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 strøm~~POS=TRUNC 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.

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

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.

strøm~~POS=TRUNC BI

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

Relaterte løsningsarkitekturer