Verbesserung der prädiktiven Instandhaltung für Flugzeugtriebwerke durch Überlebenszeitanalyse

Einführung

Warum sollte man Überlebenszeitanalyse für prädiktive Instandhaltung verwenden?

Die Überlebenszeitanalyse hat ihren Ursprung im Gesundheitswesen, um die Überlebenszeiten von Patienten zu schätzen, aber sie kann auf jeden Bereich angewendet werden, in dem man die "Zeit-bis-zum-Ereignis" vorhersagen muss. In der Luftfahrt könnte "Zeit-bis-zum-Ereignis" sich auf die Vorhersage der Zeit bis zum Ausfall eines Motors oder bis zum nächsten erforderlichen Wartungsintervall beziehen. Die Verwendung der Überlebenszeitanalyse für prädiktive Wartung bietet mehrere Vorteile:

Grundlagen der Überlebenszeitanalyse: Der Kaplan-Meier-Schätzer

Der Kaplan-Meier-Schätzer ist eines der am häufigsten verwendeten Instrumente in der Überlebensanalyse. Er berechnet die Wahrscheinlichkeit des Überlebens über einen bestimmten Zeitpunkt hinaus und berücksichtigt zensierte Daten (Fälle, in denen ein Ereignis, wie ein Ausfall, noch nicht eingetreten ist). Dies ist ideal für MRO-Teams, da sie die Überlebenswahrscheinlichkeiten für weiterhin im Einsatz befindliche Motoren abschätzen und zukünftige Wartungsbedürfnisse prognostizieren können.

Lassen Sie uns in den Code eintauchen!

Schritt 1: Einrichten Ihrer Umgebung

Zuerst stellen Sie sicher, dass Sie die notwendigen Python-Pakete installiert haben. Sie benötigen die Bibliotheken pandas und lifelines.

pip install pandas lifelines

‍

Schritt 2: Berechnung der Überlebenswahrscheinlichkeiten mit dem Kaplan-Meier-Schätzer

Wir können nun den Kaplan-Meier-Schätzer aus der lifelines-Bibliothek verwenden, um die Überlebenswahrscheinlichkeiten der Motoren zu analysieren. Dieser Schätzer wird helfen, die Wahrscheinlichkeit vorherzusagen, dass ein Motor über bestimmte Stunden hinaus weiterarbeitet.

‍

from lifelines import KaplanMeierFitter import matplotlib.pyplot as plt
# Instanziieren des KaplanMeierFitter-Modells
kmf = KaplanMeierFitter()

# Anpassen des Modells mit den Daten
kmf.fit(durations=engine_df['Operating_Hours'], event_observed=engine_df['Event'])
# Überlebensfunktion plotten plt.figure(figsize=(10, 6)) kmf.plot_survival_function() plt.title("Kaplan-Meier Überlebensschätzung für die Lebensdauer des Motors") plt.xlabel("Betriebsstunden") plt.ylabel("Überlebenswahrscheinlichkeit") plt.grid() plt.show()

Die Überlebensfunktion gibt uns eine klare Vorstellung davon, wie die Überlebenswahrscheinlichkeit mit zunehmenden Betriebsstunden abnimmt. Jeder Abfall in der Kurve stellt einen beobachteten Ausfall dar, während die gleichbleibenden Abschnitte Zeiträume ohne Ausfallereignisse repräsentieren.

Schritt 3: Interpretation der Kaplan-Meier-Ergebnisse

Die Kaplan-Meier-Kurve zeigt die Wahrscheinlichkeit, dass ein Motor bestimmte Betriebsstunden überlebt. Wenn die Kurve beispielsweise eine Überlebenswahrscheinlichkeit von 0,8 bei 3.000 Stunden anzeigt, bedeutet dies, dass eine 80%ige Chance besteht, dass ein Motor über 3.000 Stunden hinaus weiterläuft. Diese Erkenntnisse ermöglichen es Wartungsteams, Instandhaltungen zu planen, bevor kritische Ausfallpunkte erreicht werden.

Schritt 4: Schätzung der durchschnittlichen Überlebenszeit für prädiktive Instandhaltung

Die durchschnittliche Überlebenszeit liefert eine Schätzung dafür, wann die meisten Motoren gewartet werden müssen oder ausfallen könnten. Dies kann als Richtlinie für die Festlegung von Wartungsintervallen dienen.

# Ermittle die durchschnittliche Überlebenszeit (erwartete Lebensdauer) mean_survival_time = kmf.median_survival_time_
print(f"Geschätzte mediane Überlebenszeit: {mean_survival_time} Stunden")

Dieses Ergebnis gibt uns die geschätzte Anzahl an Betriebsstunden an, nach denen erwartet wird, dass 50% der Motoren eine Wartung benötigen.

Schritt 5: Fortgeschrittenes Szenario – Vergleich von Motortypen

Wenn Ihr Datensatz mehrere Motortypen enthält, können Sie Überlebenskurven über diese Gruppen hinweg vergleichen. Zum Beispiel können wir eine Spalte für Motor_Typ hinzufügen und die Überlebensschätzungen für verschiedene Typen vergleichen.

# Aktualisieren des Datensatzes mit Motortypen für den Vergleich engine_df['Engine_Type'] = ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'B']
# Kaplan-Meier-Modell instanziieren
kmf_a = KaplanMeierFitter()
kmf_b = KaplanMeierFitter()

# Überlebensfunktion für Motortyp A anpassen und plotten plt.figure(figsize=(10, 6)) kmf_a.fit(engine_df[engine_df['Engine_Type'] == 'A']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'A']['Event'], label='Motortyp A') kmf_a.plot_survival_function() # Überlebensfunktion für Motortyp B anpassen und plotten kmf_b.fit(engine_df[engine_df['Engine_Type'] == 'B']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'B']['Event'], label='Motortyp B') kmf_b.plot_survival_function() plt.title("Kaplan-Meier Überlebensschätzung nach Motortyp") plt.xlabel("Betriebsstunden") plt.ylabel("Überlebenswahrscheinlichkeit") plt.legend() plt.grid() plt.show()

Der Vergleich von Überlebenskurven verschiedener Motortypen zeigt, ob ein Typ generell länger hält als ein anderer, was MRO-Teams bei der Beschaffung hilft, Ressourcen zu priorisieren oder Wartungsintervalle anhand der Motoreigenschaften anzupassen.

Schritt 6: Einsatz der Überlebensanalyse zur Erstellung von Wartungsempfehlungen

Mithilfe der Überlebenszeitanalyse können wir Wartungsintervalle auf Basis von Überlebenswahrscheinlichkeiten anstatt fester Zeitpläne festlegen. Wenn beispielsweise die Überlebenswahrscheinlichkeit nach 4.000 Stunden signifikant sinkt, könnte die Wartung zu diesem Zeitpunkt geplant werden, um das Ausfallrisiko zu minimieren.

# Berechne die Überlebenswahrscheinlichkeit zu einem spezifischen Zeitpunkt time_point = 4000 survival_prob_at_time_point = kmf.predict(time_point)
print(f"Überlebenswahrscheinlichkeit bei {time_point} Betriebsstunden: {survival_prob_at_time_point:.2f}")

Dieses Ergebnis gibt eine Überlebenswahrscheinlichkeit zu einem bestimmten Zeitpunkt an, die Ihnen hilft, kritische Wartungspunkte zu identifizieren. Wenn die Wahrscheinlichkeit gering ist, sollte die Wartung idealerweise vor diesem Schwellenwert erfolgen.

Fazit

Die Überlebenszeitanalyse bietet Instandhaltungsteams mächtige Einblicke für eine proaktive, datengesteuerte Wartungsplanung. Indem wir die verbleibende Nutzungsdauer von Motoren schätzen, können wir unerwartete Ausfälle vermeiden und den Zeitpunkt von Wartungsaufgaben optimieren. Obwohl wir hier den Kaplan-Meier-Schätzer gezeigt haben, umfasst die Überlebenszeitanalyse fortgeschrittenere Techniken (wie Cox-Proportional-Hazard-Modelle) für komplexe prädiktive Instandhaltungsszenarien.

Wichtigste Erkenntnisse:

Prädiktive Instandhaltung ist ein Game-Changer in der Luftfahrt, der es Fluggesellschaften und MRO-Teams ermöglicht, Effizienz und Zuverlässigkeit zu verbessern. Bei ePlaneAI sind wir darauf spezialisiert, fortschrittliche ML-Modelle wie die Überlebensanalyse zu nutzen, um MRO-Operationen zu transformieren und Ihre Flugzeuge in der Luft zu halten.

‍