Prediktív karbantartás

Data Factory
Event Hubs
HDInsight
Machine Learning
Stream Analytics

Megoldási ötlet

Ha szeretné látni, hogyan bővítjük ezt a cikket további információkkal, például lehetséges felhasználás esetekkel, alternatív szolgáltatásokkal, megvalósítási szempontokkal vagy díjszabási útmutatóval, tudajuk meg velünk a GitHub Visszajelzést!

Ez a prediktív karbantartási megoldás figyeli a repülőt, és előrejelozza a repülő motorösszetevőinek fennmaradó hasznos élettartamát. Bár a repülők monitorozásához van testre szabva, könnyen általánosizálható más prediktív karbantartási forgatókönyvekhez.

Architektúra

Architektúradiagram: a repülő-összetevők prediktív karbantartása Microsoft Azure felhőszolgáltatások használatával.Töltse le az architektúra SVG-ját.

Munkafolyamat

  1. A szimulációs adatokat egy újonnan üzembe helyezett Azure Web Job, AIDataGenerator streameli.
  2. Ez a szintetikus adat adatpontként Azure Event Hubs be 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 archiv minden nyers bejövő eseményt az Azure Storage szolgáltatásba a Azure Data Factory-szolgáltatás által történő későbbi feldolgozás céljából, a másik pedig közzéteszi az eredményeket egy Power BI irányítópulton.
  4. A HDInsight szolgáltatás a hdinsighti parancsprogram által vezényelt Hive-Azure Data Factory. A szkriptek összesítéseket biztosítanak a feladat által archivált nyers Stream Analytics alapján.
  5. Azure Machine Learning (amelyet a Azure Data Factory vezényel) egy adott repülőgépmotor fennmaradó hasznos élettartamára (RUL) vonatkozó előrejelzésekhez a kapott bemenetek alapján.
  6. Azure SQL Database (amelyet a Azure Data Factory) a rendszer a Azure Machine Learning. Ezeket az eredményeket a rendszer ezután az irányítópulton Power BI fel. A rendszer üzembe helyez egy tárolt eljárást a SQL Database, majd később meghívja egy Azure Data Factory folyamatban, hogy az előrejelzési eredményeket ML pontozási eredménytáblában tárolja.
  7. Azure Data Factory a kötegelt feldolgozási folyamat vezénylése, ütemezése és monitorozása.
  8. Végül a Power BI az eredmények megjelenítésére használható. A repülőgép-technikusok valós időben figyelik egy repülőgép vagy a flotta érzékelőinek adatait, és vizualizációk segítségével ütemezik a motor karbantartását.

Összetevők

Megoldás részletei

Ez a megoldás bemutatja, hogyan kombinálhatja az érzékelők valós idejű adatait fejlett elemzésekkel a repülőrészek valós idejű figyelése érdekében. Előrejelezni tudja a repülőmotor összetevőinek fennmaradó hasznos élettartamát.

A légi utazás a modern élet központi része, azonban a repülőmotorok költségesek, és a karbantartásukhoz a képzett technikusok gyakran karbantartást igényelnek. A modern repülőgépmotorok rendkívül kifinomult érzékelőkkel vannak ellátva a működésük nyomon követéséhez. Ezeknek az érzékelőknek az adatai fejlett elemzésekkel kombinálva valós időben monitorhatók a repülők, és előrejelezni lehet egy motorösszetevő fennmaradó hasznos élettartamát. Ezek az előrejelzések lehetővé teszik a karbantartás gyors ütemezését a gépi meghibásodások megelőzése érdekében.

A forgatókönyv üzembe helyezése

A Azure AI Gallery megoldás ennek a megoldási ötletnek a megvalósítása. A prediktív karbantartási megoldás figyeli a repülőt, és előrejelozza a repülő motorösszetevőinek fennmaradó hasznos élettartamát. Ez egy olyan végpontok között található megoldás, amely magában foglalja az adatfeldolgozást, az adattárolást, az adatfeldolgozást és a fejlett analitikát – mindezt egy prediktív karbantartási megoldás kiépítése érdekében. A megoldás adatforrása a NASA adattárában nyilvánosan elérhető adatokból származik a Turbofan Engine Degradation Simulation data set használatával.

Ez a megoldás több Azure-szolgáltatást használ (lásd alább), valamint egy webes feladatot, amely szimulálja az adatokat. A megoldás üzembe helyezése után egy teljes bemutatóval fog dolgozni.

Következő lépések

Lásd a termékdokumentációt:

Próbálja ki a kódot:

Olvassa el a Azure Architecture Center cikkeket: