Voorspellend onderhoud

Deze oplossing voor predictief onderhoud bewaakt het gehele vliegtuig en voorspelt de resterende levensduur van de motoronderdelen van het vliegtuig.

+ Meer weergeven – Minder tonen

Overzicht

Deze oplossing toont aan hoe realtime gegevens van sensors kunnen worden gecombineerd met geavanceerde analyseresultaten om vliegtuigonderdelen in realtime te bewaken en daarnaast de resterende levensduur van de onderdelen te voorspellen.

Details

Tegenwoordig reizen steeds meer mensen met het vliegtuig. Vliegtuigmotoren zijn echter duur en moeten regelmatig worden onderhouden door ervaren technici. Moderne vliegtuigmotoren zijn uitgerust met uiterst geavanceerde sensoren waarmee wordt bijgehouden hoe deze apparaten 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. Deze voorspellende onderhoudsoplossing bewaakt het gehele vliegtuig en voorspelt de resterende levensduur van de motoronderdelen van het vliegtuig. Deze end-to-endoplossing bestaat uit gegevensopname, gegevensopslag, gegevensverwerking en geavanceerde analyse, allemaal essentiële onderdelen voor het maken van een oplossing 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. De gegevensbron van deze oplossing bestaat uit of is afgeleid van openbaar beschikbare gegevens van de NASA-gegevensopslagplaats met behulp van de Turbofan Engine Degradation Simulation Data Set.

Met de knop Implementeren wordt een werkstroom gestart waarmee een instantie van de oplossing wordt geïmplementeerd binnen een resourcegroep in het Azure-abonnement dat u opgeeft. De oplossing bevat meerdere Azure-services (hieronder beschreven) samen met een webtaak die gegevens simuleert zodat u direct na de implementatie een werkende end-to-enddemo hebt.

Technische details en werkstroom

  1. De simulatiegegevens worden gestreamd door AeroDataGenerator, een nieuw ontwikkelde Azure-webtaak.
  2. Deze synthetische gegevens worden als gegevenspunten ingevoerd in de Azure Event Hubs-service.
  3. Via twee Azure Stream Analytics-taken worden de gegevens geanalyseerd en beschikt u over bijna realtime analyses over de invoerstroom vanuit de Event Hub. Met een van de Stream Analytics-taken worden alle ruwe inkomende gebeurtenissen naar de Azure Storage-service gearchiveerd, zodat ze later kunnen worden verwerkt door de Azure Data Factory-service. De andere taak publiceert de resultaten op een Power BI-dashboard.
  4. De HDInsight-service wordt gebruikt om Hive-scripts uit te voeren (gecoördineerd door Azure Data Factory) voor het leveren van aggregaties van de ruwe gebeurtenissen die door de eerder genoemde Stream Analytics-taak zijn gearchiveerd.
  5. Azure Machine Learning wordt (gecoördineerd door Azure Data Factory) gebruikt om voorspellingen te doen over de resterende levensduur van specifieke vliegtuigmotoren op basis van de ontvangen invoer.
  6. Azure SQL Database wordt (gecoördineerd door Azure Data Factory) gebruikt om de voorspellingsresultaten op te slaan die worden ontvangen van Azure Machine Learning. Deze resultaten worden vervolgens gebruikt voor het Power BI-dashboard. Er wordt een opgeslagen procedure in de SQL Database geïmplementeerd en vervolgens aangeroepen in de Azure Data Factory-pijplijn om de ML-voorspellingsresultaten op te slaan in de beoordelingstabel voor de resultaten.
  7. Azure Data Factory wordt gebruikt voor de indeling, planning en controle van de batchverwerkingspijplijn.
  8. Ten slotte worden de resultaten met behulp van Power BI gevisualiseerd, zodat de vliegtuigtechnici in realtime de sensorgegevens van een vliegtuig of van een hele vloot kunnen bewaken en visualisaties kunnen gebruiken om motoronderhoud te plannen.

Vrijwaring

© 2017 Microsoft Corporation. Alle rechten voorbehouden. Deze informatie wordt als zodanig geleverd en kan zonder kennisgeving worden gewijzigd. Microsoft biedt geen garanties, expliciet of impliciet, met betrekking tot de hier verstrekte informatie. Gegevens van derden zijn gebruikt om de oplossing te genereren. U bent verantwoordelijk voor het respecteren van de rechten van anderen, inclusief het aanschaffen en naleven van relevante licenties om vergelijkbare gegevenssets te maken.

예측 유지 관리이 예측 유지 관리 솔루션은 항공기를 모니터링하고 항공기 엔진 부품의 남은 유효 수명을 예측합니다.

Gerelateerde architecturen voor oplossingen

실시간 데이터 스트림의 변칙 검색Cortana Intelligence IT Anomaly Insights 솔루션을 사용하면 대규모 조직 내의 IT 부서에서는 IT 인프라(CPU, 메모리 등), 서비스(시간 초과, SLA 편차, brownout 등) 및 기타 KPI(핵심 성과 지표)(주문 백로그, 로그인 및 결제 실패 등)로부터의 기본적인 상태 메트릭을 바탕으로 확장 가능한 자동화된 방식으로 문제를 빠르게 진단하고 해결할 수 있습니다. 이 솔루션을 통해 사용자 지정 데이터를 사용해 볼 수 있는 ‘평가판 사용해 보기’ 환경에서 솔루션이 제공하는 가치를 쉽게 실현할 수 있습니다. ‘배포’ 환경을 사용하여 종단 간 솔루션 구성 요소를 Azure 구독에 배포하고 필요에 따라 사용자 지정을 완벽하게 제어하는 방식으로 Azure에서 솔루션을 빠르게 시작할 수 있습니다.

Anomaliedetectie in realtimegegevensstreams

Cortana Intelligence IT Anomaly Insights helpt IT-afdelingen in grote organisaties om snel problemen te detecteren en op te lossen op basis van onderliggende statusmetrieken van de IT-infrastructuur (CPU, geheugen enzovoort), services (time-outs, SLA-variaties, brown-outs enzovoort) en andere KPI's (Key Performance Indicators) (orderachterstand, aanmeldings- en betalingsfouten enzovoort) op een geautomatiseerde en schaalbare manier. Deze oplossing biedt ook een eenvoudige 'Nu uitproberen'-ervaring die kan worden uitgeprobeerd met aangepaste gegevens om de waarde die de oplossing biedt te realiseren. Dankzij de 'Implementeren'-ervaring kunt u snel aan de slag met de oplossing op Azure door de end-to-end oplossingsonderdelen te implementeren in uw Azure-abonnement, waardoor u alles volledig kunt aanpassen.