Idee per soluzioni
In questo articolo viene descritta un'idea di soluzione. Il cloud architect può usare queste linee guida per visualizzare i componenti principali di un'implementazione tipica di questa architettura. Usare questo articolo come punto di partenza per il design di una soluzione ben progettata che sia in linea con i requisiti specifici del carico di lavoro.
Questo articolo descrive uno scenario di gestione del warehouse che monitora le condizioni ambientali tramite l'integrazione dei dati dei sensori e dei set di dati pubblici, elaborati con ML per generare stime. Le informazioni dettagliate vengono quindi usate per garantire la sicurezza delle persone e ottimizzare le operazioni della supply chain.
Architettura
Scaricare un file di Visio di questa architettura.
Flusso di dati
I sensori nella struttura del magazzino sono connessi e inviano dati a un gateway LoRa (Long Range).
Il gateway LoRa esegue il push dei dati nel cloud usando la connettività cellulare.
myDevices è una soluzione plug and play basata su Software as a Service (SaaS). Usa dispositivi e gateway di cui viene eseguito automaticamente il provisioning e l'associazione al cliente corrispondente.
I dati dei dispositivi vengono inviati ad Azure IoT Central. I clienti usano la soluzione per controllare e monitorare i dispositivi.
Modellazione delle strutture della catena di fornitura e del magazzino con Gemelli digitali di Azure. Si tratta di un ambiente in esecuzione in tempo reale in cui le applicazioni possono inserire dati per ottenere visibilità sullo stato della supply chain. Gemelli digitali si integra in modo nativo con l'hub eventi di Azure, con cui altre applicazioni interagiscono per recuperare i dati dal gemello.
I dati temporali e spaziali richiesti dai modelli di Machine Learning vengono ottenuti dalle origini dati esterne.
I dati chiave vengono archiviati nelle soluzioni dati di Azure. L'archiviazione BLOB viene usata per i dati di training di Machine Learning. Azure Cosmos DB viene usato per i dati con punteggio e gli indici di prestazioni chiave.
I dati di telemetria vengono inseriti da IoT Central tramite Hub eventi per garantire il disaccoppiamento dell'inserimento e dell'utilizzo dei dati. Funzioni di Azure viene usato per combinare origini dati esterne e dati di telemetria e quindi analizzare questo set di dati per individuare eventuali anomalie. I dati vengono visualizzati tramite Gemelli digitali.
Azure Databricks esegue le trasformazioni dei dati necessarie per il training dei modelli di Machine Learning.
I modelli di stima wildfire vengono sottoposti a training usando Azure Machine Learning usando dati cronologici, dati in tempo reale e dati di micro meteo.
Gli aggiornamenti di routing vengono forniti dall'API Routing camion di Bing Maps.
Le applicazioni possono eseguire query direttamente su Gemelli digitali per ottenere dati pertinenti dal modello.
Componenti
Azure IoT Central viene usato come piattaforma gestita IoT. Offre sicurezza, scalabilità e disponibilità come parte del servizio in modo che i clienti possano concentrarsi sui requisiti aziendali. Gli utenti possono integrarsi con componenti aziendali come Power Apps e Power BI e creare notifiche tramite la funzionalità di esportazione dei dati in IoT Central.
L'archiviazione di Azure viene usata per archiviare le informazioni sul dispositivo nel cloud in modo sicuro e scalabile, che è anche conveniente. I dati archiviati vengono usati per il training dei modelli di Machine Learning.
Azure Cosmos DB viene usato per archiviare gli indicatori di prestazioni chiave dell'applicazione (KPI) e gli output del modello. Azure Cosmos DB è un servizio di database NoSQL completamente gestito per lo sviluppo di applicazioni moderne. Fornisce transazioni ad alta velocità e può abilitare facilmente il servizio per la distribuzione globale.
Azure Databricks è una piattaforma di analisi dei dati ottimizzata per la piattaforma di servizi cloud di Microsoft Azure. Viene usato per trasformare, modificare e normalizzare i dati in modo che possano essere usati correttamente dalla pipeline di Machine Learning.
Azure Machine Learning viene usato per creare modelli di stima degli incendi selvatici. I modelli forniscono l'intelligenza necessaria per valutare il rischio di un incendio. L'input da più origini dati è necessario per eseguire il training del modello per ottenere l'accuratezza. Queste origini possono includere immagini satellitari, dati cronologici, condizioni del suolo locali e dati meteo. In base all'area di incendio predicato dal modello, la soluzione Supply Chain e Logistics può reindirizzare i camion.
Per discussioni più dettagliate, vedere l'architettura di riferimento di Azure IoT per comprendere ed esplorare le varie opzioni di implementazione disponibili.
Dettagli dello scenario
Il monitoraggio ambientale è diventato un'attività importante nella catena di approvvigionamento globale. Fornisce segnali chiave che aiutano a prendere decisioni in tempo reale che possono influire su fornitori e logistica. Qualità dell'aria, temperatura, vento, umidità e anidride carbonica (CO2) sono alcuni degli indicatori che gli operatori del magazzino sono interessati a monitorare durante le catastrofi naturali. Scenari più avanzati possono includere la fusione di dati in tempo reale e cronologici da stazioni meteo, sensori di qualità dell'aria e altre fonti. I modelli di Machine Learning (ML) possono quindi essere usati per prevedere l'effetto di queste condizioni e il loro possibile impatto sulle operazioni della supply chain.
Potenziali casi d'uso
Questa soluzione è ideale per l'ambiente, la produzione, il trasporto e l'agricoltura.
- Gestione della flotta: questa soluzione può essere usata in cui le rotte devono essere ottimizzate per la sicurezza in base alle condizioni in evoluzione delle aree circostanti.
- Agricoltura: la previsione di incendi selvatici che influiranno sulla sicurezza dei lavoratori e del bestiame è fondamentale. Fornendo un ampio tempo di piombo per le notifiche di pericolo, le persone nell'area colpita possono evacuare in sicurezza. Le aziende agricole possono anche equipaggiare aree di bestiame con cancelli automatizzati che possono sbloccare e aprire in situazioni terribili, consentendo agli animali di fuggire.
Problematiche affrontate
Negli ultimi anni si è registrato un aumento significativo dei incendi, mettendo in pericolo gli esseri umani e la catena di approvvigionamento globale. Con il numero di acri bruciati dall'anno, la resilienza della supply chain ai cambiamenti climatici è la parte superiore per molti leader.
Nella Stati Uniti, la media annuale dell'area interessata dai incendi è di circa 7.000.000 acri. Quest'area è superiore al doppio della media negli anni '90. La situazione è ancora più allarmante in altri paesi/regioni. Ad esempio, in Australia c'è un mese extra di estate rispetto a 50 anni fa e la siccità a lungo termine ha ulteriormente peggiorato le condizioni di incendio. Enormi incendi di cespugli ci hanno causato danni economici quasi 10 volte superiori rispetto al Stati Uniti. Gli incendi australiani possono influire sull'approvvigionamento alimentare globale, inclusi prodotti come carne bovina, latte, vino e grano.
I rischi per le aziende in tutto il mondo continuano ad aumentare ogni anno e la resilienza della supply chain durante le catastrofi naturali è fondamentale per mantenere il flusso di beni a livello globale. L'integrazione di previsioni e previsioni basate sul meteo nella pianificazione della capacità della supply chain può aiutare gli operatori a regolare la produzione e gestire le pianificazioni di spedizione. Questo sistema può ridurre al minimo le interruzioni e gli effetti negativi.
Risultati aziendali
Gli operatori di magazzino e i principali centri di distribuzione trarranno vantaggio da un modo predittivo per determinare se l'infrastruttura logistica esistente è nel percorso di un incendio importante. La presenza di un sistema di notifica anticipata fornirà un maggiore tempo di lead time per adottare misure preventive per proteggere le strutture e il personale. Gli avvisi automatizzati delle modifiche e delle pause nelle attività logistiche consentono anche di reindirizzare le spedizioni con un intervento umano minimo.
Requisiti
- L'automazione è fondamentale. Non si può presumere che gli operatori e i responsabili delle strutture possano raccogliere dati in più sistemi per prendere decisioni tempestive.
- I magazzini, le strutture di distribuzione e i responsabili delle operazioni devono essere informati da più mezzi quando c'è pericolo immediato, assicurando che le informazioni vengano ricevute in modo tempestivo. Ad esempio, dashboard dati, posta elettronica e SMS.
- È necessario segnalare solo le modifiche apportate ai dati.
- Il recapito e la distribuzione della soluzione devono essere semplici. Deve essere installato senza la necessità di un tecnico, utilizzando la tecnologia plug and play.
- La soluzione deve essere di manutenzione ridotta e conveniente.
Modelli per affrontare le sfide
La tabella seguente fornisce un riepilogo dei casi d'uso comuni e delle soluzioni IoT corrispondenti. Ogni caso d'uso è un esempio di come un modello di processo IoT può essere applicato a scenari reali.
| Caso d'uso | Soluzioni |
|---|---|
| Abilitare la logistica della supply chain per reindirizzare e pianificare la produzione stimando la probabilità di interruzione a causa di incendi nelle vicinanze della posizione interessata. | Idealmente, si vuole essere in grado di monitorare tutti gli elementi chiave della supply chain in modo da poter fornire una risposta più completa. myDevices include un catalogo di dispositivi plug and play certificati che si connettono a un gateway di rete LoRa . Il gateway invia dati all'applicazione cloud usando la connettività cellulare. La tecnologia LoRa è ideale perché il segnale deve penetrare in profondità negli edifici. I sensori per CO2, temperatura, umidità, direzione del vento e qualità dell'aria possono essere installati in luoghi di costruzione pertinenti, inclusi tetti e impianti di stoccaggio. I sensori possono essere installati anche nei camion per il rilevamento della posizione per facilitare il reindirizzamento. |
| Identificare le condizioni di incendio e comprendere il grado di pericolo per una determinata posizione. | I modelli di stima degli incendi selvatici sottoposti a training con dati cronologici, condizioni meteorologiche e dati dei sensori locali possono aiutare a valutare il rischio di un incendio. |
| Avvisi automatizzati per l'evacuazione e il reindirizzamento delle strutture | Una volta rilevate condizioni non sicure, il gemello digitale della struttura può quindi essere aggiornato per indicare che non è più online. Dopo l'aggiornamento, gli altri centri di distribuzione all'interno della rete possono iniziare a reindirizzare il traffico di conseguenza, consentendo ai manager di strutture in loco e agli operatori del magazzino di concentrarsi sulla sicurezza dei dipendenti. Questo scenario usa ML per prevedere la posizione in cui verrà distribuito il fuoco selvaggio, usando set di dati pubblici in tempo reale e cronologici insieme ai dati meteo micro per stime più accurate. I sensori tengono traccia delle attuali condizioni di incendio e gli allarmi della struttura attivano l'evacuazione dei dipendenti. |
Considerazioni
Queste considerazioni implementano i pilastri di Azure Well-Architected Framework, che è un set di principi guida che possono essere usati per migliorare la qualità di un carico di lavoro. Per altre informazioni, vedere Microsoft Azure Well-Architected Framework.
Connettività
I dispositivi e i sensori locali della soluzione devono inviare dati alle applicazioni nel cloud, ma l'accesso a Internet affidabile potrebbe non essere disponibile per alcune località, ad esempio nelle aree rurali.
Questa soluzione usa una rete LoRa per fornire connettività cellulare. LoRa ha una buona penetrazione della costruzione, rendendolo ideale per le applicazioni correlate al magazzino. Questo approccio è conveniente e offre flessibilità per le posizioni remote che richiedono dispositivi e sensori IoT facili da connettere.
Plug and play
In un'impostazione remota è fondamentale che i dispositivi siano facili da distribuire senza richiedere competenze specializzate. myDevices include un ampio catalogo di dispositivi E gateway IoT che possono essere applicati a più scenari. Sono certificati Plug and Play, quindi tutti gli utenti devono farlo nella posizione corretta e attivarli. Grazie all'integrazione di IoT Central, i clienti possono personalizzare facilmente il dashboard per usare i dati del dispositivo e creare avvisi.
Collaboratori
Questo articolo viene gestito da Microsoft. Originariamente è stato scritto dai seguenti contributori.
Autore principale:
- Ansley Yeo | Leader tecnologico
Passaggi successivi
- IoT nei trasporti e nella logistica: come usare Azure per offrire maggiore efficienza e affidabilità alla catena di valori con servizi di IoT e location intelligence di livello mondiale.
- Architettura del modello di applicazione logistica connessa di IoT Central: modello di app e linee guida per lo sviluppo di soluzioni logistiche end-to-end connesse.
- API Di routing dei camion di Bing Maps: uno strumento di routing commerciale che calcola itinerari sicuri ed efficienti e considera gli attributi di un veicolo in relazione a eventuali limitazioni del percorso.
- Demo di Gemelli digitali di Azure - Supply Chain usa Gemelli digitali per modellare uno scenario di supply chain.
- myDevices offre connettività e dispositivi LoRa che consentono di distribuire rapidamente le soluzioni in posizioni in cui la connettività è una sfida e è necessaria una copertura di rete ampia.
- C.H. Robinson Navisphere collabora con Microsoft Azure e Azure IoT per offrire visibilità in tempo reale sulla supply chain e per una maggiore prevedibilità e processo decisionale proattivo.
- L'API EPA AirNow fornisce l'accesso ai dati relativi alla qualità dell'aria in tempo reale e agli incendi da AirNow, un servizio gestito dall'Agenzia per la protezione ambientale (EPA) degli Stati Uniti e da altre agenzie federali, tribali, statali e locali.
Risorse correlate
- Architettura di riferimento di Azure IoT
- I cicli di monitoraggio e gestione di IoT è un modello di progettazione che descrive un sistema di supervisione che monitora continuamente un sistema fisico controllato da un set di dispositivi IoT in rete.
- IoT analizza e ottimizza i cicli è un modello di progettazione che consente la generazione e l'applicazione di informazioni dettagliate sull'ottimizzazione aziendale ai sistemi fisici controllati dal software tramite la telemetria di origine, la affinamento e la combinazione con le origini dati aziendali per generare informazioni dettagliate.