Architectuur voor de oplossing:Bewaking van vliegtuigmotoren voor predictief onderhoud in de luchtvaart

Vliegen speelt een centrale rol in het moderne leven. Vliegtuigmotoren zijn echter duur en moeten regelmatig worden onderhouden door ervaren technici. De productie-uren die verloren gaan aan downtime kunnen behoorlijk oplopen, waardoor de winst kan afnemen. Daarnaast bestaan de totale vliegtuigkosten voor zo’n 10% uit brandstofkosten, waardoor efficiëntie van essentieel belang is.

Moderne vliegtuigmotoren zijn uitgerust met uiterst geavanceerde sensors waarmee wordt bijgehouden hoe ze functioneren. Door de gegevens van deze sensors te combineren met geavanceerde analyses, kan het vliegtuig in realtime worden bewaakt en de resterende levensduur van een motoronderdeel worden voorspeld, zodat onderhoud tijdig kan worden gepland ter voorkoming van mechanische storingen.

Met dit bewakingssysteem voor vliegtuigen wordt de resterende levensduur van motoronderdelen voorspeld. Dit bestaat uit gegevensopname, gegevensopslag, gegevensverwerking en geavanceerde analyse, allemaal essentiële onderdelen voor het maken van een end-to-endoplossing voor predictief onderhoud. Hoewel dit voorbeeld is afgestemd op de bewaking van vliegtuigmotoren, kan de oplossing ook eenvoudig worden gebruikt in andere scenario's voor predictief onderhoud.

Met deze oplossing hebt u minder downtime en draaien de motoren efficiënter, zodat uw vliegtuigen zo rendabel mogelijk zijn.

Implementatie in Azure

Gebruik de volgende vooraf gemaakte sjabloon om deze architectuur op Azure te implementeren

Implementatie in 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)

Begeleiding bij implementatie

Producten Documentatie

Stream Analytics

Via Stream Analytics beschikt u over bijna realtime analyses over de invoerstroom vanuit de Azure Event Hub. Invoergegevens worden gefilterd en doorgegeven aan een Machine Learning-eindpunt, waarna de resultaten worden verzonden naar het Power BI-dashboard.

Event Hubs

Event Hubs neemt onbewerkte assemblagelijngegevens op en geeft deze door aan Stream Analytics.

Machine Learning

Met Machine Learning worden potentiële fouten op basis van realtime assemblagelijngegevens voorspeld vanuit Stream Analytics.

HDInsight

Via HDInsight worden Hive-scripts uitgevoerd voor het leveren van aggregaties voor de onbewerkte gebeurtenissen die zijn gearchiveerd door Stream Analytics.

SQL Database

In SQL Database worden de voorspellingsresultaten opgeslagen die worden ontvangen vanuit Machine Learning en worden gegevens gepubliceerd naar Power BI.

Data Factory

Data Factory wordt gebruikt voor de indeling, planning en controle van de batchverwerkingspijplijn.

Power BI

In Power BI worden realtime assemblagelijngegevens van Stream Analytics en de voorspelde fouten en waarschuwingen vanuit Data Warehouse gevisualiseerd.

Gerelateerde architecturen voor oplossingen