Прогнозное обслуживание

Фабрика данных
Центры событий
HDInsight
Машинное обучение
База данных SQL
Служба хранилища
Stream Analytics
Power BI

Концепция решения

если вы хотите узнать больше о том, как получить дополнительные сведения о возможных вариантах использования, альтернативных службах, рекомендациях по реализации или ценах, сообщите нам о GitHub.

Это решение для прогнозного обслуживания отслеживает самолета и прогнозирует оставшийся срок службы компонентов самолета Engine. Хотя он настроен для мониторинга самолета, его можно легко обобщить для других сценариев прогнозного обслуживания.

Architecture

схема архитектуры. диагностическое обслуживание для компонентов самолета с помощью Microsoft Azure облачных служб. Скачайте SVG этой архитектуры.

Общие сведения о решении прогнозного обслуживания для компонентов ядра самолета

В этом решении показано, как объединить данные в режиме реального времени из датчиков с расширенной аналитикой для мониторинга самолета частей в режиме реального времени. Он прогнозирует оставшийся срок службы компонентов самолета Engine.

Воздушный командировка является центральным и современным, однако самолетаные ядра очень дороги, и их поддержание и работоспособность требует частого обслуживания высококвалифицированных специалистов. Современные самолетаные ядра снабжены высокосложными датчиками для контроля их работоспособности. С помощью данных этих датчиков в сочетании с расширенной аналитикой можно отслеживать самолета в режиме реального времени и прогнозировать оставшийся срок службы компонента ядра. Эти прогнозы позволяют быстро планировать обслуживание для предотвращения механических сбоев.

Решение коллекция решений ии Azure является реализацией этой идеи решения. Решение прогнозного обслуживания отслеживает самолета и прогнозирует оставшийся срок службы компонентов самолета Engine. Это комплексное решение, которое включает прием данных, хранение данных, обработку данных и расширенную аналитику — все необходимое для создания решения для прогнозного обслуживания. Источник данных этого решения является производным от общедоступных данных из репозитория данных NASA с помощью набора данных эмуляции Турбофан механизма снижения производительности.

В этом решении используются несколько служб Azure (описанных ниже), а также веб-задание, моделирующее данные. После развертывания решения вы получите полную рабочую демонстрацию.

Технические сведения и рабочий процесс

  1. Данные моделирования передаются в потоковом режиме с помощью вновь развернутого веб-задания Azure Аеродатаженератор.
  2. Эти синтетические веб-каналы данных в службу концентраторов событий Azure являются точками данных.
  3. Два Azure Stream Analyticsных задания анализируют данные, чтобы обеспечить аналитику практически в реальном времени для входного потока из концентратора событий. одно из Stream Analyticsных заданий архивирует все необработанные входящие события в службе служба хранилища Azure для дальнейшей обработки службой фабрики данных Azure, а другая публикует результаты на панели мониторинга Power BI.
  4. Служба HDInsight используется для выполнения скриптов Hive, управляемых фабрикой данных Azure. Скрипты предоставляют статистические выражения для необработанных событий, которые были заархивированы заданием Stream Analytics.
  5. Машинное обучение Azure используется (управляется фабрикой данных Azure), чтобы сделать прогнозы на оставшийся срок службы (RUL) определенного механизма самолета с учетом полученных входных данных.
  6. База данных SQL Azure используется (управляется фабрикой данных Azure) для хранения результатов прогноза, полученных от Машинное обучение Azure. затем эти результаты используются на панели мониторинга Power BI. хранимая процедура развертывается в База данных SQL и позже вызывается в конвейере фабрики данных Azure для хранения результатов прогноза ML в таблице результатов оценки.
  7. Фабрика данных Azure управляет согласованием, планированием и мониторингом конвейера пакетной обработки.
  8. наконец, Power BI используется для визуализации результатов. Специалисты самолета могут отслеживать данные датчиков в самолете или на парке в режиме реального времени и использовать визуализации для планирования обслуживания подсистемы.

Компоненты

Дальнейшие действия

Прочитайте другие Центр архитектуры Azure статьи:

См. документацию по продукту:

Испытайте код: