Architektura rozwiązania: Monitorowanie silników lotniczych pod kątem konserwacji predykcyjnej w lotnictwie i kosmonautyce

Transport lotniczy odgrywa bardzo ważną rolę we współczesnym świecie. Jednak silniki lotnicze są drogie, a zapewnienie ich sprawnego działania wymaga częstej konserwacji przez wysokiej klasy specjalistów. Godziny produkcyjne utracone z powodu przestojów mogą kumulować się i obniżać potencjalny zysk. Ponadto paliwo stanowi około 10% kosztów utrzymania samolotu, więc wydajność ma znaczenie.

Nowoczesne silniki lotnicze są wyposażone w wysoce zaawansowane czujniki śledzące ich pracę. Dzięki połączeniu danych z tych czujników z zaawansowanymi możliwościami analizy możliwe jest zarówno monitorowanie samolotu w czasie rzeczywistym, jak i przewidywanie pozostałego okresu eksploatacji części silnika, aby można było zaplanować konserwację i uniknąć awarii mechanicznych.

Ten system monitorowania kondycji samolotu przewiduje pozostały okres eksploatacji części silnika. Obejmuje przyjmowanie, przechowywanie i przetwarzanie danych oraz zaawansowaną analizę — wszystkie elementy niezbędne do utworzenia kompleksowego rozwiązania konserwacji predykcyjnej. Mimo iż ten przykład jest dostosowany do monitorowania silników lotniczych, rozwiązanie to można łatwo zastosować w innych scenariuszach konserwacji predykcyjnej.

Dzięki skróceniu przestojów i zapewnieniu wydajnej pracy silników rozwiązanie to ułatwia zapewnienie sprawnego działania floty i maksymalnych zysków.

Wdrażanie na platformie Azure

Użyj poniższego wstępnie utworzonego szablonu, aby wdrożyć tę architekturę na platformie Azure

Wdrażanie na platformie Azure

Wyświetl wdrożone rozwiązanie

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)

Wytyczne dotyczące implementacji

Produkty/opis Dokumentacja

Stream Analytics

Usługa Stream Analytics zapewnia analizę prawie w czasie rzeczywistym na strumieniu wejściowym z usługi Azure Event Hub. Dane wejściowe są filtrowane i przekazywane do punktu końcowego usługi Machine Learning, a następnie wyniki są wysyłane do pulpitu nawigacyjnego usługi Power BI.

Event Hubs

Usługa Event Hubs pozyskuje dane pierwotne z linii montażowej i przekazuje je do usługi Stream Analytics.

Machine Learning Studio

Usługa Machine Learning przewiduje potencjalne awarie w oparciu o dane czasu rzeczywistego z linii montażowej z usługi Stream Analytics.

HDInsight

Usługa HDInsight uruchamia skrypty Hive w celu zapewnienia agregacji nieprzetworzonych zdarzeń zarchiwizowanych przez usługę Stream Analytics.

SQL Database

Usługa SQL Database przechowuje wyniki prognozy otrzymane z usługi Machine Learning i publikuje je w usłudze Power BI.

Data Factory

Usługa Data Factory zajmuje się organizowaniem, planowaniem i monitorowaniem potoku przetwarzania wsadowego.

Power BI

Usługa Power BI wizualizuje dane czasu rzeczywistego z linii montażowej z usługi Stream Analytics oraz przewidywane awarie i alerty z usługi Data Warehouse.

Powiązane architektury rozwiązań