlı hava kalitesi ve yangın verilerine erişim sağlar.
İlgili kaynaklar
- Azure IoT başvuru mimarisi
- IoT kullanarak gerçek zamanlı araç verilerini işleme: Rota iyileştirme de dahil olmak üzere analiz için gerçek zamanlı araç verilerini almak için bir referans mimarisi.
- IoT izleme ve yönetme döngüleri , bir dizi ağa bağlı IoT cihazı tarafından denetlenen bir fiziksel sistemi sürekli izleyen bir denetim sistemini açıklayan bir tasarım desenidir.
- IoT çözümleme ve iyileştirme döngüleri , telemetri kaynağı oluşturarak, bunları iyileştirerek ve içgörü oluşturmak için kurumsal veri kaynaklarıyla birleştirerek iş iyileştirme içgörülerinin yazılım tarafından denetlenen fiziksel sistemlere oluşturulmasını ve uygulanmasını sağlayan bir tasarım desenidir.
- Azure Cosmos DB kullanan IoT, cihaz telemetri verilerini yüksek hızlarda almak için Azure Cosmos DB'yi kullanmaya yönelik örnek bir mimariyi açıklar ve düşük gecikme süresi ve yüksek kullanılabilirlik ile dizinlenmiş sorgulara geri hizmet verebilir.