本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。
飞机预测性维护
发布日期:2021 年 3 月 10 日 (图表历史)
计划外维护导致的航班延误和取消使航空公司每年每架飞机损失12万至30万美元。对于拥有500架飞机的航空公司来说,这可能意味着每年6000万至1.5亿美元。
实施使用飞机日志、传感器和维护数据的预测性维护解决方案可以将成本降低多达 25%。
该架构使用亚马逊 SageMaker AI 将飞机故障数据与维护历史相关联。经过训练的模型在组件故障导致延迟之前对其进行预测。
飞机预测性维护图
以下步骤描述了架构:
-
飞机通信寻址和报告系统 (ACARS) 实时收集故障日志和飞行员报告。
-
快速访问记录器 (QAR) AWS 根据飞机的能力收集和上传数据。频率因安装的连接包而异。
-
维护和工程系统定期提供维护日志、零件移除和零件维修历史记录。
-
飞行操作系统提供计划和实际飞行信息。这会将延迟和取消与组件故障相关联。
-
使用前,必须从 QAR 数据中删除识别信息。
-
SageMaker AI 训练模型将延迟和取消与故障日志、维护日志、部件移除和 QAR 数据相关联。功能工程确定了最重要和最可预测的章节和组件。
-
定期调整模型以改善预测并减少误报。
延伸阅读
有关更多信息,请参阅以下资源:
图表历史
要接收有关此参考架构图的更新,请订阅 RSS 提要。
| 变更 | 说明 | 日期 |
|---|---|---|
初次发布 | 参考架构图首次发布。 | 2021 年 3 月 10 日 |
RSS 订阅要求
要订阅 RSS 更新,必须为正在使用的浏览器启用 RSS 插件。