Editar

Partilhar via

Garantia de qualidade

Azure Event Hubs
Azure Machine Learning
Azure Stream Analytics
Power BI

Com sistemas de garantia de qualidade, as empresas podem prevenir defeitos ao longo dos seus processos de entrega de bens ou serviços aos clientes. A criação de um sistema deste tipo que recolhe dados e identifica potenciais problemas ao longo de um pipeline pode proporcionar enormes vantagens. Por exemplo, na produção digital, a garantia de qualidade é imperativa em toda a linha de montagem. Identificar abrandamentos e potenciais falhas antes de ocorrerem e não depois de serem detetados pode ajudar as empresas a reduzirem os custos de desperdício e retrabalho, ao mesmo tempo que melhora a produtividade.

Arquitetura

O diagrama de arquitetura mostra dados nos Hubs de Eventos do Azure, depois no Data Lake, depois nos processos com o Stream Analytics e, finalmente, na visualização do Power BI.

Transfira um ficheiro do Visio desta 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 o Capture para enviar eventos brutos para o 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 falhas/defeitos.
  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 os dados processados em tempo real para o SQL Pool do Azure Synapse.
  7. Um Logic Apps envia alertas de streaming de dados para um telemóvel.
  8. O Power BI é usado para visualização de resultados.

Componentes

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

Alternativas

  • Dependendo do cenário, a arquitetura básica pode ser simplificada removendo a camada em lote - removendo Armazenamento para eventos brutos e Sinapse do Azure para dados relacionais
  • O Banco de Dados SQL do Azure é um banco de dados relacional gerenciado como um serviço. Dependendo dos volumes de dados e 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 estiver centrada em componentes distribuídos refinados, exigindo dependências mínimas, onde os componentes individuais só precisam ser executados sob demanda (não continuamente) e a orquestração de 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 local. O Hub IoT pode coletar rapidamente dados de cada dispositivo para ingestão no pipeline de análise de dados.

Detalhes do cenário

Potenciais casos de utilização

Esta solução mostra como prever falhas ao utilizar o exemplo dos pipelines de assemblagem (linhas de assemblagem). Isso é feito utilizando sistemas de teste já instalados e dados de falhas, observando especificamente retornos e falhas funcionais no final da linha de montagem. Ao combiná-los com a análise da raiz do problema e conhecimento do domínio num design modular que incorpora passos de processamento principais, fornecemos uma solução genérica de análise avançada que utiliza machine learning para prever falhas antes de ocorrerem. A previsão precoce de futuras falhas numa permite reparações menos dispendiosas ou até mesmo o descarte, que normalmente são mais rentáveis do que os custos de retirada do mercado e da garantia.

Considerações

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

Escalabilidade

A maioria dos componentes usados neste cenário de exemplo são serviços gerenciados que são dimensionados com base nas necessidades do cenário atual.

Para obter orientações gerais sobre como projetar soluções escaláveis, consulte a lista de verificação de eficiência de desempenho no Centro de Arquitetura do Azure.

Segurança

A segurança oferece garantias contra ataques deliberados e o abuso de seus valiosos dados e sistemas. Para obter mais informações, consulte Visão geral do pilar de segurança.

As identidades gerenciadas para recursos do Azure são usadas para fornecer acesso a outros recursos internos à sua conta. Permita apenas o acesso aos recursos necessários nessas identidades para garantir que nada extra seja exposto às suas funções (e, potencialmente, aos seus clientes).

Para obter orientações gerais sobre como criar soluções seguras, consulte a Documentação de Segurança do Azure.

Resiliência

Todos os componentes neste cenário são geridos, pelo que, a nível regional, são todos resilientes automaticamente.

Para obter orientações gerais sobre a conceção de soluções resilientes, consulte Princípios de conceção de fiabilidade.

Próximos passos