Pomiń nawigację

Konserwacja zapobiegawcza

To rozwiązanie do konserwacji predykcyjnej monitoruje samolot i przewiduje pozostały okres eksploatacji części silnika.

Opis

Uwaga: Jeśli masz już wdrożone to rozwiązanie, kliknij tutaj, aby wyświetlić to wdrożenie.

Szacowany czas aprowizacji: 20 minut

Przegląd

W tym rozwiązaniu pokazano, jak połączyć dane czasu rzeczywistego z czujników i zaawansowaną analitykę w celu monitorowania części samolotów w czasie rzeczywistym i przewidywania pozostałego okresu eksploatacji części.

Szczegóły

Podróże lotnicze są istotne w nowoczesnym świecie, jednak silniki lotnicze są drogie, a zapewnienie ich sprawnego działania wymaga częstej konserwacji przez wysokiej klasy mechaników. 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. To rozwiązanie do konserwacji predykcyjnej monitoruje samolot i przewiduje pozostały okres eksploatacji części silnika. Jest to kompleksowe rozwiązanie, obejmujące pozyskiwanie, przechowywanie i przetwarzanie danych oraz zaawansowaną analizę — wszystkie podstawowe elementy rozwiązania do konserwacji predykcyjnej. Mimo że jest ono dostosowane do monitorowania silników lotniczych, można je łatwo zastosować w innych scenariuszach konserwacji predykcyjnej. Źródłem danych tego rozwiązania są publicznie dostępne dane z repozytorium danych agencji NASA (zestaw danych symulacji degradacji silników turbowentylatorowych).

Przycisk „Deploy” (Wdróż) uruchomi przepływ pracy, który wdroży wystąpienie tego rozwiązania w grupie zasobów we wskazanej subskrypcji platformy Azure. Rozwiązanie obejmuje wiele usług platformy Azure (opisanych poniżej) wraz z zadaniem Web Job symulującym dane, dzięki czemu bezpośrednio po wdrożeniu uzyskuje się kompleksowy, działający pokaz.

Szczegóły techniczne i przepływ pracy

  1. Dane symulacji są przesyłane strumieniowo przez nowo wdrożone zadanie Web Job platformy Azure (AeroDataGenerator).
  2. Te syntetyczne dane są przekazywane do usługi Azure Event Hubs jako punkty danych.
  3. Dwa zadania usługi Azure Stream Analytics analizują dane w celu dostarczania wyników analizy prawie w czasie rzeczywistym dotyczących strumienia wejściowego z centrum zdarzeń. Jedno z zadań usługi Stream Analytics archiwizuje wszystkie nieprzetworzone zdarzenia przychodzące w usłudze Azure Storage na potrzeby późniejszego przetwarzania przez usługę Azure Data Factory, a drugie zadanie publikuje wyniki na pulpicie nawigacyjnym usługi Power BI.
  4. Usługa HDInsight jest używana do uruchamiania skryptów Hive (zarządzanych przez usługę Azure Data Factory) w celu zapewnienia agregacji nieprzetworzonych zdarzeń, które zostały zarchiwizowane przez wspomniane wcześniej zadanie usługi Stream Analytics.
  5. Usługa Azure Machine Learning (zarządzana przez usługę Azure Data Factory) jest używana do generowania przewidywań pozostałego okresu eksploatacji określonego silnika samolotowego na podstawie otrzymanych danych wejściowych.
  6. Usługa Azure SQL Database (zarządzana przez usługę Azure Data Factory) jest używana do przechowywania wyników przewidywań otrzymanych z usługi Azure Machine Learning. Te wyniki są następnie używane na pulpicie nawigacyjnym usługi Power BI. W usłudze SQL Database jest wdrożona procedura składowana, która jest później wywoływana w potoku usługi Azure Data Factory w celu zapisywania wyników przewidywań uczenia maszynowego w tabeli ocen wynikowych.
  7. Usługa Azure Data Factory obsługuje organizowanie, planowanie i monitorowanie potoku przetwarzania wsadowego.
  8. Na koniec wyniki są wizualizowane w usłudze Power BI, aby mechanicy samolotowi mogli w czasie rzeczywistym monitorować dane czujników z samolotu lub w całej flocie oraz planować konserwację silników na podstawie tych wizualizacji.

Zrzeczenie odpowiedzialności

© 2017 Microsoft Corporation. Wszelkie prawa zastrzeżone. Te informacje są udostępniane w stanie „jak są” i mogą ulec zmianie bez powiadomienia. Firma Microsoft nie udziela żadnych gwarancji, jawnych ani dorozumianych, w związku z informacjami przedstawionymi tutaj. Do wygenerowania rozwiązania wykorzystano dane innej firmy. Na Tobie spoczywa odpowiedzialność za przestrzeganie praw innych, w tym za uzyskanie odpowiednich licencji i postępowanie zgodnie z nimi przy tworzeniu podobnych zbiorów danych.

Powiązane architektury rozwiązań

Wykrywanie anomalii w strumieniach danych czasu rzeczywistego

Dzięki rozwiązaniu Cortana Intelligence IT Anomaly Insights działy IT mogą w szybki, automatyczny i skalowalny sposób wykrywać i usuwać problemy na podstawie podstawowych metryk kondycji z infrastruktury (procesor CPU, pamięć itp.) i usług (przekroczenia limitu czasu oczekiwania, różnice w umowie SLA, spadki napięcia) oraz innych kluczowych wskaźników wydajności (zaległości w zamówieniach, niepowodzenia logowania i płatności itp.). Rozwiązanie to zawiera także funkcję „Wypróbuj teraz”, która umożliwia eksperymentowanie z własnymi danymi w celu poznania dostępnych korzyści. Funkcja wdrażania pozwala natomiast na szybkie rozpoczęcie korzystania z rozwiązania na platformie Azure przez wdrożenie kompleksowych składników w ramach subskrypcji i pełną kontrolę w zakresie dostosowywania do potrzeb firmy.