Lösningsarkitektur: Övervakning av flygplansmotorer för förutsägande underhåll

Flygresor har blivit en naturlig del av det moderna samhället. Tillverkningskostnaden för flygplansmotorer är dock fortsatt mycket höga. Även drift och löpande underhåll kostar pengar eftersom det ofta kräver specialutbildad personal. Om inte tekniken fungerar kan produktionsbortfallet leda till minskad eller utebliven vinst. Dessutom utgörs cirka 10 % av totalkostnaden för driften av bränslekostnader. Effektivitet är därför oerhört viktigt i de här sammanhangen.

Moderna flygplansmotorer är utrustade med sofistikerade sensorer som kontrollerar hur väl tekniken fungerar. Om man kombinerar sensordata med avancerade analyser blir det möjligt att både övervaka flygplanet i realtid och att förutsäga komponenternas livslängd. Därmed kan man schemalägga underhåll i god tid och undvika motorfel.

Övervakningssystemet gör det möjligt att förutsäga motorkomponenternas hälsostatus och återstående livslängd. I systemet ingår datapåfyllning, datalagring, databehandling och avancerade analyser – allt som behövs för att bygga en heltäckande lösning baserad på förutsägande underhåll. Även om det här exemplet är anpassat till övervakning av en flygplansmotor kan lösningen göras mer allmängiltig och även användas till andra scenarion med förutsägande underhåll.

Det här är en lösning som minskar antalet driftstopp och maximerar driftskapaciteten – kort sagt, ett system som hjälper dig att hålla flygplanen i luften och tjäna så mycket pengar som möjligt.

Distribuera till Azure

Använd följande färdiga mall för att distribuera den här arkitekturen till Azure

Distribuera till Azure

Visa distribuerad lösning

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)

Implementeringsanvisningar

Produkter/beskrivning Dokumentation

Stream Analytics

Stream Analytics tillhandahåller analyser i nära nog realtid utifrån indataströmmen från Azure Event Hubs. Alla indata filtreras och skickas till en Machine Learning-slutpunkt innan de visas på Power BI-instrumentpanelen.

Event Hubs

Event Hubs matar in rådata och skickar dem vidare till Stream Analytics.

Machine Learning Studio

Med Machine Learning kan du förutsäga potentiella fel utifrån realtidsdata från Stream Analytics.

HDInsight

I HDInsight körs Hive-skript för att kunna tillhandahålla sammansställningar av råhändelser som arkiverats av Stream Analytics.

SQL Database

SQL Database lagrar de förutsagda resultaten som tagits emot från Machine Learning och skickar data till Power BI.

Data Factory

Data Factory hanterar orkestrering, schemaläggning och övervakning av din pipeline för batchbearbetning.

Power BI

Med Power BI kan du visualisera realtidsdata från Stream Analytics tillsammans med förutsägelser om fel och aviseringar från informationslagret.

Närliggande lösningsarkitekturer