Arquitectura de solución: Supervisión del motor de las aeronaves para un mantenimiento predictivo en el sector aeronáutico

Los viajes en avión son esenciales para la vida moderna. Sin embargo, los motores de los aviones son caros y conservarlos en buen estado requiere un mantenimiento frecuente que deben realizar técnicos altamente cualificados. Las horas de producción perdidas a causa de los tiempos de inactividad pueden suponer un costo extra, que recorta sus posibles beneficios. Además, hay que añadir unas facturas de combustible que suponen aproximadamente el 10 % del costo total de una aeronave, por lo que la eficiencia es muy importante.

Los motores de las aeronaves actuales están equipados con sensores muy sofisticados que permiten realizar un seguimiento de su funcionamiento. Combinando los datos procedentes de estos sensores con técnicas de análisis avanzado, es posible supervisar el estado de la aeronave en tiempo real y predecir la vida útil restante de una pieza del motor, de forma que se pueda programar a tiempo un mantenimiento para evitar averías mecánicas.

Este sistema de supervisión del mantenimiento de la aeronave permite predecir la vida útil restante de las piezas del motor. Incluye la ingesta, el almacenamiento y el procesamiento de los datos, y el análisis avanzado. Todos estos pasos son necesarios para crear una solución de mantenimiento predictivo integral. Y, aunque este ejemplo se ha personalizado para la supervisión de motores de aeronaves, se puede generalizar fácilmente para otros escenarios de mantenimiento.

Gracias a la reducción del tiempo de inactividad y a la garantía de que los motores funcionarán de forma eficiente, esta solución le ayuda a conservar su flota en funcionamiento en las condiciones que más beneficios generan.

Implementar en Azure

Utilizar la siguiente plantilla predefinida para implementar esta arquitectura en Azure

Implementar en Azure
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)

Guía sobre la implementación

Productos Documentación

Stream Analytics

Stream Analytics proporciona un análisis casi en tiempo real del flujo de entrada de Azure Event Hubs. Los datos de entrada se filtran y se pasan a un punto de conexión de Machine Learning, y, por último, los resultados se envían al panel de Power BI.

Event Hubs

Event Hubs ingiere los datos sin procesar de la línea de montaje y los pasa a Stream Analytics.

Machine Learning Studio

Machine Learning predice errores potenciales gracias a los datos de la línea de montaje en tiempo real procedentes de Stream Analytics.

HDInsight

HDInsight ejecuta scripts de Hive para proporcionar agregaciones a los eventos sin procesar que se archivaron en Stream Analytics.

SQL Database

SQL Database almacena los resultados de predicción recibidos de Machine Learning y publica los datos en Power BI.

Data Factory

Data Factory controla la orquestación, programación y supervisión de la canalización de procesamiento por lotes.

Power BI

Power BI permite visualizar los datos de la línea de montaje en tiempo real procedentes de Stream Analytics y los errores pronosticados y las alertas de Data Warehouse.

Arquitecturas de soluciones relacionadas

Data Factory: Move data, orchestrate, schedule and monitor SQL Data Warehouse Machine Learning Machine Learning Power BI Event Hub Stream Analytics HDInsight Geography Data(Blob Storage) Vehicle Catalogue Diagnotic Events (Simulated)

Información predictiva con la telemática del vehículo

Conozca de qué forma pueden los concesionarios de coches, los fabricantes y las compañías de seguros usar Microsoft Azure para obtener información temprana acerca del estado del vehículos y los hábitos de conducción.

Más información