Prediktivt vedlikehold

Denne prediktive vedlikeholdsløsningen overvåker fly og forutser den gjenværende brukstiden for komponenter i flymotorer.

Beskrivelse

Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.

Estimert klargjøringstid: 20 minutter

Oversikt

Denne løsningen demonstrerer hvordan du kombinerer sanntidsdata fra sensorer med avansert analyse for å overvåke flydeler i sanntid og også forutsi gjenværende levetid for delene.

Detaljer

Flyreiser er viktige for et moderne liv, men flymotorer er dyre, og hvis de skal holdes i gang kreves hyppig vedlikehold av svært dyktige teknikere. Moderne flymotorer er utstyrt med svært sofistikerte sensorer som overvåker hvordan de fungerer. Ved å kombinere dataene fra disse sensorene med avansert analyse, er det mulig å både overvåke flyet i sanntid i tillegg til å forutse gjenstående brukstid til en motorkomponent slik at vedlikeholdet kan planlegges til riktig tid for å unngå mekaniske feil. Denne prediktive vedlikeholdsløsningen overvåker fly og forutser den gjenværende brukstiden for komponenter i flymotorer. Det er en fullstendig løsning som inkluderer dataimport, datalagring, databehandling og avansert analyse – svært viktige ting for å kunne bygge en forutsigbar vedlikeholdsløsning for hele levetiden. Og mens det er tilpasset til overvåking av flymotorer, kan løsningen lett generaliseres for andre prediktive vedlikeholdsscenarioer. Datakilden til denne løsningen består av og hentes fra offentlig tilgjengelige data fra NASA-datalager ved bruk av datasettet for simulering av turbomotordegradering.

Knappen Distribuer starter en arbeidsflyt som distribuerer en forekomst av løsningen i en ressursgruppe i Azure-abonnementet som du spesifiserer. Løsningen inkluderer flere Azure-tjenester (beskrevet nedenfor) i sammen med en nettjobb som simulerer data slik at du får en fungerende fullstendig demo umiddelbart etter distribusjonen.

Tekniske detaljer og arbeidsflyt

  1. Simuleringsdataene strømmes av en nylig distribuert Azure Web-jobb, AeroDataGenerator.
  2. Disse syntetiske dataene mates inn i Azure Event Hubs-tjenesten som datapunkter.
  3. Azure Stream Analytics analyserer dataene for å levere en analyse i nær sanntid på inndataflyten fra hendelseshuben. Én av Stream Analytics-jobbene arkiverer alle rå innkommende hendelser til Azure Storage-tjenesten for senere behandling av Azure Data Factory-tjenesten og den andre publiserer resultatene til et PowerBI-dashbord.
  4. HDInsight-tjenesten brukes for å kjøre Hive-skript (orkestrert av Azure Data Factory) for å levere aggregeringer til de rå hendelsene som ble arkivert av den tidligere nevnte Stream Analytics-jobben.
  5. Azure Machine Learning-tjenesten brukes (orkestrert av Azure Data Factory) for å lagre prognoser om den gjenværende levetiden til en spesifikk flymotor basert på den mottatte informasjonen.
  6. Azure SQL Database brukes (administrert av Azure Data Factory) for å lagre de prediktive resultatene som mottas fra Azure Machine Learning-tjenesten. Disse resultatene brukes deretter i Power BI-dashbordet. En lagret prosedyre distribueres i SQL Database og påkalles senere i datasamlebåndet til Azure Data Factory for å lagre ML-prognoseresultatene i resultattabellen.
  7. Azure Data Factory behandler orkestrering, planlegging og overvåking av datasamlebåndet for satsvis behandling.
  8. Til slutt brukes PowerBI for visualisering av resultatene, slik at flymekanikere kan overvåke sensordataene fra et fly eller på tvers av flåten i sanntid og bruke visualiseringer for å planlegge motorvedlikehold.

Ansvarsfraskrivelse

©2017 Microsoft Corporation. Med enerett. Denne informasjonen gis «som den er» og kan endres uten varsel. Microsoft gir ingen garantier, uttrykkelig eller underforstått, i forbindelse med informasjonen som oppgis her. Tredjepartsdata ble benyttet for å generere løsningen. Du er ansvarlig for å respektere andres rettigheter, inkludert anskaffelse og overhold av relevante lisenser for å opprette lignende datasett.

Relaterte løsningsarkitekturer

Avvikspåvisning i sanntids datastrømmer

Cortana Intelligence IT Anomaly Insights-løsningen hjelper IT-avdelinger i store organisasjoner med å raskt oppdage og rette opp problemer basert på underliggende tilstandsmål fra IT-infrastruktur (CPU, minne osv.), tjenester (tidsavbrudd, SLA-variasjoner, spenningsfall osv.) og andre sentrale ytelsesindikatorer (gjenstående arbeidsordrer, feil i forbindelse med pålogging og betaling osv.), på en automatisert og skalerbare måte. Denne løsningen tilbyr også en enkelt «Prøv nå»-opplevelser som kan testes ut på tilpassede data for å vise verdiskapningen som tilbys av løsningen. «Distribuer»-opplevelsen lar deg komme raskt i gang med løsningen på Azure ved å distribuerer de fullstendige løsningskomponentene inn i Azure-abonnementet ditt og gir deg full kontroll for tilpasning ved behov.