Navigatie overslaan

Architectuur voor de oplossing:Defectpreventie met voorspellend onderhoud

Leer hoe u met Azure Machine Learning fouten kunt voorspellen voordat ze zich voordoen met realtime assemblagelijngegevens.

Deze oplossing is gebouwd op de beheerde services van Azure: Stream Analytics, Event Hubs, Machine Learning Studio, SQL Data Warehouse en de Power BI. De services worden in een omgeving met hoge beschikbaarheid uitgevoerd, gepatcht en ondersteund zodat u zich op de oplossing kunt concentreren en u niet hoeft bezig te houden met de omgeving waarin de services worden uitgevoerd.

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

Begeleiding bij implementatie

Producten/beschrijving 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.

Gerelateerde architecturen voor oplossingen