跳过导航

品质保证

借助质量保证体系,企业可防止在向客户交付货物或服务的过程中出现缺陷。构建这种收集数据并识别管道沿线潜在问题的系统大有益处。例如,在数字化制造中,整个装配线的质量保证至关重要。相较于在速度减慢和潜在故障发生之后检测出问题,提前发现问题可以帮助公司降低报废和返工成本,同时提高生产率。

此解决方案以制造管道(装配线)为例演示了如何预测故障。具体做法是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本原因分析结合,我们提供了一种通用的高级分析解决方案,使用机器学习在故障发生之前预测这些故障。提前预测出将发生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。

说明

注意:如果已部署此解决方案,请单击此处查看你的部署。

无需你动手,让这些经过培训的 SI 合作伙伴来帮助你进行此解决方案的概念证明、部署和整合。

估计预配时间:30 分钟

Cortana Intelligence Suite 在 Microsoft Azure 中提供数据引入、数据存储、数据处理和高级分析组件等高级分析工具,这些全是构建制造质量保证解决方案的必备要素。该解决方案使用灵活的在线 Microsoft Azure 平台在云中实现,该平台将基础结构组件(数据引入、存储、数据移动、可视化)从支持 R 和 Python 等现代 DS 语言的分析引擎中分离出来。因此,可以根据需要重塑解决方案建模组件,并使用高性能的 Azure 机器学习算法或开源 (R/Python) 库来实现,或者通过第三方解决方案供应商来实现。“部署”按钮将启动一个工作流,进而在所指定的 Azure 订阅的资源组内部署一个解决方案实例。该解决方案包含多项 Azure 服务(如下所述),还有一项 Web 作业可模拟数据,使你在部署后立即拥有工作端到端解决方案。有关部署后的说明及技术实施的更多详情,请参阅此处的说明

技术详细信息和工作流

  1. 制造装配线模拟数据由新部署的 Azure Web 作业进行流式传输。
  2. 该综合数据作为数据点/事件馈入 Azure 事件中心,以供解决方案流的其他部分使用并存储在 Azure SQL 数据仓库中。
  3. 此模式中使用了两个 Azure 流分析作业,可近乎实时地分析来自 Azure 事件中心的输入流。两个作业都对输入数据进行筛选,并将数据点传递给 Azure 机器学习终结点,终结点再将结果发送给 Power BI 仪表板。
  4. 最后,Power BI 可直观显示该结果。

免责声明

©2017 Microsoft Corporation。保留所有权利。此信息按“原样”提供且可能更改,恕不另行通知。Microsoft 不就此处提供的信息做任何明示和默示的担保。第三方数据用于生成解决方案。你必须尊重他人的权利,包括在创建类似数据集之前获得相关许可并遵循此等许可。

相关解决方案体系结构

预测性维护

该预测性维护解决方案可监控飞机状况并预测飞机引擎部件的剩余使用寿命。

实时数据流异常检测

Cortana Intelligence IT 异常见解解决方案帮助大型组织中的 IT 部门以可缩放的自动化方式,根据 IT 基础结构(CPU,内存等)、服务(超时,SLA 变体,限电等)的基础运行状况指标和其他关键性能指标 (KPI)(订单积压、登录和付款失败等)快速检测并修复问题。此解决方案还提供简单的“立即试用”体验,可使用自定义数据进行尝试,以实现解决方案提供的价值。通过“部署”体验,可将端到端解决方案组件部署到 Azure 订阅中,并根据需要对自定义进行完全控制,从而在 Azure 上快速开始使用该解决方案。