解決方案架構:使用預測性維護預防瑕疵

若沒有能夠識別速度變慢或潛在失敗以改善整體流程的製造業控制系統,製造公司可能會因為報廢和重新作業而損失金錢和生產力。此外,大規模的回收可能會動搖客戶信心,進而影響您的盈虧底線。

此解決方案引進品質控制流程來協助預測製造管線 (生產線) 中的失敗,讓您的公司可以提高生產力,同時減少浪費並節省費用。它使用既有的測試系統和失敗資料,明確地檢視生產線結束時的退貨和功能失敗。它將這些與包含主要處理步驟之模組化設計內的專業知識和根本原因分析結合,以提供進階分析解決方案,該解決方案使用機器學習服務在發生失敗之前預測失敗。

及早攔截未來失敗就能進行成本較低的修復甚至是捨棄,這通常比進行回收和瑕疵擔保成本更符合成本效益。

部署到 Azure

使用下列預先建置的範本,將此架構部署到 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

實作指南

產品 文件

Stream Analytics

串流分析提供有關 Azure 事件中樞之輸入資料流的近乎即時分析。輸入資料會經過篩選並傳遞至機器學習服務端點,最後再將結果傳送至 Power BI 儀表板。

Event Hubs

事件中樞會內嵌未經處理的生產線資料,並將其傳遞至串流分析。

Machine Learning Studio

機器學習服務會根據串流分析中的即時生產線資料,來預測可能的失敗。

SQL Data Warehouse

SQL 資料倉儲可儲存生產線資料及失敗預測。

Power BI

Power BI 會視覺化串流分析中的即時生產線資料,以及資料倉儲中的預測失敗和警示。

Related solution architectures