随着工业4.0的兴起，越来越多的制造企业开始利用先进的数据分析和机器学习技术来优化生产流程，提高产品质量。在汽车零件制造领域，Fagor Ederlan公司面临着一项挑战：如何利用现有的制造数据来预测和解决质量控制问题。这项任务对于开发团队来说尤为艰巨，因为他们需要处理来自不同设备的数据，同时还要克服数据访问问题、数据量庞大以及网络限制等困难。
为了解决这些挑战，Fagor Ederlan的开发团队与微软Azure云服务合作，开发了一种原型解决方案。这个系统能够在制造过程中尽早识别出有缺陷的零件，同时节省网络带宽。更重要的是，这个解决方案可以应用于组织全球系统中的不同机器和工厂。
这个项目展示了如何使用安全、可靠的服务将数据发送到云端，而不必过于复杂。这使得数据能够进行近乎实时的分析，并能够构建机器学习模型来提取洞察力。
Fagor Ederlan的机器配备了控制软件，能够以CSV文件的形式收集所有传感器的信息。对于每一件产品，它都会计算出数据的平均值、均值和其他统计值。为了最小化对机器的影响，开发了一个轻量级的Windows服务。每当它检测到文件夹中的新CSV文件时，数据就会被发送到IoT Hub。
其余的过程在Azure上进行。在开发服务时，他们考虑了所有的通信问题，创建了测试计划，并在最可能的情况下测试了服务，例如网络中断和其他连接问题。
解决方案的目标是在铝模压机中尽早识别出有缺陷的零件。在注射过程中，机器每毫秒都会采集许多参数，如速度、压力和注射器运行情况。这会产生一个包含所有测量数据的800KB CSV文件，以及另一个包含平均值的CSV文件。填充模具和冷却零件的过程需要60到90秒。当零件完成后，会进行X光和视觉检查以检测出有缺陷的零件。但最终的检查来自客户，这通常发生在零件制造后一个月。
这项合作使开发者能够找到一个可靠的解决方案，将数据发送到云端，并增强系统的安全性和可靠性。团队使用了Azure技术和Power BI，采取了以下措施：
// 连接Windows服务到IoT Hub
ConnectWindowsServiceToIoTHub();
// 使用命令行模拟器测试完整解决方案，无需在运行中的机器上部署
TestSolutionWithCommandLineSimulator();
// 使用两个Azure Functions：一个用于解压缩文件，另一个用于从曲线中提取特征
UseAzureFunctionsForDecompressionAndFeatureExtraction();
// 使用Stream Analytics将不同文件中的数据合并，并询问Azure Machine Learning模型
UseStreamAnalyticsToJoinDataAndQueryAzureMLModel();
// 使用新数据重新训练Azure Machine Learning模型
RetrainAzureMLModelWithNewData();
// 使用Azure Resource Manager模板多次部署解决方案
DeploySolutionMultipleTimesWithARMTemplate();
// 使用Power BI仪表板查看曲线，并使用Azure Machine Learning训练的模型查看每个零件的实时数据
UsePowerBIDasboardAndAzureMLModelForRealTimeData();
通过自动化文件上传和数据准备，Fagor Ederlan解决了关键问题。这项合作的结果也为解决将节省成本、时间和提高产品质量的问题打开了大门。Fagor Ederlan希望继续发展和改进系统的可扩展性，使用IoT Hub、Stream Analytics和Azure Functions。