Lösungsarchitektur: Überwachung von Flugzeugtriebwerken für den vorhersagbaren Wartungsbedarf für Luft- und Raumfahrt

Der Luftverkehr ist ein wesentlicher Bestandteil des modernen Lebens. Flugzeugtriebwerke sind jedoch teuer und der Betrieb erfordert regelmäßige Wartung durch hochqualifizierte Techniker. Die Produktionsstunden, die durch Ausfallzeiten verloren gehen, können sich summieren und so einen Einschnitt in Ihrem möglichen Gewinn darstellen. Dazu machen Kerosinkosten 10 % der Gesamtkosten der Betriebs eines Flugzeugs aus, deshalb ist Effizienz so wichtig.

Moderne Flugzeugtriebwerke sind mit hochentwickelten Sensoren ausgestattet, die die Funktionsweise verfolgen. Durch Kombination der Daten dieser Sensoren mit erweiterten Analysen ist es möglich, das Flugzeug in Echtzeit zu überwachen und die verbliebene Lebensdauer einer Triebwerkskomponente vorherzusagen, sodass die Wartung zeitnah eingeplant werden kann, um mechanische Ausfälle zu verhindern.

Dieses Überwachungssystem für die Integrität des Flugzeugs sagt die restliche Lebensdauer von Triebwerkskomponenten vorher. Darin ist Datenerfassung, Datenspeicher, Datenverarbeitung sowie erweiterte Analysen enthalten. All dies ist für die Erstellung einer durchgängigen Lösung für die vorausschauenden Wartung wichtig. Während dieses Beispiel für die Überwachung von Flugzeugtriebwerken angepasst wird, kann die Lösung einfach für andere vorausschauende Wartungsszenarios generalisiert werden.

Indem die Ausfallzeit reduziert und sichergestellt wird, dass Triebwerke effizient arbeiten, kann Ihnen diese Lösung dabei helfen, dass Ihre Flotte so profitabel wie möglich ist.

In Azure bereitstellen

Verwenden Sie die folgende vorgefertigte Vorlage, um diese Architektur in Azure bereitzustellen

In Azure bereitstellen

Bereitgestellte Lösung anzeigen

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)

Implementierungsleitfaden

Produkte/Beschreibung Dokumentation

Stream Analytics

Stream Analytics stellt Analysen beinahe zur Echtzeit auf dem Eingabestring vom Azure-Event Hub bereit. Eingabedaten werden gefiltert und an einen Machine Learning-Endpunkt übermittelt wobei schlussendlich die Ergebnisse an das Power BI-Dashboard gesendet werden.

Event Hubs

Event Hubs erfasst Daten der Montagelinien und übergibt diese an Stream Analytics.

Machine Learning Studio

Machine Learning sagt potenzielle Fehler auf Grundlage von Echtzeitdaten der Montagelinien von Stream Analytics vorher.

HDInsight

HDInsight führt Hive-Skripts aus, um Aggregationen auf den Rohereignissen bereitzustellen, die durch Stream Analytics archiviert wurden.

SQL-Datenbank

Die SQL-Datenbank speichern die Vorhersageergebnisse, die es vom Machine Learning-Dienst erhalten hat und veröffentlicht die Daten in Power BI.

Data Factory

Data Factory behandelt die Orchestrierung, Planung und Überwachung der Batchverarbeitungs-Pipeline.

Power BI

Power BI visualisiert Echtzeitdaten von Montagelinien von Stream Analytics und sagt Fehler und Warnungen von Data Warehouse vorher.

Zugehörige Lösungsarchitekturen