解决方案体系结构:通过预见性维护预防缺陷

若不使用能够识别减速或潜在故障以改善整体过程的制造控制系统,制造企业可能会在废弃和返工方面损失资金和生产力。此外,大规模召回可能会动摇消费者信心,进而影响盈亏。

此解决方案引入了一个质量控制过程,有助于预测生产线(装配线)中的故障,使企业提高生产效率,同时减少浪费并节省资金。它使用现有的测试系统和故障数据,着重查找装配线末端的返回和功能故障。通过将以上功能与封装主要处理步骤的模块化设计中的行业知识和根源分析结合,它提供一种高级分析解决方案,使用机器学习在故障发生之前预测这些故障。

通过提前捕捉将出现的故障,可减少维修甚至报废成本,这通常比召回和保修成本更具成本效益。

部署到 Azure

使用下列预建模板将此体系结构部署到 Azure

部署到 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

实施指南

产品 文档

流分析

流分析对 Azure 事件中心的输入流提供近乎实时的分析。筛选输入数据并将其传递到机器学习终结点,最后将结果发送到 Power BI 仪表板。

事件中心

事件中心引入原始装配线数据并将其传递到流分析。

Machine Learning Studio

机器学习根据流分析中的实时装配线数据预测潜在故障。

SQL 数据仓库

SQL 数据仓库存储装配线数据以及故障预测。

Power BI

Power BI 直观显示流分析中的实时装配线数据以及数据仓库中已预测到的故障和警报。

相关解决方案体系结构