Architecture de solution : Prévention des défaillances avec la maintenance prédictive

À défaut d’un système de contrôle de la fabrication capable d’identifier des ralentissements ou des pannes potentielles afin d’améliorer le processus global, les entreprises de fabrication peuvent perdre de l’argent et de la productivité en raison des rebuts et du réusinage. De plus, des rappels à grande échelle peuvent ébranler la confiance des consommateurs, ce qui affecte davantage votre résultat.

Cette solution introduit un processus de contrôle de la qualité qui aide à prévoir les pannes dans les pipelines de fabrication (lignes de montage), de façon à ce que l’entreprise puisse produire davantage en gaspillant moins et en économisant de l’argent. Elle utilise des systèmes de test déjà en place, ainsi que des données d’échec, en examinant en particulier les retours et les dysfonctionnements en bout de ligne de montage. En combinant ces données avec la connaissance du domaine et l’analyse des causes racines au sein d’une conception modulaire qui encapsule les principales étapes de traitement, elle fournit une solution d’analytique avancée qui utilise l’apprentissage automatique pour prédire les pannes avant qu’elles se produisent.

La détection de pannes futures permet d’effectuer des réparations moins onéreuses, voire de les éviter, ce qui est généralement plus rentable que de s’exposer à des coûts de rappel et de garantie.

Déployer dans Azure

Le modèle prédéfini suivant permet de déployer cette architecture dans Azure

Déployer dans Azure
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

Conseils sur l’implémentation

Produits Documentation

Stream Analytics

Stream Analytics fournit des analyses quasiment en temps réel du flux d’entrée en provenance d’Azure Event Hub. Les données d’entrée sont filtrées et transmises à un point de terminaison de Machine Learning, puis les résultats sont envoyés au tableau de bord Power BI.

Event Hubs

Event Hubs ingère des données brutes de ligne d’assemblage et les transmet à Stream Analytics.

Machine Learning Studio

Machine Learning prévoit des défaillances potentielles sur la base des données en temps réel de ligne d’assemblage en provenance de Stream Analytics.

SQL Data Warehouse

SQL Data Warehouse stocke les données de ligne d’assemblage ainsi que les prédictions de défaillance.

Power BI

Power BI visualise les données de ligne d’assemblage en temps réel de Stream Analytics et les défaillances et alertes prédites par Data Warehouse.

Related solution architectures

Data Factory: Move data, orchestrate, schedule and monitor SQL Data Warehouse Machine Learning Machine Learning Power BI Event Hub Stream Analytics HDInsight Geography Data(Blob Storage) Vehicle Catalogue Diagnotic Events (Simulated)

Informations prédictives avec télématique de véhicules

Découvrez comment les concessionnaires et fabricants automobiles, ainsi que les compagnies d’assurance, peuvent utiliser Microsoft Azure pour obtenir des informations prédictives sur l’intégrité des véhicules et les habitudes de conduite.

Learn more