Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos

TCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação.No setor de transporte aéreo, a manutenção preditiva de sistemas é um importante campo de estudo para reduzir os custos operacionais causados por eventos não programados e aumentar a disponibilidade das aeronaves. Estes fatores motivam pesquisas relacionadas ao monitoramento da condição para promover diagnósticos e prognósticos de falhas. Neste contexto, este trabalho propõe um método para promover prognóstico de falhas em componentes aeronáuticos por meio da abordagem orientada a dados. Para tanto, foram utilizadas técnicas de mineração de dados e aprendizado de máquina em um conjunto de dados históricos referentes ao sistema de indicação de motores e alerta de tripulação, mensagens de manutenção, dados de sensores e reportes de remoções de componentes. Os conjuntos de dados foram obtidos por meio de parâmetros registrados pelo sistema de bordo da aeronave. O trabalho descreve o desenvolvimento de um sistema computacional, cuja finalidade é avaliar o potencial de modelos de aprendizado de máquina na estimativa de vida útil remanescente de componentes do sistema pneumático. A contribuição deste trabalho consiste na comparação de diferentes casos orientados a dados. O modelo de Gradient Boosting foi capaz de avaliar a condição de degradação de um modo de falha com uma taxa de acerto média de 64,65% com desvio padrão de 5,89%. Os resultados experimentais obtidos demonstram que o método proposto possui potencial na previsão da vida útil remanescente dos componentes do sistema pneumático, mais especificamente, do subsistema de controle ambiental. A principal observação do estudo foi que a implementação de prognóstico de falhas combinando recursos de mensagens do sistema de bordo e dados de sensores apresentou a melhor probabilidade de detecção de falha e menor taxa de falso alarme entre as situações avaliadas. Por fim, destaca-se que o método pode ser estendido a outros sistemas de aeronaves, desde que os dados de voo e os registros de manutenção sejam disponibilizadosIn the air transport sector, predictive systems maintenance is an important field of study to decrease the operational costs caused by unforeseen events and increase aircraft availability. These factors motivate studies on condition monitoring in order to promote failure diagnosis and prognosis. In this context, this work proposes a method to promote failure prediction in aeronautical components through a data-oriented approach. For this purpose, data mining and machine learning techniques were used on a set of historical data referring to the engine indicating and crew alerting system, maintenance messages, sensor data and component removal reports. The data set was obtained using parameters recorded by the aircraft’s on-board system. The work describes the development of a computational system, which purpose is to evaluate the potential of machine learning models in estimating the remaining functional lifespan of pneumatic system components. The contribution of this work consists in the comparison of different data-oriented cases. The Gradient Boosting model was able to assess the degradation condition of a failure mode with an average success rate of 64.65% and a standard deviation of 5.89%. The obtained experimental results show that the proposed method indeed has the potential to predict the remaining useful lifespan of the pneumatic system components, more specifically, of the environmental control subsystem. The main observation of the study was that the implementation of failure prognosis combining on-board messaging resources and sensor data showed the best probability of failure detection and the lowest false positive rate among the evaluated situations. Finally, it should be noted that the method can be extended to other aircraft systems, as long as flight data and maintenance records are available