Arquitetura de soluções: Monitorização de motores de aeronaves para manutenção preditiva no espaço aéreo

O transporte aéreo é central para a vida moderna. No entanto, os motores das aeronaves são dispendiosos e mantê-los operacionais exige a manutenção frequente por parte de técnicos altamente qualificados. As horas de produção perdidas devido a períodos de inatividade podem acumular-se, provocando uma redução do lucro potencial. Além disso, o combustível representa cerca de 10% do custo total de funcionamento de uma aeronave, ou seja, a eficiência é importante.

Os motores das aeronaves modernas estão equipados com sensores altamente sofisticados que controlam o seu estado de funcionamento. Ao combinar os dados destes sensores com análise avançada, é possível monitorizar a aeronave em tempo real e prever a vida útil restante de um componente do motor, para que a manutenção possa ser agendada de forma atempada para evitar falhas mecânicas.

Este sistema de monitorização do estado de funcionamento da aeronave prevê a vida útil restante dos componentes do motor. Inclui ingestão de dados, armazenamento de dados, processamento de dados e análise avançada — todos eles essenciais para criar uma solução de manutenção preditiva ponto a ponto. Embora este exemplo esteja personalizado para a monitorização dos motores de aeronaves, a solução pode ser facilmente generalizada para outros cenários de manutenção preditiva.

Ao diminuir o tempo de inatividade e garantir o funcionamento eficiente dos motores, esta solução ajuda a manter a sua frota operacional da forma mais lucrativa possível.

Implementar no Azure

Utilize o seguinte modelo previamente criado para implementar esta arquitetura no Azure

Implementar no Azure

Ver a solução implementada

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)

Orientações de implementação

Produtos/Descrição Documentação

Stream Analytics

O Stream Analytics fornece análise em tempo quase real no fluxo de entrada do Hub de Eventos do Azure. Os dados de entrada são filtrados e transmitidos para um ponto final do Machine Learning, que envia, por último, os resultados para o dashboard do Power BI.

Hubs de Eventos

Os Hubs de Eventos ingerem dados de linha de montagem não processados e transmitem-nos ao Stream Analytics.

Machine Learning Studio

O Machine Learning prevê potenciais falhas com base em dados de linha de montagem em tempo real provenientes do Stream Analytics.

HDInsight

O HDInsight executa scripts do Hive para fornecer agregações sobre os eventos não processados que foram arquivados pelo Stream Analytics.

Base de Dados SQL

A Base de Dados SQL armazena os resultados da predição recebidos do Machine Learning e publica os dados no Power BI.

Gestor de Dados

O Data Factory trata da orquestração, agendamento e monitorização do pipeline de processamento de lotes.

Power BI

O Power BI visualiza dados de linha de montagem em tempo real provenientes do Stream Analytics e as falhas previstas e os alertas do Data Warehouse.

Arquiteturas de soluções relacionadas

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)

Informações preditivas com telemática de veículos

Saiba como os concessionários de automóveis, os fabricantes e as companhias de seguros podem utilizar o Microsoft Azure para obter informações preditivas sobre o estado de funcionamento dos veículos e os hábitos de condução.

Obter mais informações