Flygbolag

Den här lösningen baseras på ett förutsägbart underhållssystem från verkligheten för ett stort flygbolag. Data kommer från många olika källor, som IoT-dataströmmar från flygplansmotorer, flygplaner, väderinformation och loggar. Lösningen använder Azure HDInsight för utformning av funktioner, Azure Machine Learning för att identifiera driftsmässiga avvikelser och Azure SQL DW för att möjliggöra frågor av hög kvalitet för kvarstående datapetabyte. Rapporten visar även användningen av anpassade visualiseringar som utformats för flygbranschen.

Genomför underhållsplanering i massiv skala

Drifttekniker på större flygbolag som ansvarar för en vagnpark med flygplan måste hela tiden väga kostnad och störningar i ad hoc-underhåll mot riskerna och ännu högre kostnader vid tekniska fel.

Rapporten i den här lösningen tillhandahåller en översikt över vagnparkens status samt en sammanfattning av förutsägelser på kort sikt för vagnparkens tekniska hälsa. Förutsägelserna baseras på flera Machine Learning-modeller och använder flygplanets Quick Access Recorder (som liknar färdskrivare, ”Black Box”), tillsammans med andra datakällor. Rapporten visar ett detaljerat resultat från en av de bidragande machine learning-modellerna som förutsäger återstående användbar tid för viktiga motorkomponenter.

Rapporten är visuellt utförlig och ger en översikt över flygplanerna och platserna för att bestämma var ett flygplan ska få service och vilka andra flygplan som har bäst läge för att ersätta det. Rapporten innehåller också ett anpassat Sankey-diagram för att rationalisera vagnparkens olika KPI-vikter baserat på typ av flygplansskrov, och en hänförande termisk 3D-karta formad som en jetmotor. Bilderna ger insikter på et sätt som är intuitivt för dem som arbetar i flygbranschen.

Behöver din organisation en anpassad BI-lösning?

Besök partnerlösningsdemonstrationen och se hur de löser problem och förbättrar effektiviteten med Power BI.