Přeskočit navigaci

Architektura řešení: Prevence chyb pomocí prediktivní údržby

Zjistěte, jak pomocí služby Azure Machine Learning a s využitím dat z montážní linky v reálném čase předpovídat selhání dřív, než k nim dojde.

Toto řešení je vybudováno na službách spravovaných pomocí Azure: Stream Analytics, Event Hubs, Machine Learning Studio, SQL Data Warehouse a Power BI. Tyto služby se spouští v prostředí s vysokou dostupností, opravují se a je pro ně dostupná podpora. Díky tomu se můžete zaměřit na své řešení, a ne na prostředí, ve kterém se spouští.

Prevención de defectos con mantenimiento predictivoVea cómo utilizar Azure Machine Learning para predecir errores antes de que ocurran con datos de ensamblado en tiempo real.Azure SQL DWMachine Learning(Real time predictions)Power BIALS test measurements (Telemetry)Event HubStream Analytics(Real time analytics)Dashboard of predictions/alertsRealtime data stats, Anomaliesand aggregatesRealtime event and predictions

Pokyny k implementaci

Produkty/popis Dokumentace

Stream Analytics

Stream Analytics poskytuje téměř v reálném čase analýzy vstupního datového proudu z centra událostí Azure. Vstupní data se filtrují a předávají do koncového bodu Machine Learning, který nakonec odešle výsledky na řídicí panel Power BI.

Event Hubs

Event Hubs ingestuje nezpracovaná data montážní linky a předává je do Stream Analytics.

Machine Learning Studio

Machine Learning předpovídá potenciální chyby na základě dat montážní linky shromažďovaných v reálném čase ze Stream Analytics.

SQL Data Warehouse

SQL Data Warehouse uchovává data montážní linky společně s předpověďmi chyb.

Power BI

Power BI vizualizuje data montážní linky shromažďovaná v reálném čase ze Stream Analytics a předpokládané chyby a upozornění ze služby Data Warehouse.

Související architektury řešení