予測的なメンテナンス

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

ソリューションのアイデア

この記事にさらに多くの情報 (想定されるユース ケース、代替サービス、実装に関する考慮事項、価格ガイダンスなど) の掲載をご希望の方は、GitHub のフィードバックでお知らせください。

この予測メンテナンスソリューションを使うと、航空機を監視し、航空機のエンジン コンポーネントの残存耐用年数を予測できます。 航空機の監視用にカスタマイズされていますが、他の予測メンテナンス シナリオに合わせて簡単に一般化できます。

アーキテクチャ

アーキテクチャ図: Microsoft Azure クラウド サービスを使用した航空機コンポーネントの予測メンテナンス。 このアーキテクチャの SVG をダウンロードします。

航空機エンジン コンポーネントの予測メンテナンス ソリューションの概要

このソリューションでは、リアルタイムで航空機の部品を監視するために、センサーからのリアルタイム データを高度な分析と組み合わせる方法を示します。 航空機エンジン コンポーネントの部品の残存耐用年数を予測します。

空の旅は現代的な生活の中心にありますが、航空機のエンジンは高価であり、それを維持するには、高度なスキルを持つ技術者が頻繁にメンテナンスを行う必要があります。 最新の航空機エンジンには、これらの機能を追跡することができる非常に高度なセンサーが装備されています。 こうしたセンサーのデータを高度な分析と組み合わせることで、航空機をリアルタイムで監視し、エンジン コンポーネントの残存耐用年数を予測します。 これらの予測により、メンテナンスを迅速にスケジュール設定して、機械的な故障を防ぐことが可能になります。

Azure AI Gallery ソリューションは、このソリューションのアイデアの実装です。 この予測メンテナンス ソリューションを使うと、航空機を監視し、航空機のエンジン コンポーネントの残りの耐用年数を予測できます。 これは、データ インジェスト、データ ストレージ、データ処理、高度な分析を含むエンドツーエンドのソリューションです。このいずれも予測メンテナンス ソリューションの構築に不可欠です。 このソリューションのデータ ソースは、Turbofan Engine Degradation Simulation Data Set (ターボファン エンジンの劣化シミュレーション データ セット) を使用して、NASA データ リポジトリで公開されているデータから派生したものです。

このソリューションには、データをシミュレートする Web ジョブと共に、複数の Azure サービス (後述) が含まれています。 ソリューションのデプロイ後、動作するデモが完成します。

技術的な詳細とワークフロー

  1. シミュレーション データは、新しくデプロイされた Azure Web ジョブである AeroDataGenerator によってストリーミングされます。
  2. この合成データは、データ ポイントとして Azure Event Hubs サービスにフィードされます。
  3. 2 つの Azure Stream Analytics ジョブによってデータが分析され、イベント ハブからの入力ストリームでほぼリアルタイムの分析が提供されます。 Stream Analytics ジョブの 1 つによって、Azure Data Factory サービスによる後の工程のために、すべての未加工の着信イベントは Azure Storage サービスにアーカイブされます。もう 1 つのジョブによって、結果が Power BI ダッシュボードに発行されます。
  4. Azure HDInsight サービスは、Azure Data Factory によって調整された Apache Hive スクリプトの実行に使用されます。 このスクリプトは、Azure Stream Analytics ジョブによってアーカイブされた未加工のイベントの集計を提供します。
  5. Azure Machine Learning を使用して (Azure Data Factory によって調整される)、受け取った入力から、特定の航空機エンジンの残存耐用年数 (RUL) を予測します。
  6. Azure SQL Database は、Azure Machine Learning から受け取った予測結果を格納するために使用されます (また、Azure Data Factory によって管理されます)。 これらの結果は、Power BI ダッシュボードで使用されます。 ストアド プロシージャは SQL データベースにデプロイされ、後で Azure Data Factory パイプラインで呼び出され、ML の予測結果はスコア付け結果テーブルに格納されます。
  7. Azure Data Factory によって、オーケストレーション、スケジュール設定、およびバッチ処理のパイプラインの監視が処理されます。
  8. 最後に、結果を視覚化するために Power BI が使用されます。 航空機技術者は飛行機または飛行機群全体のセンサー データをリアルタイムで監視し、視覚化を使用してエンジンのメンテナンスをスケジュールできます。

Components

次のステップ

次の Azure アーキテクチャ センターの記事を参照してください。

次の製品ドキュメントを参照してください。

次のコードをお試しください。