Architectuur voor de oplossing:Defectpreventie met voorspellend onderhoud
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 AzureBegeleiding 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
Bewaking van vliegtuigmotoren voor predictief onderhoud in de luchtvaart
In de oplossing voor predictief onderhoud van Microsoft Azure ziet u hoe u realtime vliegtuiggegevens kunt combineren met analyses voor de bewaking van de staat van vliegtuigen.
Meer informatieVoorspellende inzichten met voertuigtelematica
Lees hoe autodealers, fabrikanten en verzekeringsmaatschappijen met Microsoft Azure voorspellende inzichten kunnen krijgen over de staat van voertuigen en rijgewoonten.
Meer informatieAfwijkingsdetectie met machine learning
Met IT Anomaly Insights van Microsoft Azure kunnen IT-afdelingen de detectie van afwijkingen automatiseren en schalen, zodat ze problemen snel kunnen detecteren en oplossen.
Meer informatie