Architectuur voor de oplossing:Defect prevention with predictive maintenance

Zonder een productiecontrolesysteem waarmee vertragingen of potentiële fouten worden geïdentificeerd ter verbetering van het hele proces, verliezen productiebedrijven mogelijk geld en productiviteit door uitval en nabewerking. Door grootschalige terugroepingen kan het consumentenvertrouwen afnemen, wat weer van invloed kan zijn op de bedrijfsresultaten.

Deze oplossing bevat een kwaliteitsbewakingsproces waarmee fouten in productiepijplijnen (assemblagelijnen) kunnen worden voorspeld. Hierdoor kan uw bedrijf meer en efficiënter produceren en geld besparen. Er wordt gebruikgemaakt van ingebouwde testsystemen en foutgegevens, waarbij specifiek wordt gekeken naar retouren en functionele fouten aan het einde van een assemblagelijn. Door deze te combineren met domeinkennis en oorzakenanalyse binnen een modulair ontwerp met de belangrijkste productiestappen, beschikt u over een geavanceerde analyseoplossing waarin wordt gebruikgemaakt van machine learning om fouten te voorspellen voordat ze optreden.

Door toekomstige fouten vroegtijdig op te sporen, worden reparaties minder duur en hoeven er minder producten te worden afgekeurd. Dit is meestal kostenefficiënter dan het verwerken van de terugroepings- en garantiekosten.

Implementatie in Azure

Gebruik de volgende vooraf gemaakte sjabloon om deze architectuur op Azure te implementeren

Implementatie 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

Begeleiding bij implementatie

Producten Documentatie

Stream Analytics

Via Stream Analytics beschikt u over bijna realtime analyses over de invoerstroom vanuit de Azure Event Hub. Invoergegevens worden gefilterd en doorgegeven aan een Machine Learning-eindpunt, waarna de resultaten worden verzonden naar het Power BI-dashboard.

Event Hubs

Event Hubs neemt onbewerkte assemblagelijngegevens op en geeft deze door aan Stream Analytics.

Machine Learning Studio

Met Machine Learning worden potentiële fouten op basis van realtime assemblagelijngegevens voorspeld vanuit Stream Analytics.

SQL Data Warehouse

In SQL Data Warehouse worden assemblagelijngegevens opgeslagen, samen met foutvoorspellingen.

Power BI

In Power BI worden realtime assemblagelijngegevens van Stream Analytics en de voorspelde fouten en waarschuwingen vanuit Data Warehouse gevisualiseerd.

Related solution architectures