Prediktív karbantartás

Data Factory
Event Hubs
HDInsight
Machine Learning
Stream Analytics

Megoldási ötlet

Ha szeretné látni, hogy további információkkal bővítsük ki ezt a cikket, például lehetséges használati eseteket, alternatív szolgáltatásokat, megvalósítási szempontokat vagy díjszabási útmutatót, tudassa velünk GitHub Visszajelzéssel!

Ez a prediktív karbantartási megoldás figyeli a repülőgépeket, és előrejelzi a repülőgépmotor összetevőinek fennmaradó hasznos élettartamát. Bár a repülőgép-monitorozáshoz van testre szabva, más prediktív karbantartási forgatókönyvek esetén könnyen általánosíthatja.

Architektúra

Architecture diagram: predictive maintenance for aircraft components using Microsoft Azure cloud services.Töltse le az architektúra SVG-jének egyikét.

Munkafolyamat

  1. A szimulációs adatokat egy újonnan üzembe helyezett Azure-webfeladat, az AeroDataGenerator streameli.
  2. Ez a szintetikus adatok adatpontokként kerülnek a Azure Event Hubs szolgáltatásba.
  3. Két Azure Stream Analytics-feladat elemzi az adatokat, hogy közel valós idejű elemzést biztosítson az eseményközpontból származó bemeneti streamen. Az egyik Stream Analytics-feladat archiválja az összes nyers bejövő eseményt az Azure Storage szolgáltatásban a Azure Data Factory szolgáltatás későbbi feldolgozásához, a másik pedig közzéteszi az eredményeket egy Power BI-irányítópulton.
  4. A HDInsight szolgáltatás a Azure Data Factory által vezényelt Hive-szkriptek futtatására szolgál. A szkriptek a Stream Analytics-feladat által archivált nyers események összesítését biztosítják.
  5. Azure Machine Learning (Azure Data Factory vezénylésével) az adott repülőgépmotor fennmaradó hasznos élettartamára (RUL) vonatkozó előrejelzések készítésére használják a kapott bemenetek alapján.
  6. Azure SQL Database (Azure Data Factory kezeli) a Azure Machine Learning kapott előrejelzési eredmények tárolására. Ezeket az eredményeket ezután a Power BI irányítópulton használja fel a rendszer. A rendszer egy tárolt eljárást helyez üzembe a SQL Database, majd később meghívja Azure Data Factory folyamatban, hogy a ML előrejelzési eredményeket a pontozási eredménytáblában tárolja.
  7. Azure Data Factory kezeli a kötegelt feldolgozási folyamat vezénylését, ütemezését és monitorozását.
  8. Végül a Power BI az eredmények megjelenítésére szolgál. A repülőgép-technikusok valós időben figyelhetik egy repülőgép érzékelőadatait vagy a teljes flottát, és vizualizációkkal ütemezhetik a motor karbantartását.

Összetevők

Megoldás részletei

Ez a megoldás bemutatja, hogyan kombinálhatja az érzékelők valós idejű adatait fejlett elemzésekkel a repülőgép-alkatrészek valós idejű monitorozásához. Előrejelzi a repülőgépmotorok fennmaradó hasznos élettartamát.

A légi közlekedés központi szerepet jelent a modern életben, azonban a repülőgépmotorok drágák, és a karbantartásukhoz és a futásukhoz a magasan képzett technikusok gyakori karbantartása szükséges. A modern repülőgépmotorok rendkívül kifinomult érzékelőkkel vannak felszerelve a működésük nyomon követéséhez. Az érzékelőkből származó adatok fejlett elemzésekkel kombinálva valós időben monitorozzák a repülőgépet, és előrejelezhetik a motor alkatrészeinek fennmaradó hasznos élettartamát. Ezek az előrejelzések lehetővé teszik a karbantartás gyors ütemezését a mechanikai hibák megelőzése érdekében.

A forgatókönyv üzembe helyezése

Az Azure AI-katalógusbeli megoldás ennek a megoldási ötletnek az implementációja. A prediktív karbantartási megoldás figyeli a repülőgépeket, és előrejelzi a repülőgépmotor összetevőinek fennmaradó hasznos élettartamát. Ez egy teljes körű megoldás, amely magában foglalja az adatbetöltést, az adattárolást, az adatfeldolgozást és a fejlett elemzéseket – mindez elengedhetetlen egy prediktív karbantartási megoldás létrehozásához. Ennek a megoldásnak az adatforrása a NASA adattárából nyilvánosan elérhető adatokból származik a Turbofan Engine Degradation Simulation Data Set használatával.

Ez a megoldás több (alább ismertetett) Azure-szolgáltatást használ egy adatokat szimuláló webes feladattal együtt. A megoldás üzembe helyezése után egy teljes, működő bemutatóval fog rendelkezni.

Következő lépések

Tekintse meg a termék dokumentációját:

Próbálja ki a kódot:

Olvassa el az Azure Architecture Center további cikkeit: