Mantenimiento predictivo

Esta solución de mantenimiento predictivo supervisa los aviones y predice la vida útil restante de los componentes del motor.

Descripción

Nota: Si ya ha implementado esta solución, haga clic aquí para ver la implementación.

Tiempo de aprovisionamiento estimado: 20 minutos

Información general

Esta solución muestra cómo combinar datos de sensores en tiempo real con análisis avanzado para supervisar las piezas de un avión en tiempo real y predecir también la vida útil restante de dichas piezas.

Detalles

El transporte aéreo es fundamental en 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. Los motores de los aviones actuales están equipados con sensores muy sofisticados para hacer un seguimiento de su funcionamiento. Combinando los datos procedentes de estos sensores con técnicas de análisis avanzado, es posible supervisar el estado de un avión en tiempo real y predecir la vida útil restante de una pieza del motor, de forma que se pueda programar a tiempo un trabajo de mantenimiento para evitar averías mecánicas. Esta solución de mantenimiento predictivo supervisa los aviones y predice la vida útil restante de los componentes del motor. Es una solución integral que incluye ingesta, almacenamiento y procesamiento de datos, así como análisis avanzado. Todas estas características son esenciales para crear una solución de mantenimiento predictivo. Aunque está personalizada para la supervisión de aviones, se puede generalizar fácilmente para otros casos de mantenimiento predictivo. Esta solución utiliza datos del repositorio de la NASA que están disponibles públicamente con Turbofan Engine Degradation Simulation Data Set.

El botón Implementar inicia un flujo de trabajo que implementa una instancia de la solución en un grupo de recursos de la suscripción de Azure que especifique. La solución incluye varios servicios de Azure (se describen a continuación) junto con un trabajo web que simula datos para que, inmediatamente después de la implementación, disponga de una demostración integral en funcionamiento.

Detalles técnicos y flujo de trabajo

  1. Los datos de la simulación se transmiten vía streaming con un trabajo de Azure WebJobs recién implementado, AeroDataGenerator.
  2. Estos datos sintéticos se envían al servicio Azure Event Hubs como puntos de datos.
  3. Dos trabajos de Azure Stream Analytics analizan los datos para proporcionar análisis casi en tiempo real del flujo de entrada procedente del centro de eventos. Uno de los trabajos de Stream Analytics archiva todos los eventos entrantes sin procesar en el servicio Azure Storage para procesarlos después en el servicio Azure Data Factory. El otro trabajo publica los resultados en un panel de Power BI.
  4. El servicio HDInsight se utiliza para ejecutar scripts de Hive (orquestados por Azure Data Factory) para proporcionar agregaciones de los eventos sin procesar que archivó el mencionado trabajo de Stream Analytics.
  5. El servicio Azure Machine Learning se utiliza (orquestado por Azure Data Factory) para hacer predicciones sobre la vida útil restante de un motor de avión determinado en función de los datos recibidos.
  6. Azure SQL Database se usa (administrado por Azure Data Factory) para almacenar los resultados de la predicción recibidos del servicio Azure Machine Learning. Estos resultados los consume después el panel de Power BI. Se implementa un procedimiento almacenado en SQL Database y, después, se invoca en la canalización de Azure Data Factory para almacenar los resultados de la predicción de ML en la tabla de resultados de la puntuación.
  7. Azure Data Factory controla la orquestación, programación y supervisión de la canalización de procesamiento por lotes.
  8. Finalmente, se utiliza Power BI para la visualización de los resultados, de modo que los técnicos pueden supervisar los datos de los sensores de un avión o de toda una flota en tiempo real y usar esas visualizaciones para programar trabajos de mantenimiento de los motores.

Declinación de responsabilidades

©2017 Microsoft Corporation. Todos los derechos reservados. Esta información se proporciona "tal cual" y puede cambiar sin previo aviso. Microsoft no ofrece ninguna garantía, ni expresa ni implícita, respecto a la información que aquí se proporciona. Para generar la solución, se utilizaron datos de terceros. Usted es responsable de respetar los derechos de otros, incluida la adquisición y el cumplimiento de las licencias correspondientes para crear conjuntos de datos similares.

Arquitecturas de soluciones relacionadas

Detección de anomalías en flujos de datos en tiempo real

La solución para el conocimiento de anomalías de TI de Cortana Intelligence ayuda a los departamentos de TI de las grandes organizaciones a detectar y corregir problemas con rapidez usando métricas subyacentes del estado de mantenimiento de la infraestructura de TI (CPU, memoria, etc.), los servicios (agotamiento de tiempos de espera, variaciones en los acuerdos de nivel de servicio, caídas de tensión, etc.) y otros indicadores clave de rendimiento (KPI) (pedidos pendientes, errores de inicio de sesión y pagos, etc.) de un modo automatizado y escalable. Esta solución ofrece también una sencilla experiencia “Probarlo ahora” en la que se pueden usar datos personalizados para descubrir el valor que ofrece la solución. La experiencia “Implementar” permite comenzar a usar rápido la solución en Azure porque se implementan todos los componentes de la solución en su suscripción de Azure y se le concede control total para personalizarla como sea necesario.