Løsningsarkitektur: Flymotorovervåking for prediktivt vedlikehold i luftfartsbransjen

Flyreiser er viktig for et moderne liv. Flymotorer er imidlertid dyre, og hvis de skal holdes i gang kreves hyppig vedlikehold av svært dyktige teknikere. Produksjonstimene som går med til nedetid, kan hope seg opp og spise av det potensielle overskuddet. I tillegg står drivstoff for omtrent 10 % av de totale kostnadene ved å drifte et fly, så effektivitet er viktig.

Moderne flymotorer er utstyrt med svært sofistikerte sensorer som sporer hvordan de fungerer. Ved å kombinere dataene fra disse sensorene med avansert analyse, er det mulig å både overvåke flyet i sanntid og forutse gjenstående brukstid til en motorkomponent slik at vedlikeholdet kan planlegges til riktig tid for å unngå mekaniske feil.

Dette systemet for overvåkning av flyets tilstand predikerer gjenstående brukstid for motorkomponenter. Det inkluderer dataimport, datalagring, databehandling og avansert analyse - svært viktige ting for å kunne bygge en forutsigbar vedlikeholdsløsning for hele levetiden. Og mens dette eksemplet er tilpasset til overvåking av flymotorer, kan løsningen lett generaliseres til andre scenarioer hvor man ønsker forutsigbart vedlikehold.

Ved å minske nedetiden og sørge for at motorer kjører effektivt, bidrar denne løsningen til å holde flyene i luften på en mest mulig lønnsom måte.

Distribuer til Azure

Bruk den følgende forhåndsbygde malen til å distribuere denne arkitekturen til Azure

Distribuer til 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)

Implementeringsveiledning

Produkter Dokumentasjon

Stream Analytics

Stream Analytics gir tilnærmet sanntidsanalyse av inndataflyten fra Azure Event Hub. Inndata filtreres og sendes til et Machine Learning-endepunkt, til slutt sendes resultatene til Power BI-instrumentbordet.

Event Hubs

Event Hubs importerer rå samlebåndsdata og sender dem videre til Stream Analytics.

Machine Learning Studio

Machine Learning predikerer potensielle feil basert på sanntids samlebåndsdata fra Stream Analytics.

HDInsight

HDInsight kjører Hive-skript for å levere aggregasjoner av de ubehandlede hendelsene som ble arkivert av Stream Analytics.

SQL Database

SQL Database lagrer prediksjonsresultater mottatt fra Machine Learning, og publiserer data til Power BI.

Data Factory

Data Factory behandler orkestrering, planlegging og overvåking av datasamlebåndet for satsvis behandling.

strøm~~POS=TRUNC BI

Power BI visualiserer sanntids samlebåndsdata fra Stream Analytics og de predikerte feilene og varslene fra Data Warehouse.

Relaterte løsningsarkitekturer