預測性維護

Data Factory
事件中樞
HDInsight
Machine Learning
SQL Database
儲存體
串流分析
Power BI

解決方案構想

如果您想要瞭解如何使用詳細資訊來擴充本文,例如可能的使用案例、替代服務、實行考慮或定價指引,請讓我們知道 GitHub 的意見反應!

此預測性維護解決方案可監視飛機,並預測飛機引擎零件的剩餘使用年限。 雖然它是針對飛機監視進行自訂,但可輕鬆地一般化以進行其他預測性維護案例。

架構

架構圖:使用 Microsoft Azure 雲端服務之飛機元件的預測性維護。 下載此架構的SVG

飛機引擎元件的預測性維護解決方案總覽

此解決方案示範如何結合來自感應器的即時資料和先進的分析,即時監視飛機零件。 它會預測飛機引擎元件的剩餘使用年限。

空中旅遊是現代生活的核心,不過,飛機引擎的成本很高,而且必須由高度熟練的技術人員進行頻繁的維護,才能讓它們正常運作。 新式飛機引擎配備高度精密的感應器來追蹤其運作狀況。 當這些感應器的資料與先進分析結合時,就可以即時監視飛機,並預測引擎元件的剩餘使用年限。 這些預測可讓您快速排程維護,以防止機械故障。

Azure AI 資源庫的解決方案是此解決方案構想的實作為。 預測性維護解決方案可監視飛機,並預測飛機引擎零件的剩餘使用年限。 它是一種端對端解決方案,其中包括資料內嵌、資料儲存、資料處理及先進的分析-建立預測性維護解決方案的所有必要條件。 此解決方案的資料來源衍生自 NASA 資料存放庫中使用渦輪風扇引擎降級模擬資料集的公開可用資料。

此解決方案會使用多項 Azure 服務 (如下所述) 以及模擬資料的 web 工作。 部署解決方案之後,您將有完整的工作示範。

技術詳細資料和工作流程

  1. 模擬資料會由新部署的 Azure Web 作業 AeroDataGenerator 進行串流。
  2. 此綜合資料會以資料點的形式送入 Azure 事件中樞服務中。
  3. 有兩個 Azure 串流分析作業會分析資料,為來自事件中樞的輸入資料流程提供近乎即時的分析。 其中一個串流分析作業會將所有未經處理的內送事件封存到 Azure 儲存體服務,以供 Azure Data Factory 服務稍後處理,而另一個則會將結果發佈至 Power BI 儀表板。
  4. HDInsight 服務是用來執行由 Azure Data Factory 協調的 Hive 腳本。 腳本會針對串流分析作業所封存的原始事件提供匯總。
  5. Azure Machine Learning 是使用 (由 Azure Data Factory) 協調,以在剩餘的可用存留期內進行預測, (特定飛機引擎在收到輸入時的 RUL) 。
  6. Azure SQL Database 是由 Azure Data Factory) (管理,以儲存從 Azure Machine Learning 接收的預測結果。 然後,這些結果會在 Power BI 儀表板中使用。 預存程式會部署在 SQL Database 中,並于稍後在 Azure Data Factory 管線中叫用,以將 ML 預測結果儲存到評分結果資料表中。
  7. Azure Data Factory 會處理批次處理管線的協調流程、排程和監視。
  8. 最後,Power BI 是用來視覺化結果。 飛機技術人員可以即時監視飛機或整個車隊的感應器資料,並使用視覺效果來排程引擎維護。

單元

下一步

閱讀其他 Azure 架構中心文章:

請參閱產品檔:

試用程式碼: