Megoldási ötletek
Ez a cikk egy megoldási ötlet. Ha azt szeretné, hogy további információkkal bővítsük a tartalmat, például a lehetséges használati eseteket, alternatív szolgáltatásokat, megvalósítási szempontokat vagy díjszabási útmutatást, a GitHub visszajelzésével tudassa velünk.
A Microsoft Azure prediktív karbantartási megoldása azt mutatja be, hogyan kombinálhatók a valós idejű repülőgépadatok az elemzéssel a repülőgépek állapotának monitorozásához.
Ez a megoldás az Azure Stream Analytics, az Event Hubs, az Azure Machine Tanulás, a HDInsight, az Azure SQL Database, a Data Factory és a Power BI használatával készült. Ezek a szolgáltatások magas rendelkezésre állású környezetben futnak javítások és támogatás mellett, ami lehetővé teszi, hogy a környezet helyett a megoldásra tudjon fókuszálni.
Architektúra
Töltse le az architektúra Visio-fájlját.
Összetevők
- Az Azure Stream Analytics közel valós idejű elemzést biztosít az Azure Event Hubs bemeneti streamjén. A bejövő adatok szűrés után továbbadódnak egy Machine Learning-végpontnak, amely végül elküldi az eredményeket a Power BI irányítópultjára.
- Az Event Hubs betölti a nyers szerelési vonal adatait, és továbbítja azokat a Stream Analyticsnek.
- Az Azure Machine Tanulás a Stream Analytics valós idejű, összeszerelővonal-adatai alapján előrejelzi a lehetséges hibákat.
- A HDInsight Hive-szkripteket futtat a Stream Analytics által archivált nyers események összesítéséhez.
- Az Azure SQL Database tárolja a Machine Tanulás által kapott előrejelzési eredményeket, és közzéteszi az adatokat a Power BI-ban.
- A Data Factory kezeli a kötegfeldolgozási folyamat vezénylését, ütemezését és monitorozását.
- A Power BI lehetővé teszi a Stream Analytics valós idejű, összeszerelősori adatainak, valamint az adattárházból származó előrejelzett hibák és riasztások vizualizációját.
Forgatókönyv részletei
Lehetséges használati esetek
Ez a megoldás ideális a repülőgép- és repülőgépipar számára.
A megfelelő információk birtokában meg lehet határozni a berendezések állapotát annak előrejelzése érdekében, hogy mikor kell karbantartást végezni. A prediktív karbantartás a következő elemekhez használható:
- Valós idejű diagnosztika.
- Valós idejű repülési segítség.
- Prognosztikák.
- Költségcsökkentés.
Következő lépések
Tekintse meg a termék dokumentációját:
- Stream Analytics
- Event Hubs
- Azure Machine Learning
- HDInsight
- SQL-adatbázis
- Azure Data Factory
- Power BI
Kapcsolódó erőforrások
További Azure Architecture Center-cikkek a gépi tanulással történő prediktív karbantartásról és előrejelzésről: