Architektura řešení: Monitorování leteckých motorů pro účely prediktivní údržby v leteckém průmyslu

Letecká doprava je zásadním prvkem moderního života. Letecké motory jsou však drahé a jejich provoz vyžaduje pravidelnou údržbu od vysoce kvalifikovaných techniků. Produkční hodiny ztracené při prostojích můžou přibývat a zasahovat do vašeho potenciálního zisku. Palivo navíc tvoří přibližně 10 % celkových nákladů na provoz letadla, takže efektivita je velmi důležitá.

Moderní letecké motory jsou vybavené vysoce sofistikovanými senzory, které sledují jejich fungování. Kombinací dat z těchto senzorů a pokročilých analýz je možné monitorovat letadlo v reálném čase a předpovídat zbývající životnost součástek motoru, aby mohla být včas naplánovaná údržba a zabránilo se tak mechanickým závadám.

Tento systém monitorování stavu letadel předpovídá zbývající životnost součástek motoru. Zahrnuje ingestování, ukládání a zpracování dat a pokročilé analýzy – to vše je nezbytné k sestavení komplexního řešení prediktivní údržby. A přestože je tento příklad upravený pro monitorování leteckých motorů, řešení je možné snadno zobecnit pro další scénáře prediktivní údržby.

Zkrácením prostojů a zajištěním efektivního fungování motorů toto řešení pomáhá udržovat letadlový park v provozu s co největší ziskovostí.

Nasadit do Azure

Nasazení této architektury do Azure s použitím následující předem sestavené šablony

Nasadit do Azure

Zobrazit nasazené řešení

Data Factory: Move data, orchestrate, schedule and monitor SQL Database Machine Learning Power BI Event Hub Stream Analytics HDInsight Geography Data(Blob Storage) Engine Sensor Data (Simulated)

Pokyny k implementaci

Produkty/popis Dokumentace

Stream Analytics

Stream Analytics poskytuje téměř v reálném čase analýzy vstupního datového proudu z centra událostí Azure. Vstupní data se filtrují a předávají do koncového bodu Machine Learning, který nakonec odešle výsledky na řídicí panel Power BI.

Event Hubs

Event Hubs ingestuje nezpracovaná data montážní linky a předává je do Stream Analytics.

Machine Learning Studio

Machine Learning předpovídá potenciální chyby na základě dat montážní linky shromažďovaných v reálném čase ze Stream Analytics.

HDInsight

HDInsight prostřednictvím spouštění skriptů Hive poskytuje agregace nezpracovaných událostí archivovaných modulem Stream Analytics.

SQL Database

SQL Database uchovává výsledky předpovědí přijaté ze služby Machine Learning a publikuje data do Power BI.

Data Factory

Data Factory zajišťuje orchestraci, plánování a monitorování kanálu dávkového zpracování.

Power BI

Power BI vizualizuje data montážní linky shromažďovaná v reálném čase ze Stream Analytics a předpokládané chyby a upozornění ze služby Data Warehouse.

Související architektury řešení