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: Azure Stream Analytics, Event Hubs, Machine Learning Studio og Azure Synapse Analytics. 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.
Implementeringsveiledning
| Produkter/beskrivelse | Dokumentasjon | |
|---|---|---|
|
Azure 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. | |
|
Azure Synapse Analytics |
Synapse Analytics lagrer samlebåndsdata sammen med feilprediksjoner. | |
|
|
Power BI visualiserer sanntids samlebåndsdata fra Stream Analytics og de predikerte feilene og varslene fra Data Warehouse. |
Relaterte løsningsarkitekturer
Microsoft Azures Predictive Maintenance-løsning viser hvordan man kombinerer sanntids flydata med analyse for å overvåke flyenes helsetilstand.
Mer informasjonFinn ut hvordan bilforhandlere, bilprodusenter og forsikringsselskaper kan bruke Microsoft Azure til å få prediktiv innsikt i kjøretøytilstand og kjørevaner.
Mer informasjon