Hopp over navigasjon

Løsningsarkitektur: Defektforhindring med prediktivt vedlikehold

Les om hvordan du kan bruke Azure Machine Learning til å forutsi feil før de skjer, med sanntids produksjonslinjedata.

Denne løsningen er bygget på følgende Azure-administrerte tjenester: Stream Analytics, Event Hubs, Machine Learning Studio, SQL-datalager og Power BI. Disse tjenestene kjører i et miljø med høy tilgjengelighet med oppdateringer og støtte. Dette gir deg mulighet til å fokusere på løsningen din i stedet for miljøet den skal kjøres i.

Tahmine dayalı bakımla hata önlemeMontaj hattına ilişkin gerçek zamanlı verilerden yararlanarak sorunları gerçekleşmeden önce tahmin etmek için Azure Machine Learning’i nasıl kullanacağınızı öğrenin.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

Implementeringsveiledning

Produkter/beskrivelse Dokumentasjon

Stream Analytics

Stream Analytics gir tilnærmet sanntidsanalyse av inndataflyten fra Azure Event Hub. Inndata filtreres og sendes til et Machine Learning-endepunkt, til slutt sendes resultatene til Power BI-instrumentbordet.

Event Hubs

Event Hubs importerer rå samlebåndsdata og sender dem videre til Stream Analytics.

Machine Learning Studio

Machine Learning predikerer potensielle feil basert på sanntids samlebåndsdata fra Stream Analytics.

SQL-datalager

SQL Data Warehouse lagrer samlebåndsdata sammen med feilprediksjoner.

Power BI

Power BI visualiserer sanntids samlebåndsdata fra Stream Analytics og de predikerte feilene og varslene fra Data Warehouse.

Relaterte løsningsarkitekturer