Editar

Control de calidad

Azure Event Hubs
Azure Machine Learning
Azure Stream Analytics
Power BI

Los sistemas de control de calidad permiten que las empresas eviten defectos en sus procesos de entrega de bienes o servicios a los clientes. La creación de un sistema de este tipo que recopile datos e identifique posibles problemas en una canalización puede suponer grandes ventajas. Por ejemplo, en la fabricación digital, el control de calidad en la línea de ensamblado es imperativo. La identificación de las ralentizaciones y los posibles errores antes de que se produzcan, en lugar de una vez detectados, puede ayudar a las empresas a reducir los costos de rechazo y reproceso, a la vez que mejora la productividad.

Architecture

Architecture diagram shows data into Azure Event Hubs, then to Data Lake, then processes with Stream Analytics, finally to Power BI visualization.

Descargue un archivo Visio de esta arquitectura.

Flujo de datos

  1. El generador de eventos del sistema de origen transmite datos a Azure Event Hubs.
  2. Event Hubs usa Capture para enviar eventos sin procesar a Data Lake.
  3. Un trabajo de Stream Analytics lee los datos en tiempo real desde Event Hubs.
  4. Un trabajo de Stream Analytics llama al modelo de ML en Azure Machine Learning para predecir errores o defectos.
  5. Un trabajo de Stream Analytics envía agregaciones de flujo al panel de Power BI en tiempo real para las operaciones.
  6. Un trabajo de Stream Analytics envía los datos procesados en tiempo real al grupo de SQL de Azure Synapse.
  7. Una instancia de Logic Apps envía alertas de los datos de streaming a un teléfono móvil.
  8. Power BI se usa para la visualización de los resultados.

Componentes

  • Event Hubs ingiere eventos de línea de montaje y los pasa a Stream Analytics y a un servicio web de Azure Machine Learning.
  • Azure Stream Analytics: Stream Analytics acepta el flujo de entrada de Event Hubs, llama a un servicio web de Azure Machine Learning para realizar predicciones, y envía el flujo a Azure Synapse, Power BI y Logic Apps para las alertas.
  • Azure Machine Learning: Machine Learning le ayuda a diseñar, probar, poner en marcha y administrar soluciones de análisis predictivo en la nube, y a implementar servicios web a los que se puede llamar mediante Stream Analytics.
  • Cuentas de almacenamiento: Azure Storage almacena los datos de flujo de eventos sin procesar de Event Hubs y sirve para la persistencia de datos a largo plazo.
  • Logic Apps: envía las alertas generadas a partir de los datos de streaming al dispositivo operador.
  • Synapse Analytics: almacena datos relacionales para el procesamiento analítico ad hoc y planificado y para las consultas analíticas de los usuarios.
  • Power BI: visualiza paneles operativos en tiempo real y también servidores para informes analíticos.

Alternativas

  • En función del escenario, la arquitectura básica se puede simplificar si se quita la capa de procesamiento por lotes: quitando el almacenamiento para eventos sin procesar y Azure Synapse para datos relacionales.
  • Azure SQL Database es una base de datos relacional como servicio administrada. En función de los volúmenes de datos y los patrones de acceso, puede que elija Azure SQL Database.
  • Azure Functions proporciona un enfoque efectivo sin servidor si la arquitectura de las cargas de trabajo está centrada en torno a componentes distribuidos muy específicos, que requieren dependencias mínimas, donde solo se necesita que los componentes individuales se ejecuten a petición (no de forma continua) y en los que la orquestación de componentes no es necesaria.
  • IoT Hub actúa como un centro de mensajes para proteger la comunicación bidireccional con la identidad por dispositivo entre la plataforma de nube y el material de construcción y otros elementos del sitio. IoT Hub puede recopilar rápidamente los datos de cada dispositivo para la ingesta en la canalización de análisis de datos.

Detalles del escenario

Posibles casos de uso

Esta solución muestra cómo predecir errores mediante el ejemplo de fabricación de canalizaciones (líneas de montaje). Para ello, se utilizan sistemas de prueba que ya están implantados y datos de los errores, y se buscan específicamente devoluciones y errores funcionales al final de la línea de montaje. Al combinarlas con el conocimiento del dominio y el análisis de las causas principales en un diseño modular que encapsula los principales pasos del procesamiento, se proporciona una solución genérica de análisis avanzado que usa el aprendizaje automático para predecir los errores antes de que ocurran. La predicción temprana de errores futuros reduce el costo de las reparaciones o incluso las evita, lo que suele ser más económico que tener que realizar la recuperación y el costo de la garantía.

Consideraciones

Estas consideraciones implementan los pilares del marco de buena arquitectura de Azure, que es un conjunto de principios guía que se pueden usar para mejorar la calidad de una carga de trabajo. Para más información, consulte Marco de buena arquitectura de Microsoft Azure.

Escalabilidad

La mayoría de los componentes que se usan en este escenario de ejemplo son servicios administrados que se escalan en función de las necesidades del escenario actual.

Para obtener instrucciones generales sobre cómo diseñar soluciones escalables, consulte la lista de comprobación de eficiencia del rendimiento en el Centro de arquitectura de Azure.

Seguridad

La seguridad proporciona garantías contra ataques deliberados y el abuso de datos y sistemas valiosos. Para más información, consulte Introducción al pilar de seguridad.

Las identidades administradas para recursos de Azure se usan para proporcionar a otros recursos internos acceso a su cuenta. Permita el acceso solo a los recursos necesarios en esas identidades para evitar exponer nada que no sea necesario a las funciones (y, potencialmente, a sus clientes).

Para instrucciones generales de diseño de soluciones seguras, consulte Documentación de Azure Security Center.

Resistencia

En este escenario, todos los componentes son administrados, por lo que, en un nivel regional, son resistentes de forma automática.

Para una orientación general sobre el diseño de soluciones resistentes, véase Principios de diseño de la fiabilidad.

Pasos siguientes