Megoldásarchitektúra: Prediktív karbantartást támogató repülőgéphajtómű-figyelés a légi közlékedésben
A légi közlekedés központi szerepet játszik a modern életben. A repülőgép-hajtóművek azonban drágák, az üzemben tartásuk pedig képzett szakemberek által végzett rendszeres karbantartást kíván. A leállások miatt a termelésből kiesett órák összeadódhatnak és csökkentik az elérhető profitot. Ráadásul az üzemanyag mintegy 10%-át teszi ki egy repülőgép üzemeltetési költségének, tehát számít a hatékonyság.
A modern repülőgép-hajtóművek rendkívül kifinomult érzékelőkkel vannak ellátva, amelyek nyomon követik működésüket. Az érzékelőktől származó adatok és azok fejlett eszközökkel történő elemzése lehetővé teszi a repülőgép valós idejű figyelését és a hajtóműalkatrészek hátralévő hasznos élettartamának előrejelzését, hogy a megfelelően ütemezett karbantartás elejét vehesse a műszaki hibáknak.
Ez a repülőgép-állapotfigyelő rendszer előrejelzi a hajtóműalkatrészek hátralévő hasznos élettartamát. Magában foglalja az adatok feltöltését, tárolását, feldolgozását és fejlett eszközökkel történő elemzését – mindent, ami egy mindent felölelő, prediktív karbantartási megoldás kialakításához elengedhetetlen. Bár ez a példa a repülőgép-hajtóművek figyelésére van kialakítva, a megoldás könnyen általánosítható más prediktív karbantartási helyzetekre.
Az állásidő csökkentésével és a hajtóművek hatékony működésének biztosításával ez a megoldás segít a lehető legjövedelmezőbb módon üzemben tartani az Ön flottáját.
Üzembe helyezés az Azure-ban
Az architektúra Azure-ban történő üzembe helyezéséhez használhatja az alábbi, előre elkészített sablont
Üzembe helyezés az Azure-banImplementálási segédlet
| Termékek/Leírás | Dokumentáció | |
|---|---|---|
| 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
Hibamegelőzés prediktív karbantartással
Megtudhatja, hogyan jelezheti előre a hibákat azok bekövetkezte előtt az Azure Machine Learning valós idejű gyártósoradataival.
RészletekPrediktív 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.
RészletekAnomáliadetektálás gépi tanulással
A Microsoft Azure informatikai anomáliaelemzése segíthet az anomáliadetektálás automatizálásában és méretezésében, hogy az informatikai részlegek gyorsan felderíthessék és javíthassák a hibákat.
Részletek