Lösungsarchitektur: Fehlervermeidung mit vorausschauender Wartung

Ohne ein Fertigungssteuerungssystem, das Verzögerungen oder potenzielle Fehler zum Verbessern des gesamten Prozesses identifizieren kann, können Produktionsunternehmen Geld und Produktivität beim Ausschuss und der Nachbearbeitung verlieren. Dazu können groß ausgeführte Produktrückrufe das Vertrauen des Kunden erschüttern und sich so negativ auf Ihren Profit auswirken.

Diese Lösung bietet einen Prozess zur Qualitätskontrolle, der dabei hilft, Fehler in Produktionspipelines (Montagelinien) vorherzusagen, damit Ihre Firma mehr mit weniger Ausschuss produzieren kann und dadurch Geld spart. In diesem Verfahren werden Testsysteme, die sich bereits vor Ort befinden, sowie Fehlerdaten verwendet. Der Fokus liegt insbesondere auf Rückgaben und Funktionsfehlern am Ende der Montagelinie. Indem diese mit Domänenkenntnissen und der Fehlerursachenanalyse innerhalb eines modularen Aufbaus, der Hauptverarbeitungsschritte enthält, kombiniert werden, wird eine Advanced Analytics-Lösung bereitgestellt, die Machine Learning nutzt, um Fehler vorherzusagen, bevor diese entstehen.

Das frühe Erfassen von zukünftigen Fehlern lässt günstigere Reparaturen oder sogar Entsorgungen zu, die normalerweise kosteneffizienter sind als Rückruf- und Garantiekosten.

In Azure bereitstellen

Verwenden Sie die folgende vorgefertigte Vorlage, um diese Architektur in Azure bereitzustellen

In Azure bereitstellen

Bereitgestellte Lösung anzeigen

Azure SQL DW Machine Learning (Real time predictions) Power BI ALS test measurements (Telemetry) Event Hub Stream Analytics (Real time analytics) Dashboard of predictions/alerts Realtime data stats, Anomaliesand aggregates Realtime event and predictions

Implementierungsleitfaden

Produkte/Beschreibung Dokumentation

Stream Analytics

Stream Analytics stellt Analysen beinahe zur Echtzeit auf dem Eingabestring vom Azure-Event Hub bereit. Eingabedaten werden gefiltert und an einen Machine Learning-Endpunkt übermittelt wobei schlussendlich die Ergebnisse an das Power BI-Dashboard gesendet werden.

Event Hubs

Event Hubs erfasst Daten der Montagelinien und übergibt diese an Stream Analytics.

Machine Learning Studio

Machine Learning sagt potenzielle Fehler auf Grundlage von Echtzeitdaten der Montagelinien von Stream Analytics vorher.

SQL Data Warehouse

SQL Data Warehouse speichert Daten der Montagelinie zusammen mit Fehlervorhersagen.

Power BI

Power BI visualisiert Echtzeitdaten von Montagelinien von Stream Analytics und sagt Fehler und Warnungen von Data Warehouse vorher.

Zugehörige Lösungsarchitekturen