Editar

Garantia de qualidade

Hubs de eventos do Azure
Azure Machine Learning
Stream Analytics do Azure
Power BI

Sistemas de garantia de qualidade permitem que as empresas impeçam o surgimento de defeitos em seus processos de entrega de bens ou serviços aos clientes. A criação de um sistema desse tipo, que coleta dados e identifica possíveis problemas ao longo de um pipeline, pode proporcionar enormes vantagens. Por exemplo, na fabricação digital, a garantia de qualidade na linha de montagem é fundamental. A identificação de lentidão e falhas potenciais antes que elas ocorram, e não após serem detectadas, pode ajudar as empresas a reduzir os custos com descarte e retrabalho enquanto aumentam a produtividade.

Arquitetura

Architecture diagram shows data into Azure Event Hubs, then to Data Lake, then processes with Stream Analytics, finally to Power BI visualization.

Baixe um Arquivo Visio dessa arquitetura.

Fluxo de dados

  1. O gerador de eventos do sistema de origem transmite dados para os Hubs de Eventos do Azure.
  2. Os Hubs de Eventos usam a Captura para enviar eventos brutos ao Data Lake.
  3. Um trabalho do Stream Analytics lê dados em tempo real dos Hubs de Eventos.
  4. Um trabalho do Stream Analytics chama o modelo de ML no Azure Machine Learning para prever falha/defeito.
  5. Um trabalho do Stream Analytics envia agregações de fluxo para o painel em tempo real do Power BI para operações.
  6. Um trabalho do Stream Analytics envia por push os dados processados em tempo real para o Pool de SQL do Azure Synapse.
  7. Uma instância de Aplicativos Lógicos envia alertas de dados de streaming para um celular.
  8. O Power BI é usado para visualização de resultados.

Componentes

  • Os Hubs de Eventos ingerem eventos de linha de montagem e os passa para o Stream Analytics e um Serviço Web do Azure ML.
  • Azure Synapse Analytics: o Stream Analytics aceita o fluxo de entrada dos Hubs de Eventos, chama um Serviço Web do Azure ML para fazer previsões e envia o fluxo para o Azure Synapse, Power BI e Aplicativos Lógicos para alertas.
  • Azure Machine Learning: o Machine Learning ajuda você a projetar, testar, operacionalizar e gerenciar soluções de análise preditiva na nuvem e implantar serviços Web que podem ser chamados pelo Stream Analytics.
  • Contas de Armazenamento: o Armazenamento do Microsoft Azure armazena dados brutos de fluxo de eventos dos Hubs de Eventos e serve para a persistência de dados de longo prazo.
  • Aplicativos Lógicos: envia alertas gerados dos dados de streaming para o dispositivo do operador.
  • Synapse Analytics: armazena dados relacionais para processamento ad hoc e analítico planejado e consultas analíticas do usuário.
  • Power BI: visualiza painéis operacionais em tempo real e servidores para relatórios analíticos.

Alternativas

  • Dependendo do cenário, a arquitetura básica pode ser simplificada removendo a camada de lote; removendo o Armazenamento para eventos brutos e o Azure Synapse para dados relacionais
  • O Banco de Dados SQL do Azure é um banco de dados como serviço relacional gerenciado. Dependendo dos volumes de dados e dos padrões de acesso, você pode escolher o Banco de Dados SQL do Azure.
  • O Azure Functions fornece uma abordagem eficaz sem servidor se a arquitetura de carga de trabalho é centralizada em torno de componentes distribuídos refinados, exigindo dependências mínimas, onde componentes individuais são necessários somente para execução sob demanda (não continuamente) e a orquestração dos componentes não é necessária.
  • O Hub IoT atua como um hub de mensagens central para comunicação bidirecional segura com identidade por dispositivo entre a plataforma de nuvem e o equipamento de construção e outros elementos do site. O Hub IoT pode coletar dados rapidamente para cada dispositivo para a ingestão no pipeline de análise de dados.

Detalhes do cenário

Possíveis casos de uso

Essa solução mostra como prever falhas usando o exemplo de pipelines de fabricação (linhas de assembly). Isso é feito utilizando sistemas de teste já em vigor e dados de falha, examinando especificamente os retornos e falhas funcionais no final da linha de montagem. Ao combinar isso com conhecimento de domínio e análise de causa raiz em um design modular que encapsule as principais etapas de processamento, ela oferece uma solução de análise avançada genérica que usa o aprendizado de máquina para prever falhas antes que elas ocorram. A previsão de falhas futuras ajuda permite a redução de custos de reparos e até mesmo de descartes, que geralmente são mais economicamente rentáveis do que os custos de uma garantia ou recall.

Considerações

Essas considerações implementam os pilares do Azure Well-Architected Framework, que é um conjunto de princípios de orientação que podem ser usados para aprimorar a qualidade de uma carga de trabalho. Para obter mais informações, confira Microsoft Azure Well-Architected Framework.

Escalabilidade

A maioria dos componentes usados neste cenário de exemplo são serviços gerenciados que são escalados com base em suas necessidades de cenário atuais.

Para obter diretrizes gerais sobre como criar soluções escalonáveis, confira a lista de verificação de eficiência de desempenho no Centro de Arquitetura do Azure.

Segurança

A segurança fornece garantias contra ataques deliberados e o abuso de seus dados e sistemas valiosos. Para saber mais, confira Visão geral do pilar de segurança.

As identidades gerenciadas para recursos do Azure são usadas para fornecer acesso a outros recursos internos para sua conta. Dê acesso apenas aos recursos necessários nessas identidades para fazer com que nada além seja exposto às funções (e, potencialmente, a seus clientes).

Confira orientações gerais sobre como criar soluções seguras na Documentação de Segurança do Azure.

Resiliência

Todos os componentes neste cenário são gerenciados e, portanto, em um nível regional, todos são resilientes automaticamente.

Para obter diretrizes gerais sobre como criar soluções resilientes, confira Princípios de design de confiabilidade.

Próximas etapas