Navigáció kihagyása

Prediktív karbantartás

Ez a prediktív karbantartási megoldás figyeli a repülőgépet, és megbecsüli a motoralkatrészek fennmaradó hasznos élettartamát.

Leírás

Megjegyzés: Ha már üzembe helyezte ezt a megoldást, az üzemelő példányt ide kattintva érheti el.

Üzembe helyezés becsült ideje: 20 perc

Áttekintés

Ez a megoldás bemutatja, hogyan lehet az érzékelőkről származó valós idejű adatokat speciális elemzési eszközökkel egyesítve valós időben ellenőrizni a repülőgép alkatrészeit, és megbecsülni azok fennmaradó hasznos élettartamát.

Részletek

A légi utazás a modern világ egyik sarokköve, a repülőgép-hajtóművek azonban drágák, üzemben tartásuk pedig képzett szakemberek által végzett rendszeres karbantartást kíván. A modern repülőgép-hajtóművek rendkívül kifinomult érzékelőkkel vannak ellátva, amelyek folyamatosan figyelik a berendezések működését. 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 prediktív karbantartási megoldás figyeli a repülőgépet, és megbecsüli a motoralkatrészek fennmaradó hasznos élettartamát. Ez az átfogó megoldás magában foglalja az adatok feltöltését, tárolását, feldolgozását és fejlett eszközökkel történő elemzését – mindent, ami egy prediktív karbantartási megoldás kialakításához szükséges. Ezt a megoldást a repülőgép-hajtóművek figyelésére alakítottuk ki, ugyanakkor könnyen általánosítható más prediktív karbantartási helyzetekre. A megoldás a NASA adattárában nyilvánosan elérhető adatokat használ, konkrétan a Turbofan Engine Degradation Simulation (Sugárhajtómű motorjának kopásszimulációja) adatkészletet.

A „Deploy” (Üzembe helyezés) gomb elindít egy munkafolyamatot, amely az Ön által megadott Azure-előfizetést használva helyezi üzembe a megoldáspéldányt egy erőforráscsoportban. A megoldás több Azure-szolgáltatást is magában foglal (részletesen lásd alább), továbbá egy olyan Web Jobs-feladatot, amely szimulálja az adatokat, így az üzembe helyezést követően azonnal egy teljes értékű bemutató áll az Ön rendelkezésére.

Technikai adatok és munkafolyamat

  1. A szimuláció adatait egy újonnan üzembe helyezett Azure Web Job-feladat (AeroDataGenerator) streameli.
  2. Ezek a szintetikus adatok adatpontokként kerülnek be az Azure Event Hubs szolgáltatásba.
  3. Az eseményközpontból érkező adatfolyam közel valós idejű elemzéséért két Azure Stream Analytics-feladat felelős. Az egyik Stream Analytics-feladat az Azure Storage szolgáltatásba archiválja a nyers bejövő eseményeket, hogy ezeket később az Azure Data Factory szolgáltatás fel tudja dolgozni, a másik pedig közzéteszi az eredményeket a Power BI irányítópultján.
  4. A HDInsight szolgáltatás az Azure Data Factory által előkészített Hive-parancsprogramok futtatására szolgál. Ezek a korábban említett Stream Analytics-feladat által archivált nyers események összesítését végzik.
  5. Az Azure Data Factory által előkészített Azure Machine Learning szolgáltatás a bevitt adatok alapján megbecsüli az adott repülőgépmotor fennmaradó hasznos élettartamát.
  6. Az Azure Data Factory által felügyelt Azure SQL Database tárolja az Azure Machine Learning szolgáltatásból származó előrejelzési eredményeket. Az eredményeket ezt követően a Power BI irányítópultja használja fel. A rendszer üzembe helyez egy tárolt eljárást az SQL Database-ben, amelyet aztán az Azure Data Factory-folyamat később meghív: ezzel írja be a Machine Learning-előrejelzés eredményeit a pontozási táblázatba.
  7. Az Azure Data Factory végzi a kötegelt feldolgozási folyamat szervezését, ütemezését és figyelését.
  8. Az eredmények vizuális megjelenítéséért a Power BI felelős: ennek köszönhetően a repülőgép-szerelők valós időben figyelhetik az egyes repülőkről vagy az egész flottáról érkező érzékelőadatokat, és a vizualizációk alapján beütemezhetik a motorok karbantartását.

Jogi nyilatkozat

© 2017 Microsoft Corporation. Minden jog fenntartva. Ezt az információt jelen formájában nyújtjuk, és előzetes értesítés nélkül változhat. Az itt szereplő információkra a Microsoft nem vállal sem kifejezett, sem vélelmezett garanciát. A megoldás harmadik féltől származó adatok felhasználásával lett létrehozva. Ön felelős mások jogainak tiszteletben tartásáért, beleértve a hasonló adatkészletek létrehozásának céljából történő beszerzéseket és a vonatkozó licenceknek való megfelelőséget is.

Kapcsolódó megoldásarchitektúrák

Anomáliadetektálás valós idejű adatfolyamokban

A Cortana Intelligence informatikai anomáliaelemzési megoldása segít a nagyobb cégek IT-részlegének a hibák gyors észlelésében és javításában, az IT-infrastruktúrától (CPU, memória stb.) és szolgáltatásoktól (kimaradások, szolgáltatásiszint-ingadozások, túlterhelődések stb.) származó, állapotot jelző mérőszámok és más fontos teljesítményjelzők (hátralékos megrendelések, meghiúsult bejelentkezési és fizetési kísérletek stb.) alapján, automatizált és méretezhető módon. Ez a megoldás egy egyszerű „Kipróbálás” funkciót is kínál, melynek részeként egyéni adatokkal próbálhatja ki, hogy milyen értéket nyújt Önnek a megoldás. A „Telepítés” funkció lehetőséget nyújt az Azure-megoldás gyors bevezetésére azáltal, hogy telepíti a végponttól végpontig terjedő megoldás-összetevőket az Azure előfizetésébe, melyeket szükség esetén teljes körűen testre is szabhat.