Arquitetura da solução: Monitoramento de motores de aeronaves para manutenção preditiva no setor aeroespacial

Viagens aéreas são fundamentais na vida moderna. No entanto, os motores das aeronaves são caros e mantê-los em funcionamento exige manutenção frequente por técnicos altamente qualificados. As horas de produção perdidas por causa do tempo de inatividade podem se acumular, reduzindo possíveis lucros. Além disso, o combustível representa de cerca de 10% do custo total do funcionamento de uma aeronave, então, a eficiência é importante.

Os motores das aeronaves modernas são equipados com sensores altamente sofisticados que controlam seu funcionamento. Ao combinar os dados desses sensores com a análise avançada, é possível monitorar a aeronave em tempo real e prever a vida útil restante de um componente do motor, assim, a manutenção pode ser agendada de maneira oportuna a fim de evitar falhas mecânicas.

Este sistema de monitoramento da integridade de aeronaves prevê a vida útil restante dos componentes do motor. Ele conta com ingestão de dados, armazenamento de dados, processamento de dados e análise avançada – tudo o que é essencial para criar uma solução de manutenção preditiva de ponta a ponta. Embora este exemplo se refira ao monitoramento de motores de aeronaves, a solução pode ser facilmente adaptada para outros cenários de manutenção preditiva.

Ao reduzir o tempo de inatividade e garantir que os motores funcionem de maneira eficiente, essa solução ajuda a manter sua frota em funcionamento da forma mais lucrativa possível.

Implantar no Azure

Use o modelo pré-compilado a seguir para implantar essa arquitetura no Azure

Implantar no 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)

Diretrizes de implementação

Produtos Documentação

Stream Analytics

O Stream Analytics oferece análises próximas ao tempo real no fluxo de entrada do Hub de eventos do Azure. Os dados de entrada são filtrados e transmitidos para um ponto de extremidade do Machine Learning e, finalmente, os resultados são enviados para o painel do Power BI.

Event Hubs

Os Hubs de Eventos ingerem dados brutos da linha de assembly e os transmitem ao Stream Analytics.

Machine Learning Studio

O Machine Learning prevê possíveis falhas com base nos dados em tempo real enviados da linha de assembly pelo Stream Analytics.

HDInsight

O HDInsight executa scripts do Hive para oferecer agregações nos eventos brutos que foram arquivados pelo Stream Analytics.

SQL Database

O Banco de Dados SQL armazena os resultados de previsão recebidos do Machine Learning e publica os dados no Power BI.

Data Factory

O Data Factory manipula a orquestração, a programação e o monitoramento do pipeline de processamento em lotes.

Power BI

O Power BI visualiza dados em tempo real da linha de assembly enviados pelo Stream Analytics, bem como as falhas previstas e os alertas do Data Warehouse.

Related solution architectures

Data Factory: Move data, orchestrate, schedule and monitor SQL Data Warehouse Machine Learning Machine Learning Power BI Event Hub Stream Analytics HDInsight Geography Data(Blob Storage) Vehicle Catalogue Diagnotic Events (Simulated)

Percepções preditivas com telemática de veículos

Saiba como concessionárias de carros, fabricantes e empresas de seguro podem utilizar o Microsoft Azure para obter percepções preditivas sobre a integridade do veículo e os hábitos de direção.

Learn more