Prediktivní údržba

Data Factory
Event Hubs
HDInsight
Machine Learning
SQL Database
Storage
Stream Analytics
Power BI

Idea řešení

Pokud se chcete podívat, jak tento článek rozšíříme o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět pomocí GitHub Feedback!

Toto řešení prediktivní údržby monitoruje letadla a předpovídá zbývající dobu životnosti komponent leteckého motoru. I když je přizpůsobená pro monitorování letadel, je možné ji snadno zobecnit pro další scénáře prediktivní údržby.

Architektura

diagram architektury: prediktivní údržba komponent letadel pomocí cloudových služeb Microsoft Azure. Stáhnout SVG této architektury.

Přehled řešení prediktivní údržby pro komponenty leteckého motoru

Toto řešení ukazuje, jak kombinovat data ze senzorů v reálném čase pomocí pokročilých analýz a monitorovat části letadel v reálném čase. Předpovídá zbývající dobu životnosti komponent leteckého motoru.

Letecká podpora je od střední po moderní život, ale letecké motory jsou nákladné a jejich provoz vyžaduje častou údržbu vysoce kvalifikovaných techniků. Moderní letecké motory jsou vybavené vysoce sofistikovanými senzory, které sledují jejich fungování. S daty z těchto senzorů v kombinaci s pokročilými analýzami je možné monitorovat letadlo v reálném čase a předpovídat zbývající životnost součásti motoru. Tyto předpovědi umožňují rychlé naplánování údržby, aby se předešlo mechanickým selháním.

Azure AI Gallery řešení je implementace tohoto designu řešení. Řešení prediktivní údržby monitoruje letadla a předpovídá zbývající dobu životnosti komponent leteckého motoru. Jedná se o ucelené řešení, které zahrnuje příjem dat, ukládání dat, zpracování dat a pokročilé analýzy – to vše je nezbytné pro sestavování řešení prediktivní údržby. Zdroj dat tohoto řešení je odvozen z veřejně dostupných dat z úložiště dat NASA pomocí sady dat simulace degradace modulu Turbofan.

Toto řešení využívá několik služeb Azure (popsaných níže) spolu s webovou úlohou, která simuluje data. Po nasazení řešení budete mít kompletní pracovní ukázku.

Technické podrobnosti a pracovní postup

  1. Data simulace se streamují nově nasazenou webovou úlohou Azure AeroDataGenerator.
  2. Tyto syntetické datové kanály do služby Azure Event Hubs jako datové body.
  3. Dvě Azure Stream Analytics úlohy analyzují data a poskytují analýzy téměř v reálném čase pro vstupní datový proud z centra událostí. jedna z Stream Analyticsch úloh archivuje všechny nezpracované příchozí události do služby Azure Storage pro pozdější zpracování službou Azure Data Factory, a druhé publikování vede na řídicí panel Power BI.
  4. Služba HDInsight se používá ke spouštění skriptů podregistru, které orchestrují Azure Data Factory. Skripty poskytují agregace pro nezpracované události, které byly archivovány úlohou Stream Analytics.
  5. Azure Machine Learning se používá (orchestrovaná pomocí Azure Data Factory), aby se předpovědi na zbývající dobu životnosti (RUL) konkrétního leteckého motoru s ohledem na obdržené vstupy.
  6. Azure SQL Database se používá (spravuje Azure Data Factory) k ukládání výsledků předpovědi přijatých od Azure Machine Learning. tyto výsledky se pak spotřebují na řídicím panelu Power BI. uložená procedura je nasazena v SQL Database a později vyvolána v Azure Data Factory kanálu k uložení výsledků předpovědi ML do tabulky výsledků bodování.
  7. Azure Data Factory zpracovává orchestraci, plánování a monitorování kanálu dávkového zpracování.
  8. nakonec se Power BI používá pro vizualizaci výsledků. Technici v letadle můžou monitorovat data ze senzorů v reálném čase v letadle nebo v rámci loďstva a pomocí vizualizací naplánovat údržbu motoru.

Komponenty

Další kroky

Přečtěte si další články Cetrum architektury Azure:

Viz dokumentace k produktu:

Testovaný kód: