Architettura della soluzione: Defect prevention with predictive maintenance

Senza un sistema di controllo della produzione in grado di identificare i rallentamenti o i potenziali errori per migliorare il processo complessivo, le industrie possono perdere denaro e produttività a causa di scarti e ripetizioni della lavorazione. I richiami di prodotti su larga scala possono danneggiare la fiducia dei clienti, incidendo ulteriormente sui ricavi.

Questa soluzione introduce un processo di controllo della qualità che contribuisce alla previsione degli errori nelle pipeline di produzione (catene di montaggio), in modo che l'azienda possa incrementare la produzione, riducendo al tempo stesso gli sprechi e i costi. Usa sistemi di test già disponibili e dati sugli errori, cercando in modo specifico i valori restituiti e gli errori funzionali al termine di una catena di montaggio. Combinando questi dati con le competenze relative al dominio e le analisi delle cause radice in una progettazione modulare che incorpora le procedure di elaborazione principali, fornisce una soluzione di analisi avanzate che usa Machine Learning per prevedere gli errori prima che si verifichino.

Il rilevamento anticipato degli errori consente di ridurre i costi per le riparazioni o gli scarti, approccio in genere economicamente più efficiente rispetto ai richiami e ai costi per le garanzie.

Distribuisci in Azure

Usa il modello predefinito seguente per distribuire questa architettura in Azure

Distribuisci in 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

Linee guida di implementazione

Prodotti Documentazione

Analisi di flusso

Analisi di flusso fornisce analisi in tempo quasi reale sul flusso di input dall'Hub eventi di Azure. I dati di input vengono filtrati e passati a un endpoint di Machine Learning, inviando infine i risultati al dashboard di Power BI.

Hub eventi

Hub eventi inserisce dati non elaborati della catena di montaggio e li passa ad Analisi di flusso.

Machine Learning Studio

Machine Learning prevede gli errori potenziali in base ai dati in tempo reale della catena di montaggio da Analisi di flusso.

SQL Data Warehouse

SQL Data Warehouse archivia i dati della catena di montaggio insieme alle previsioni di errori.

Power BI

Power BI visualizza i dati in tempo reale della catena di montaggio da Analisi di flusso e gli errori e gli avvisi previsti da Data Warehouse.

Architetture delle soluzioni correlate

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)

Informazioni dettagliate predittive con la telematica per veicoli

Scopri in che modo i concessionari di auto, i produttori e le compagnie assicurative possono usare Microsoft Azure per ottenere informazioni dettagliate predittive relative all'integrità dei veicoli e alle abitudini di guida.

Altre informazioni