Passer la navigation

Architecture de solution : Prévention des défaillances avec la maintenance prédictive

Découvrez comment utiliser Azure Machine Learning pour prédire les défaillances avant qu’elles ne se produisent avec des données de ligne d’assemblage en temps réel.

Cette solution est basée sur les services gérés Azure : Stream Analytics, Event Hubs, Machine Learning Studio, SQL Data Warehouse et Power BI. Ces services sont exécutés dans un environnement à haute disponibilité et incluent des correctifs et un support. Vous pouvez ainsi vous concentrer sur votre solution plutôt que sur l’environnement dans lequel elle est exécutée.

Defect prevention with predictive maintenanceLearn how to use Azure Machine Learning to predict failures before they happen with real-time assembly line data.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

Conseils sur l’implémentation

Produits/Description 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.

Architectures de solution associées