企业可以通过质量保证系统防止在其向客户交付货物或服务的过程中出现缺陷。 构建这样的系统来收集数据并识别管道中的潜在问题可以为客户带来巨大的优势。 例如，在数字制造中，针对装配线的质量保证是强制性的。 如果在故障发生之前（而不是检测到故障之后）就能确定速度下降和潜在的故障情况，则可以帮助公司降低废料和返工成本，同时提高工作效率。
体系结构
下载此体系结构的 Visio 文件。
数据流
- 源系统事件生成器将数据流式传输到 Azure 事件中心。
- 事件中心使用捕获将原始事件发送到 Data Lake。
- 流分析作业从事件中心读取实时数据。
- 流分析作业调用 Azure 机器学习中的 ML 模型来预测故障/缺陷。
- 流分析作业将流聚合发送到 Power BI 实时仪表板以进行操作。
- 流分析作业将处理的实时数据推送到 Azure Synapse SQL 池中。
- 逻辑应用将流数据中的警报发送到手机。
- Power BI 用于结果可视化。
组件
- 事件中心引入装配线事件并将其传递给流分析和 Azure ML Web 服务。
- Azure 流分析：流分析接受来自事件中心的输入流，调用 Azure ML Web 服务进行预测，并将流发送到 Azure Synapse、Power BI 和逻辑应用以获取警报。
- Azure 机器学习：机器学习可帮助你在云中设计、测试、操作和管理预测分析解决方案，并部署可由流分析调用的 Web 服务。
- 存储帐户：Azure 存储可存储事件中心的原始事件流数据，并可长期保留数据。
- 逻辑应用：将从流数据生成的警报发送到操作员设备。
- Synapse Analytics：存储临时和计划的分析处理以及用户分析查询的关系数据。
- Power BI：对实时操作仪表板以及分析报表的服务器进行可视化处理。
备选方法
- 根据不同场景，可以通过删除批处理层来简化基本体系结构，即删除原始事件的存储和关系数据的 Azure Synapse
- Azure SQL 数据库是托管的关系数据库即服务。 根据数据量和访问模式，可以选择 Azure SQL 数据库。
- 如果工作负荷体系结构侧重于精细的分布式组件，几乎不需要依赖项，只在需要的情况下运行单个组件（不需要持续运行），且不需要对组件的运行进行协调，则 Azure Functions 可提供有效的无服务器方法。
- IoT 中心充当一个中心消息枢纽，可以使用每个设备的标识在云平台与建筑设备和其他场地要素之间实现安全的双向通信。 IoT 中心可以快速收集每个设备的数据，以便引入到数据分析管道。
方案详细信息
可能的用例
此解决方案通过制造管道（装配线）的示例展示了如何预测故障。 预测是通过利用已设置好的测试系统和故障数据完成，特别是通过检查装配线末端的返回故障和功能故障。 通过在封装主要处理步骤的模块化设计中将以上功能与域知识和根本原因分析相结合，我们提供了一个通用的高级分析解决方案，该解决方案使用机器学习在故障发生之前对其进行预测。 提前预测可能发生的故障，可以降低维修甚至弃用的成本，这通常比召回和保修所带来的成本更具效益。
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。
可伸缩性
此示例方案中使用的大多数组件都是托管服务，可根据当前场景的需求进行缩放。
有关如何设计可缩放解决方案的一般性指导，请参阅 Azure 体系结构中心内的性能效率清单。
安全性
安全性针对蓄意攻击及滥用宝贵数据和系统提供保障措施。 有关详细信息，请参阅安全性支柱概述。
适用于 Azure 资源的托管标识用于提供对帐户内部其他资源的访问。 只允许通过这些标识访问必要的资源，这样可确保不将额外的内容公开给函数（可能还包括客户）。
有关设计安全解决方案的一般性指导，请参阅 Azure 安全性文档。
复原
本方案中的所有组件都是托管的，因此均可在区域级别自动复原。
有关设计可复原解决方案的一般指导，请参阅可靠性设计原则。
后续步骤
- 在 Azure 中构建无服务器 Web 应用
- 了解如何在 Azure 上创建预测模型
- 了解如何使用 Azure 流分析实现数据流解决方案
- Azure 事件中心文档
- Azure 流分析文档
- Azure 机器学习文档
- Azure 存储文档
- Azure 逻辑应用文档
- Azure Synapse Analytics 文档
- 在 Power BI 中创建报表和仪表板 - 文档