Navigáció kihagyása

Megoldásarchitektúra: Prediktív karbantartást támogató repülőgéphajtómű-figyelés a légi közlékedésben

A Microsoft Azure prediktív karbantartási megoldása megmutatja, miként kombinálhatók a repülőgépek valós idejű adatai a repülőgépek állapotfigyelését szolgáló elemzésekkel.

Ez a megoldás az alábbi, Azure által felügyelt szolgáltatásokra épül: Azure Stream Analytics, Azure Event Hubs-eseményközpontok, Machine Learning Studio, HDInsight, Azure SQL Database, Data Factory és Power BI. Ezek a szolgáltatások magas rendelkezésre állású környezetben futnak javítások és támogatás mellett, ami lehetővé teszi, hogy a környezet helyett a megoldásra tudjon fókuszálni.

航空用エンジンの監視による航空機の予測メンテナンスMicrosoft Azure の予測メンテナンス ソリューションで、リアルタイムの航空機のデータと分析を組み合わせて、機体の状態を監視する方法をご紹介します。Data Factory: Move data, orchestrate, schedule and monitorSQL DatabaseMachine LearningPower BI Event HubStream AnalyticsHDInsightGeography Data(Blob Storage)Engine Sensor Data (Simulated)

Implementálási segédlet

Termékek/Leírás Dokumentáció

Azure Stream Analytics

 		A Stream Analytics biztosítja az Azure Event Hubstól beérkező adatfolyam közel valós idejű elemzését. A bejövő adatok szűrés után továbbadódnak egy Machine Learning-végpontnak, amely végül elküldi az eredményeket a Power BI irányítópultjára.

Azure Event Hubs-eseményközpontok

 		Az Event Hubs nyers gyári adatokat tölt be, és átadja azokat a Stream Analyticsnek.

Machine Learning Studio

 		A Machine Learning a Stream Analyticstől származó valós idejű gyári adatok alapján előre jelzi a lehetséges meghibásodásokat.

HDInsight

 		A HDInsight Hive-parancsprogramok futtatásával végzi a Stream Analytics által archivált nyers események összesítését.

Azure SQL Database

 		Az SQL Database tárolja az Azure Machine Learning szolgáltatásból származó előrejelzési eredményeket, és közzéteszi az adatokat a Power BI számára.

Data Factory

 		A Data Factory végzi a kötegelt feldolgozási folyamat szervezését, ütemezését és figyelését.

Power BI

 		A Power BI vizuálisan jeleníti meg a Stream Analyticstől származó valós idejű gyári adatokat és a Data Warehouse-ból származó hiba-előrejelzéseket és figyelmeztetéseket.

Kapcsolódó megoldásarchitektúrák

Prevención de defectos con mantenimiento predictivoVea cómo utilizar Azure Machine Learning para predecir errores antes de que ocurran con datos de ensamblado en tiempo real.Azure SQL DWMachine Learning(Real time predictions)Power BIALS test measurements (Telemetry)Event HubStream Analytics(Real time analytics)Dashboard of predictions/alertsRealtime data stats, Anomaliesand aggregatesRealtime event and predictions

Hibamegelőzés prediktív karbantartással

Megtudhatja, hogyan jelezheti előre a hibákat azok bekövetkezte előtt az Azure Machine Learning valós idejű gyártósoradataival.

Részletek
車両テレマティクスを用いた予測分析情報自動車販売店、メーカー、保険会社で Microsoft Azure を使用して、自動車の状態や運転の傾向についての予測的な分析情報を取得する方法について説明します。Data Factory: Move data, orchestrate, schedule and monitorSQL Data WarehouseMachine LearningMachine LearningPower BI Event HubStream AnalyticsHDInsightGeography Data(Blob Storage)Vehicle CatalogueDiagnotic Events (Simulated)

Prediktív adatelemzés jármű-telematika használatával

Tudjon meg többet arról, hogyan tudnak az autókereskedők és biztosítási cégek a Microsoft Azure segítségével az autó várható állapotával és a vezetési szokásokkal kapcsolatos előrejelzésekhez jutni.

Részletek
機械学習を用いた異常検出Microsoft Azure の IT Anomaly Insights は、異常検出の自動化とスケーリングを促進して、IT 部門が問題の検出と修正を迅速に行えるようにします。Machine Learning(Anomaly Detection)Service Bus topics(Publish/subscribe capabilities)Visual Studio Application Insights(Monitoring and telemetry)Event Hub(Event queue)Table Storage(Big Data store)Stream Analytics(Realtime analytics)MetadataSave ML outputScore each datasetPublish anomalies detectedPower BI Azure SQL DB(Anomaly detection results)Data FactoryTime series data

Anomáliadetektálás gépi tanulással

A Microsoft Azure informatikai anomáliaelemzése segíthet az anomáliadetektálás automatizálásában és méretezésében, hogy az informatikai részlegek gyorsan felderíthessék és javíthassák a hibákat.

Részletek
További megoldásarchitektúrák