Maintenance prédictive

Data Factory
Event Hubs
HDInsight
Machine Learning
Base de données SQL
Stockage
Stream Analytics
Power BI

Idée de solution

Si vous souhaitez nous voir développer cet article avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, faites-le nous savoir avec les Commentaires de GitHub.

Cette solution de maintenance prédictive assure la supervision des avions et prédit la durée de vie restante des composants de moteur d’avion. Bien qu’elle soit personnalisée pour la surveillance des avions, elle peut facilement être généralisée pour d’autres scénarios de maintenance prédictive.

Architecture

Diagramme d’architecture : maintenance prédictive de composants d’avion à l’aide de Microsoft Azure Cloud Services. Téléchargez un fichier SVG de cette architecture.

Vue d’ensemble d’une solution de maintenance prédictive pour composants de moteur d’avion

Cette solution montre comment combiner les données en temps réel de capteurs avec une analytique avancée afin de surveiller des composants d’avion en temps réel. Elle prédit la durée de vie utile restante de composants de moteur d’avion.

Le voyage aérien est essentiel à la vie moderne. Toutefois, les moteurs d’avion sont onéreux et leur mise en service requiert des maintenances régulières par des techniciens hautement qualifiés. Les moteurs d’avion modernes sont équipés de capteurs hautement sophistiqués pour suivre leur fonctionnement. La combinaison des données de ces capteurs avec une analytique avancée permet de surveiller l’avion en temps réel et de prédire la durée de vie utile restante d’un composant de moteur. Ces prédictions permettent de planifier rapidement la maintenance afin de prévenir des défaillances mécaniques.

La solution Azure AI Gallery est une implémentation de cette idée de solution. La solution de maintenance prédictive surveille les avions et prédit la durée de vie utile restante des composants de moteur d’avion. Il s’agit d’une solution de bout en bout incluant les opérations d’ingestion de données, de stockage de données, de traitement de données et d’analytique avancée, toutes essentielles pour l’élaboration d’une solution de maintenance prédictive. La source de données de cette solution est dérivée des données publiquement disponibles du référentiel de données de la NASA utilisant le jeu de données de simulation de la dégradation d’un réacteur.

Cette solution utilise plusieurs services Azure (décrits ci-dessous), ainsi qu’un travail web qui simule les données. Après le déploiement de la solution, vous disposerez d’une démo fonctionnelle complète.

Détails techniques et workflow

  1. Les données de simulation sont diffusées par une tâche web Azure récemment déployée : AeroDataGenerator.
  2. Ces données synthétiques alimentent le service Azure Event Hubs en tant que points de données.
  3. Deux tâches Azure Stream Analytics analysent les données pour fournir des analyses quasiment en temps réel du flux d’entrée en provenance du service Event Hub. Une des tâches Stream Analytics archive tous les événements entrants bruts sur le service Stockage Azure en vue de leur traitement par le service Azure Data Factory et les autres tâches publient les résultats sur le tableau de bord Power BI.
  4. Le service HDInsight est utilisé pour exécuter des scripts Hive orchestrés par Azure Data Factory. Les scripts fournissent des agrégations d’événements archivés par le travail de Stream Analytics.
  5. Azure Machine Learning (orchestré par Azure Data Factory) sert à prédire la durée de vie restante (RUL) d’un moteur d’avion particulier compte tenu des entrées reçues.
  6. Azure SQL Database (géré par Azure Data Factory) sert à stocker les résultats des prédictions reçus en provenance d’Azure Machine Learning. Ces résultats sont ensuite consommés dans le tableau de bord Power BI. Une procédure stockée est déployée dans SQL Database et est appelée ultérieurement dans le pipeline Azure Data Factory pour stocker les résultats de prédiction ML dans la table de résultats de scoring.
  7. Azure Data Factory gère l’orchestration, la planification et la surveillance du pipeline de traitement par lots.
  8. Enfin, Power BI est utilisé pour visualiser les résultats. Les techniciens de maintenance aéronautique peuvent surveiller les données de capteur d’un avion ou d’une flotte d’avions en temps réel, et utiliser des visualisations pour planifier la maintenance des moteurs.

Composants

Étapes suivantes

Consultez d’autres articles du Centre des architectures Azure :

Consultez la documentation du produit :

Testez le code :