Förebyggande underhåll

Data Factory
Event Hubs
HDInsight
Machine Learning
Stream Analytics

Lösningsidéer

Den här artikeln är en lösningsidé. Om du vill att vi ska utöka innehållet med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du meddela oss genom att ge GitHub feedback.

Den här förutsägelseunderhållslösningen övervakar flygplan och förutsäger den återstående livslängden för flygplansmotorkomponenter.

Arkitektur

Arkitekturdiagram: förutsägande underhåll för flygplanskomponenter med hjälp av Microsoft Azure-molntjänster.Ladda ned en SVG för den här arkitekturen.

Dataflöde

  1. Simuleringsdata strömmas av ett nyligen distribuerat Azure Web Job, AeroDataGenerator. Alternativt kan den bearbeta offlinedata genom att regelbundet importera sensorloggfiler eller data till lösningen.
  2. Dessa syntetiska data matas in i 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 orkestrerats av Azure Data Factory. Skripten innehåller aggregeringar för de råhändelser som arkiverades av Stream Analytics-jobbet.
  5. Azure Machine Learning används (orkestrerat av Azure Data Factory) för att göra förutsägelser om den återstående livslängden (RUL) för en viss flygplansmotor med tanke på de indata som tagits emot.
  6. Azure SQL Database används (hanteras av Azure Data Factory) för att lagra förutsägelseresultaten från Azure Machine Learning. Dessa resultat förbrukas sedan på Power BI-instrumentpanelen. En lagrad procedur distribueras i SQL Database och anropas senare i Azure Data Factory pipeline för att lagra ML-förutsägelseresultaten i resultattabellen för bedömning.
  7. Azure Data Factory hanterar orkestrering, schemaläggning och övervakning av batchbearbetningspipelinen.
  8. Slutligen används Power BI för att visualisera resultat. Flygplanstekniker kan övervaka sensordata från ett flygplan eller i hela flottan i realtid och använda visualiseringar för att schemalägga motorunderhåll.

Komponenter

Scenarioinformation

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

Flygresor är centrala för det moderna livet, men flygplansmotorer är dyra och att hålla dem igång kräver ofta underhåll av högkvalificerade tekniker. Moderna flygplansmotorer är utrustade med mycket sofistikerade sensorer för att spåra deras funktion. Med data från dessa sensorer i kombination med avancerad analys är det möjligt att både övervaka flygplanet i realtid och förutsäga den återstående livslängden för en motorkomponent. Dessa förutsägelser gör att underhåll kan schemaläggas snabbt för att förhindra mekaniska fel.

Potentiella användningsfall

Även om den är anpassad för flygplansövervakning och flygindustrin kan den enkelt generaliseras för andra scenarier för förutsägande underhåll.

Distribuera det här scenariot

Azure AI-gallerilösningen är en implementering av den här lösningsidén. Den förutsägande underhållslösningen övervakar flygplan och förutsäger den återstående livslängden för flygplansmotorkomponenter. Det är en lösning från slutpunkt till slutpunkt 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-datalagringsplatsen med hjälp av Turbofan Engine Degradation Simulation Data Set.

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

Nästa steg

Se produktdokumentationen:

Prova koden:

Läs andra artiklar om Azure Architecture Center: