解决方案构想
本文介绍了一种解决方案构想。 云架构师可以通过本指南来帮助可视化此体系结构的典型实现的主要组件。 以本文为起点，设计一个符合工作负荷特定要求的架构合理的解决方案。
本文介绍一种仓储管理方案，该方案通过集成传感器数据和公共数据集来监视环境条件，并使用 ML 进行处理以生成预测结果。 然后将这些见解用于确保人员安全和优化供应链运营。
体系结构
下载此体系结构的 Visio 文件。
数据流
连接仓储设施中的传感器并将数据发送到 LoRa (Long Range) 网关。
LoRa 网关使用手机网络连接将数据推送到云。
myDevices 是基于软件即服务 (SaaS) 的即插即用解决方案。 它使用自动预配的并与相应客户关联的设备和网关。
设备数据将发送到 Azure IoT Central。 客户使用该解决方案来控制和监视设备。
使用 Azure 数字孪生为供应链和仓储设施建模。 这是一个实时执行环境，应用程序可在其中引入数据，以洞察供应链的状态。 数字孪生原生与 Azure 事件中心集成，其他应用程序与事件中心交互以从孪生中检索数据。
ML 模型所需的时态和空间数据是从外部数据源获取的。
关键数据存储在 Azure 数据解决方案中。 Blob 存储用于 ML 训练数据。 Azure Cosmos DB 用于评分数据和关键性能指标。
遥测数据通过事件中心从 IoT Central 引入，以确保将数据的引入和使用相解耦。 Azure Functions 用于组合外部数据源和遥测数据，然后分析此数据集以找出任何异常。 数据通过数字孪生呈现。
Azure Databricks 执行所需的数据转换以便能够训练 ML 模型。
野火预测模型是使用 Azure 机器学习训练的，其中利用了历史数据、实时数据和微观天气数据。
路线更新由必应地图货车路线规划 API 提供。
应用程序可以直接查询数字孪生，以从模型中获取相关数据。
组件
Azure IoT Central 用作 IoT 托管平台。 它作为服务的一部分提供安全性、可伸缩性和可用性，使客户能够将工作重点放在业务要求上。 用户可与 Power Apps 和 Power BI 等业务组件集成，并通过 IoT Central 中的数据导出功能创建通知。
Azure 存储用于以安全、可缩放且经济高效的方式将设备信息存储在云中。 存储的数据用于训练 ML 模型。
Azure Cosmos DB 用于存储应用程序关键性能指标 (KPI) 和模型输出。 Azure Cosmos DB 是一个完全托管的 NoSQL 数据库服务，用于新式应用程序开发。 它提供高速事务，并可轻松实现服务的全球分发。
Azure Databricks 是一个已针对 Microsoft Azure 云服务平台进行优化的数据分析平台。 它用于转换、操作和规范化数据，使机器学习管道能够正确使用这些数据。
Azure 机器学习用于创建野火预测模型。 这些模型提供评估野火风险所需的情报。 需要使用来自多个数据源的输入来训练该模型，使其准确做出预测。 这些源可以包括卫星航拍图像、历史数据、当地土壤条件和天气数据。 根据模型中预测的野火区域，供应链和物流解决方案可以重新规划货车路线。
如需更详细的讨论，请查看 Azure IoT 参考体系结构，了解和探索可用的各种实现选项。
方案详细信息
环境监视已成为全球供应链中的重要活动。 它提供的关键信号有助于推动影响供应商和物流的实时决策。 空气质量、温度、风速、湿度和二氧化碳 (CO2) 是仓储运营商在自然灾害期间想要监视的一些指标。 更高级的方案可以包括来自气象站、空气质量传感器和其他来源的实时和历史数据的融合。 然后可以使用机器学习 (ML) 模型来帮助预测这些条件的影响及其对供应链运营的可能影响。
可能的用例
此解决方案非常适合环保、制造、运输和农业行业。
- 车队管理：如果需要根据周边区域不断变化的状况优化路线以确保安全，则可以使用此解决方案。
- 农业：预测影响工作人员和牲畜安全的野火至关重要。 提供充足的前置时间发出危险通知，能让受影响区域中的人们疏散到安全地带。 农场还可为牲畜饲养区配备自动门，在危急情况下可将其解锁并打开，让动物逃脱。
面临的难题
近年来，野火灾害次数明显增加，它们对人类和全球供应链造成的危害越来越严重。 随着烧毁的土地数量逐年增加，供应链对气候变化的适应力是许多领导者最关心的问题。
在美国，每年受野火影响的平均面积大约为 7,000,000 英亩。 这一面积是 1990 年代平均值的两倍多。 其他国家/地区的情况更令人担忧。 例如，在澳大利亚，夏季时长比 50 年前多出了一个月，长期的干旱进一步恶化了火灾风险。 那里发生的大范围灌木火灾造成的经济损失几乎高出美国的 10 倍。 澳大利亚的野火会影响全球食品供应，包括牛肉、牛奶、葡萄酒和小麦等商品。
全球企业面临的风险逐年增加，自然灾害期间的供应链适应力对于维持全球货物流动性至关重要。 将基于天气的预报和预测集成到供应链产能规划中可以帮助运营商调整生产和管理交货日程安排。 此系统可以最大程度地减少中断和不利影响。
业务结果
仓储运营商和主要配送中心将利用一种预测方式来确定现有物流基础设施是否覆盖在重大火灾的危害路径中。 拥有一个预先通知系统可以获得更多的前置时间，以采取预防措施来保护设施和人员。 自动通告物流活动的变化和停留还能以最少量的人工干预来重新规划货运路线。
要求
- 自动化至关重要。 不能假设运营商和设施经理可以跨多个系统收集数据以做出及时的决策。
- 发生即刻性的危险时，需要通过多种方式通知仓库、配送设施和运营经理，确保及时收到信息。 示例包括数据仪表板、电子邮件和短信。
- 只需要报告数据变化。
- 解决方案的交付和部署必须简单。 应该可以在无需技术人员的参与下使用即插即用技术来安装解决方案。
- 解决方案需要具备低维护且经济高效的特点。
解决难题的模式
下表汇总了常见用例和相应的 IoT 解决方案。 每个用例都演示了如何将 IoT 过程模式应用于实际方案。
| 使用案例 | 解决方案 |
|---|---|
| 通过预测受影响地点附近的野火造成中断的可能性，使供应链能够重新规划物流路线和规划生产。 | 理想情况下，你希望能够监视供应链的所有关键要素，以提供更全面的应对措施。 myDevices 有一个已认证的即插即用设备目录，这些设备连接到 LoRa 网关。 该网关使用手机网络连接将数据发送到云应用程序。 LoRa 技术非常理想，因为信号需要穿透建筑物。 可将 CO2、温度、湿度、风向和空气质量传感器安装在相关的建筑位置（包括屋顶和存储设施中）。 还可以将传感器安装在货车中进行定位跟踪，以方便重新规划路线。 |
| 识别野火状况并了解给定地点的危险程度。 | 使用历史数据、微观天气状况和本地传感器数据训练的野火预测模型可以帮助评估野火风险。 |
| 为疏散和设施改道自动发出警报 | 一旦检测到不安全的状况，就可以更新设施的数字孪生以显示设施不再联机。 更新后，网络中的其他配送中心可以开始相应地重新路由流量，使现场设施经理和仓储运营商能够专注于员工的安全。 此方案使用 ML 来预测野火将蔓延到何处，并使用公共实时数据集和历史数据集以及微观天气数据做出更准确的预测。 传感器跟踪当前野火状况，设施警报会触发员工疏散流程。 |
注意事项
这些注意事项实施 Azure 架构良好的框架的支柱原则，即一套可用于改善工作负荷质量的指导原则。 有关详细信息，请参阅 Microsoft Azure 架构良好的框架。
连接
该解决方案的现场设备和传感器需要将数据发送到云中的应用程序，但在某些位置（例如农村地区）可能无法提供可靠的 Internet 访问。
该解决方案使用 LoRa 网络提供手机网络连接。 LoRa 具有良好的建筑物穿透力，因此是仓库相关应用程序的理想选择。 此方法经济高效，为需要易于连接的 IoT 设备和传感器的远程位置提供灵活性。
即插即用
在远程设置中，无需具备专业知识即可轻松部署设备至关重要。 myDevices 提供可应用于多种方案的丰富 IoT 设备和网关目录。 这些设备已通过即插即用认证，因此用户只需将它们安装在适当的位置，然后将其打开即可。 通过它们的 IoT Central 集成，客户可以轻松自定义仪表板以使用设备数据并创建警报。
作者
本文由 Microsoft 维护， 它最初是由以下贡献者撰写的。
首席作者：
- Ansley Yeo | 技术领导
后续步骤
- 运输和物流中的 IoT：如何使用 Azure 通过一流的 IoT 和位置情报服务为价值链带来更高的效率和可靠性。
- IoT Central 联网物流应用程序模板的体系结构：用于开发端到端联网物流解决方案的应用模板和指导。
- 必应地图货车路线规划 API：一个商用路线规划工具，可以计算安全有效的路线，并考虑与任何路线限制相关的车辆属性。
- Azure 数字孪生 - 供应链演示使用数字孪生来为供应链方案建模。
- myDevices 提供 LoRa 连接和设备，使解决方案能够快速部署在难以建立连接，但需要宽广网络覆盖范围的位置。
- C.H. Robinson Navisphere 使用 Microsoft Azure 和 Azure IoT 来提供供应链的实时洞察数据，以及提高可预测性和做出主动决策。
- EPA AirNow API 提供对来自 AirNow 的实时空气质量和野火数据的访问。AirNow 是美国环境保护署 (EPA) 和其他联邦、部落、州和当地机构维护的一个服务。
相关资源
- Azure IoT 参考体系结构
- 使用 IoT 处理实时车辆数据：用于引入实时车辆数据进行分析（包括路线优化）的参考体系结构。
- IoT 监视和管理循环是一种设计模式，描述持续监视由一组联网 IoT 设备控制的物理系统的监督系统。
- IoT 分析和优化循环是一种设计模式，它通过为遥测数据溯源、对其进行细化并将其与企业数据源合并以生成见解，来生成业务优化见解并将其应用于由软件控制的物理系统。
- 使用 Azure Cosmos DB 的 IoT 介绍了一个示例体系结构，该体系结构使用 Azure Cosmos DB 以较高速率引入设备遥测数据，并以较低延迟和较高可用性返回编制了索引的查询。