Architecture de solution : Surveillance de moteur d’aéronef à des fins de maintenance prédictive dans l’aérospatiale

Le transport aérien est au cœur de la vie moderne. Cependant, les moteurs aéronautiques sont onéreux, et leur maintenance nécessite des entretiens fréquents par des techniciens hautement qualifiés. Les heures de production perdues en temps d’immobilisation peuvent s’accumuler, réduisant vos profits potentiels. De plus, le carburant représentant environ 10 % du coût total d’exploitation d’un aéronef, l’efficacité est importante.

Les moteurs aéronautiques modernes sont équipés de capteurs hautement sophistiqués qui suivent leur fonctionnement. En combinant les données de ces capteurs avec une analytique avancée, il est possible de surveiller l’aéronef en temps réel et de prévoir la durée de vie utile restante de tout composant moteur. La maintenance peut ainsi être planifiée en temps opportun pour éviter les défaillances mécaniques.

Ce système de surveillance de l’intégrité des aéronefs prédit la durée de vie utile restante des composants moteur. Il inclut l’ingestion de données, le stockage de données, le traitement des données et l’analytique avancée, tous aspects essentiels pour la génération d’une solution de maintenance prédictive de bout en bout. Et bien que cet exemple soit adapté à la surveillance de moteurs d’aéronef, la solution peut être facilement étendue à d’autres scénarios de maintenance prédictive.

En réduisant le temps d’immobilisation et en veillant à ce que les moteurs fonctionnent efficacement, cette solution vous aide à maintenir votre flotte opérationnelle avec un maximum de rentabilité.

Déployer dans Azure

Le modèle prédéfini suivant permet de déployer cette architecture dans Azure

Déployer dans 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)

Conseils sur l’implémentation

Produits Documentation

Stream Analytics

Stream Analytics fournit des analyses quasiment en temps réel du flux d’entrée en provenance d’Azure Event Hub. Les données d’entrée sont filtrées et transmises à un point de terminaison de Machine Learning, puis les résultats sont envoyés au tableau de bord Power BI.

Event Hubs

Event Hubs ingère des données brutes de ligne d’assemblage et les transmet à Stream Analytics.

Machine Learning Studio

Machine Learning prévoit des défaillances potentielles sur la base des données en temps réel de ligne d’assemblage en provenance de Stream Analytics.

HDInsight

HDInsight exécute des scripts Hive pour fournir des agrégations sur les événements bruts archivés par Stream Analytics.

SQL Database

SQL Database stocke les résultats de prédiction reçus de Machine Learning et publie des données sur Power BI.

Data Factory

Data Factory gère l’orchestration, la planification et la surveillance du pipeline de traitement par lots.

Power BI

Power BI visualise les données de ligne d’assemblage en temps réel de Stream Analytics et les défaillances et alertes prédites par Data Warehouse.

Related solution architectures

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)

Informations prédictives avec télématique de véhicules

Découvrez comment les concessionnaires et fabricants automobiles, ainsi que les compagnies d’assurance, peuvent utiliser Microsoft Azure pour obtenir des informations prédictives sur l’intégrité des véhicules et les habitudes de conduite.

Learn more