Tahmine dayalı bakım

Data Factory
Event Hubs
HDInsight
Machine Learning
Stream Analytics

Çözüm fikri

bizi görmek isterseniz, olası kullanım durumları, alternatif hizmetler, uygulama değerlendirmeleri veya fiyatlandırma kılavuzu gibi daha fazla bilgi için bu makaleyi genişlettikten sonra GitHub geri bildirimdebulunun!

Bu tahmine dayalı bakım çözümü, uçakları izler ve uçak motoru bileşenlerinin kalan faydalı ömrünü tahmin eder. Uçak izleme için özelleştirilirken, bu, tahmine dayalı bakım senaryolarında kolayca genelleştirilerek yapılabilir.

Mimari

mimari diyagramı: Microsoft Azure bulut hizmetlerini kullanarak uçak bileşenleri için tahmine dayalı bakım.Bu mimarinin bir SVG indirin.

İş akışı

  1. Simülasyon verileri, yeni dağıtılmış bir Azure Web Işi olan Havaodatagenerator tarafından akışla kaydedilir.
  2. Bu yapay veri akışları, Azure Event Hubs hizmetinde veri noktaları olarak.
  3. İki Azure Stream Analytics iş, Olay Hub 'ından gelen giriş akışında neredeyse gerçek zamanlı analiz sağlamak üzere verileri analiz eder. Stream Analytics işlerden biri, Azure Data Factory hizmeti tarafından daha sonra işlenmek üzere tüm ham gelen olayları Azure Depolama hizmetine arşivleyerek, diğer bir Power BI panosu üzerinde sonuçları yayınlar.
  4. HDInsight hizmeti, Azure Data Factory tarafından düzenlenen Hive betiklerini çalıştırmak için kullanılır. Betikler, Stream Analytics işi tarafından arşivlenen ham olaylara toplamalar sağlar.
  5. Azure Machine Learning, belirli uçak altyapısının kalan kullanım ömrü (rul) üzerinde tahmine dayalı hale getirmek için (Azure Data Factory tarafından düzenlenir) kullanılır.
  6. Azure Machine Learning alınan tahmin sonuçlarını depolamak için Azure SQL Veritabanı kullanılır (Azure Data Factory tarafından yönetilir). bu sonuçlar daha sonra Power BI panosunda tüketilecektir. saklı yordam SQL Veritabanı dağıtılır ve daha sonra ML tahmin sonuçlarını puanlama sonuç tablosuna depolamak için Azure Data Factory işlem hattında çağırılır.
  7. Azure Data Factory Batch işleme işlem hattının düzenlenmesi, zamanlanması ve izlenmesini işler.
  8. son olarak, Power BI sonuçları görselleştirmede kullanılır. Uçak teknisyenleri, bir uçbilgisayardan veya her zaman gerçek zamanlı olarak algılayıcı verilerini izleyebilir ve altyapı bakımını zamanlamak için görselleştirmeler kullanabilirler.

Bileşenler

Çözüm ayrıntıları

Bu çözüm, uçak parçalarını gerçek zamanlı olarak izlemek için gelişmiş analizler ile sensörlerden gerçek zamanlı verilerin nasıl birleştirileceğini gösterir. Uçak motoru bileşenlerinin kalan faydalı ömrünü tahmin eder.

Hava yolculuğu, modern bir hayata sahiptir, ancak uçak motorları pahalıdır ve çalışır durumda olmak, yüksek oranda nitelikli teknisyenler için sık bakım gerektirir. Modern uçak motorları, çalışmasını izlemek için yüksek düzeyde gelişmiş sensörlerle donatılmıştır. Bu sensörlerden, gelişmiş analizler ile birleştirilmiş veriler sayesinde, her ikisi de gerçek zamanlı olarak izleyebilir ve bir altyapı bileşeninin kalan faydalı ömrünü tahmin etmek mümkündür. Bu Öngörüler, mekanik hataların önlenmesi için bakımın hızlı bir şekilde zamanlanmasını sağlar.

Bu senaryoyu dağıtın

Azure yapay zeka Galerisi çözümü bu çözüm fikrini uygulamasıdır. Tahmine dayalı bakım çözümü, airsürümlerini izler ve uçak motoru bileşenlerinin kalan faydalı ömrünü tahmin eder. Veri alma, veri depolama, veri işleme ve gelişmiş analizler içeren, tahmine dayalı bakım çözümü oluşturmak için gerekli olan uçtan uca bir çözümdür. Bu çözümün veri kaynağı, turbofan motor düşme simülasyonu veri kümesi kullanılarak NASA veri deposundan genel kullanıma açık verilerden türetilir.

Bu çözüm, verileri taklit eden bir Web işiyle birlikte birden çok Azure hizmetini (aşağıda açıklanmıştır) kullanır. Çözümün dağıtımıyla sonra, tamamen çalışma tanıtımına sahip olacaksınız.

Sonraki adımlar

Ürün belgelerine bakın:

Kodu deneyin:

Diğer Azure Mimari Merkezi makalelerini okuyun: