Voorspellend onderhoud

Data Factory
Event Hubs
HDInsight
Machine Learning
Stream Analytics

Ideeën voor oplossingen

Dit artikel is een oplossingsidee. Als u wilt dat we de inhoud uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsrichtlijnen, laat het ons dan weten door gitHub feedback te geven.

Deze oplossing voor predictief onderhoud bewaakt vliegtuigen en voorspelt de resterende levensduur van onderdelen van vliegtuigmotor.

Architectuur

Architectuurdiagram: voorspellend onderhoud voor vliegtuigonderdelen met behulp van Microsoft Azure-cloudservices.Download een SVG van deze architectuur.

Gegevensstroom

  1. De simulatiegegevens worden gestreamd door een nieuw geïmplementeerde Azure-webtaak, AeroDataGenerator. Het kan ook offlinegegevens verwerken door periodiek sensorlogboekbestanden of -gegevens in de oplossing te importeren.
  2. Deze synthetische gegevens worden als gegevenspunten in de Azure Event Hubs-service ingevoerd.
  3. Twee Azure Stream Analytics-taken analyseren de gegevens om bijna realtime analyses te bieden voor de invoerstroom van de Event Hub. Een van de Stream Analytics-taken archiveert alle onbewerkte binnenkomende gebeurtenissen naar de Azure Storage-service voor latere verwerking door de Azure Data Factory-service en de andere publiceert resultaten naar een Power BI-dashboard.
  4. De HDInsight-service wordt gebruikt om Hive-scripts uit te voeren die door Azure Data Factory zijn ingedeeld. De scripts bieden aggregaties voor de onbewerkte gebeurtenissen die zijn gearchiveerd door de Stream Analytics-taak.
  5. Azure Machine Learning wordt gebruikt (ingedeeld door Azure Data Factory) om voorspellingen te doen over de resterende levensduur (RUL) van een bepaalde vliegtuigmotor op basis van de ontvangen invoer.
  6. Azure SQL Database wordt gebruikt (beheerd door Azure Data Factory) om de voorspellingsresultaten op te slaan die zijn ontvangen van Azure Machine Learning. Deze resultaten worden vervolgens gebruikt in het Power BI-dashboard. Een opgeslagen procedure wordt geïmplementeerd in de SQL Database en later aangeroepen in Azure Data Factory pijplijn om de ML-voorspellingsresultaten op te slaan in de scoreresultatentabel.
  7. Azure Data Factory zorgt voor indeling, planning en bewaking van de pijplijn voor batchverwerking.
  8. Ten slotte wordt Power BI gebruikt voor het visualiseren van resultaten. Vliegtuigtechnici kunnen de sensorgegevens van een vliegtuig of de hele vloot in realtime bewaken en visualisaties gebruiken om het motoronderhoud te plannen.

Onderdelen

Scenariodetails

Deze oplossing laat zien hoe u realtime gegevens van sensoren kunt combineren met geavanceerde analyses om vliegtuigonderdelen in realtime te bewaken. Het voorspelt de resterende levensduur van onderdelen van vliegtuigmotor.

Vliegen staat centraal in het moderne leven, maar vliegtuigmotoren zijn duur en het onderhouden ervan vereist frequent onderhoud door hoogopgeleide technici. Moderne vliegtuigmotoren zijn uitgerust met zeer geavanceerde sensoren om hun werking te volgen. Met gegevens van deze sensoren in combinatie met geavanceerde analyses is het mogelijk om zowel het vliegtuig in realtime te bewaken als de resterende levensduur van een motoronderdeel te voorspellen. Met deze voorspellingen kan onderhoud snel worden gepland om mechanische storingen te voorkomen.

Potentiële gebruikscases

Hoewel het is aangepast voor vliegtuigbewaking en de luchtvaartindustrie, kan het eenvoudig worden gegeneraliseerd voor andere scenario's voor voorspellend onderhoud.

Dit scenario implementeren

De Azure AI Gallery Solution is een implementatie van dit oplossingsidee. De oplossing voor predictief onderhoud bewaakt vliegtuigen en voorspelt de resterende levensduur van onderdelen van vliegtuigmotor. Het is een end-to-end-oplossing die gegevensopname, gegevensopslag, gegevensverwerking en geavanceerde analyses omvat. Dit zijn allemaal essentieel voor het bouwen van een oplossing voor predictief onderhoud. De gegevensbron van deze oplossing is afgeleid van openbaar beschikbare gegevens uit de NASA-gegevensopslagplaats met behulp van de Turbofan Engine Degradation Simulation-gegevensset.

Deze oplossing maakt gebruik van meerdere Azure-services (hieronder beschreven) samen met een webtaak waarmee gegevens worden gesimuleerd. Na de implementatie van de oplossing hebt u een volledige werkende demo.

Volgende stappen

Zie de productdocumentatie:

Probeer de code:

Lees andere artikelen over Azure Architecture Center: