Navigation überspringen

Predictive Maintenance

Die vorliegende Predictive Maintenance-Lösung überwacht Flugzeuge und prognostiziert die verbleibende Lebensdauer von Triebwerkskomponenten.

Beschreibung

Hinweis: Wenn Sie diese Lösung bereits bereitgestellt haben, klicken Sie hier, um sich Ihre Bereitstellung anzeigen zu lassen.

Geschätzte Bereitstellungszeit: 20 Minuten

Übersicht

Die vorliegende Lösung veranschaulicht, wie Echtzeitdaten von Sensoren mit erweiterten Analysefunktionen kombiniert werden, um Flugzeugbauteile in Echtzeit zu überwachen und die Restnutzungszeit der Bauteile vorherzusagen.

Details

Der Luftverkehr ist ein wesentlicher Bestandteil des modernen Lebens. Flugzeugtriebwerke sind jedoch teuer, und der Betrieb erfordert regelmäßige Wartung durch hochqualifizierte Techniker. Moderne Flugzeugtriebwerke sind mit hochentwickelten Sensoren ausgestattet, mit denen die Funktion dieser Motoren verfolgt wird. Durch Kombination der Daten dieser Sensoren mit erweiterten Analysen ist es möglich, das Flugzeug in Echtzeit zu überwachen und die verbleibende Lebensdauer einer Triebwerkskomponente vorherzusagen, sodass die Wartung zeitnah eingeplant werden kann, um mechanische Ausfälle zu verhindern. Mit der vorliegenden Predictive Maintenance-Lösung wird das Flugzeug überwacht und die Restnutzungsdauer der Triebwerkbauteile prognostiziert. Es handelt sich um eine konsistente Lösung, in der Datenerfassung, Datenspeicher, Datenverarbeitung und erweiterte Analysen enthalten sind. All diese Funktionen sind für die Erstellung einer solchen Predictive Maintenance-Lösung wichtig. Zwar ist diese Lösung für die Überwachung von Flugzeugtriebwerken maßgeschneidert, kann jedoch unkompliziert für andere Predictive Maintenance-Anwendungen angepasst werden. Die Datenquelle für die vorliegende Lösung setzt sich aus frei verfügbaren Daten aus dem NASA-Datenrepository zusammen oder ist von diesen abgeleitet. Hierzu wird das Turbofan Engine Degradation Simulation Data Set eingesetzt.

Mit einem Klick auf die Schaltfläche „Bereitstellen“ wird ein Workflow gestartet, durch den eine Instanz der Lösung innerhalb einer Ressourcengruppe im angegebenen Azure-Abonnement bereitgestellt wird. Die Lösung umfasst mehrere Azure-Dienste (siehe unten) und einen Webauftrag, der Daten simuliert, sodass Sie unmittelbar nach der Bereitstellung über eine funktionsfähige und konsistente Demo verfügen.

Technische Details und Workflow

  1. Die Simulationsdaten werden von einem neu bereitgestellten Azure-Webauftrag gestreamt, dem AeroDataGenerator.
  2. Diese synthetisierten Daten werden dem Azure Event Hubs-Dienst in Form von Datenpunkten zugeführt.
  3. Zwei Azure Stream Analytics-Aufträge untersuchen die Daten, um für den Eingabestream des Event Hubs Analysen nahezu in Echtzeit zur Verfügung stellen zu können. Einer der Stream Analytics-Aufträge archiviert alle eingehenden Rohereignisse im Azure Storage-Dienst, damit diese später vom Azure Data Factory-Dienst verarbeitet werden können, der andere veröffentlicht die Ergebnisse in einem Power BI-Dashboard.
  4. Mithilfe des HDInsight-Diensts werden (von Azure Data Factory orchestrierte) Hive-Skripts ausgeführt. Diese Skripts aggregieren die vom erwähnten Stream Analytics-Auftrag archivierten Rohereignisse.
  5. Mit dem Azure Machine Learning-Dienst werden – ebenfalls von Azure Data Factory orchestriert – auf Grundlage der erhaltenen Eingaben Voraussagen zur verbleibenden Restnutzungszeit des jeweiligen Triebwerks getroffen.
  6. Eine von Azure Data Factory verwaltete Azure SQL-Datenbank-Instanz speichert die Vorhersageergebnisse, die sie vom Azure Machine Learning-Dienst erhalten hat. Diese Ergebnisse werden dann im Dashboard von Power BI verwendet. In der SQL-Datenbank-Instanz wird eine gespeicherte Prozedur bereitgestellt, die später in der Azure Data Factory-Pipeline aufgerufen wird, um die Machine Learning-Prognoseergebnisse in der Tabelle mit den Bewertungsergebnissen zu speichern.
  7. Azure Data Factory erledigt Orchestrierung, Planung und Überwachung der Batchverarbeitungs-Pipeline.
  8. Abschließend wird Power BI zur Visualisierung der Ergebnisse verwendet. So können Flugzeugtechniker die Sensordaten eines Flugzeugs oder auch der gesamten Flotte in Echtzeit überwachen und mithilfe der Visualisierungen Wartungsarbeiten an den Triebwerken planen.

Haftungsausschluss

©2017 Microsoft Corporation. Alle Rechte vorbehalten. Alle Informationen werden im vorliegenden Zustand bereitgestellt und können sich ohne Vorankündigung ändern. Microsoft leistet weder ausdrücklich noch stillschweigend Gewähr hinsichtlich der hier zur Verfügung gestellten Informationen. Zur Erstellung der Lösung wurden Drittanbieterdaten verwendet. Sie sind dafür verantwortlich, die Rechte Dritter zu berücksichtigen. Hierzu zählen u.a. das Beschaffen relevanter Lizenzen, die zur Erstellung ähnlicher Datensätze benötigt werden, und das Erfüllen der jeweiligen Lizenzbedingungen.

Zugehörige Lösungsarchitekturen

Anomalieerkennung in Echtzeitdatenströmen

Mit der Cortana Intelligence IT Anomaly Insights-Lösung können IT-Abteilungen in großen Organisationen Fehler basierend auf zugrunde liegenden Integritätsmetriken aus folgenden Quellen schnell erkennen und beheben: IT-Infrastruktur (CPU, Arbeitsspeicher usw.), Dienste (Timeouts, Abweichungen von SLAs, Brownouts usw.) und andere Key Performance Indicators (Auftragsbestand, Fehler bei Anmeldung und Zahlung usw.). Diese Lösung bietet zudem eine einfache Jetzt ausprobieren-Funktion, auf der potenzielle Kunden den Nutzen der Lösung mit eigenen Daten testen können. Die Funktion „Bereitstellen“ ermöglicht einen schnellen Einstieg in die Lösung auf Azure, da sämtliche Komponenten in Ihrem Azure-Abonnement bereitgestellt werden und Sie die gesamte Lösung vollständig nach Bedarf anpassen können.