Förebyggande underhåll

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

Lösningsidé

Om du vill att vi utökar den här artikeln med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du berätta för GitHub Feedback!

Den här lösningen för förutsägande underhåll övervakar flygplan och förutsäger den återstående användbara livslängden för flygplansmotorkomponenter. Den är anpassad för flygplansövervakning, men kan enkelt generaliseras för andra scenarier för förutsägande underhåll.

Arkitektur

Arkitekturdiagram: Förutsägande underhåll för flygplanskomponenter som använder Microsoft Azure molntjänster. Ladda ned en SVG för den här arkitekturen.

Översikt över en lösning för förutsägande underhåll för flygplansmotorkomponenter

Den här lösningen visar hur du kombinerar realtidsdata från sensorer med avancerad analys för att övervaka flygplansdelar i realtid. Den förutsäger den återstående användbara livslängden för flygplansmotorkomponenter.

Flygresor är centrala i modern tid, men flygplansmotorer är dyra och för att hålla dem igång krävs ofta underhåll av erfarna tekniker. Moderna flygplansmotorer är utrustade med avancerade sensorer för att spåra deras funktion. Med data från dessa sensorer i kombination med avancerad analys är det möjligt att både övervaka flygplanen i realtid och förutsäga den återstående användbara livslängden för en motorkomponent. Dessa förutsägelser gör att underhåll kan schemaläggas snabbt för att förhindra mekaniska fel.

Lösningen Azure AI Gallery är en implementering av den här lösningsidéen. Lösningen för förutsägande underhåll övervakar flygplan och förutsäger den återstående användbara livslängden för flygplansmotorkomponenter. Det är en lösning från hel till slut som innehåller datainmatning, datalagring, databehandling och avancerad analys – allt viktigt för att skapa en lösning för förutsägande underhåll. Datakällan för den här lösningen härleds från offentligt tillgängliga data från NASA:s datalager med datauppsättningen Turbofan Engine Degradation Simulation.

Den här lösningen använder flera Azure-tjänster (beskrivs nedan) tillsammans med ett webbjobb som simulerar data. Efter distributionen av lösningen har du en fullständig fungerande demo.

Teknisk information och arbetsflöde

  1. Simuleringsdata strömmas av ett nyligen distribuerat Azure Web Job,DataGenerator.
  2. Dessa syntetiska data matas in Azure Event Hubs tjänsten som datapunkter.
  3. Två Azure Stream Analytics jobb analyserar data för att tillhandahålla analys i nära realtid på indataströmmen från händelsehubben. Ett av Stream Analytics-jobben arkiverar alla råa inkommande händelser till Azure Storage-tjänsten för senare bearbetning av Azure Data Factory-tjänsten, och det andra publicerar resultat på en Power BI-instrumentpanel.
  4. HDInsight-tjänsten används för att köra Hive-skript som orkestreras av Azure Data Factory. Skripten innehåller sammansättningar av råhändelser som arkiverats av Stream Analytics jobbet.
  5. Azure Machine Learning används (orkestrerat av Azure Data Factory) för att göra förutsägelser om den återstående användbara livslängden (RUL) för en viss flygplansmotor givet de indata som tas emot.
  6. Azure SQL Database används (hanteras av en Azure Data Factory) för att lagra de förutsägelseresultat som tas emot från Azure Machine Learning. Dessa resultat används sedan i Power BI instrumentpanel. En lagrad procedur distribueras i SQL Database och anropas senare i Azure Data Factory-pipelinen för att lagra ML förutsägelseresultat i resultattabellen för bedömning.
  7. Azure Data Factory hanterar orkestrering, schemaläggning och övervakning av batchbearbetningspipelinen.
  8. Slutligen Power BI för att visualisera resultat. Flygplanstekniker kan övervaka sensordata från ett flygplan eller i hela vagnpark i realtid och använda visualiseringar för att schemalägga motorunderhåll.

Komponenter

Nästa steg

Läs andra Azure Architecture Center artiklar:

Se produktdokumentationen:

Testa kod: