Predictief onderhoud van vliegtuigmotoren verbeteren met behulp van overlevingsanalyse

Inleiding

Waarom overlevingsanalyse gebruiken voor voorspellend onderhoud?

Overlevingsanalyse vindt zijn oorsprong in de gezondheidszorg voor het schatten van de overlevingstijd van patiënten, maar het kan toegepast worden in elke sector waar je de "tijd-tot-gebeurtenis" moet voorspellen. In de luchtvaart kan "tijd-tot-gebeurtenis" verwijzen naar het voorspellen van de tijd tot een motorstoring of het volgende noodzakelijke onderhoudsinterval. Het gebruik van overlevingsanalyse voor voorspellend onderhoud biedt verschillende voordelen:

Basisprincipes van overlevingsanalyse: De Kaplan-Meier-schatter

De Kaplan-Meier schatter is een van de meest gebruikte instrumenten in overlevingsanalyse. Het berekent de overlevingskans na een bepaald tijdstip, rekening houdend met gecensureerde gegevens (gevallen waarin een gebeurtenis, zoals uitval, nog niet heeft plaatsgevonden). Dit is ideaal voor MRO-teams, aangezien zij de overlevingskansen voor motoren die nog in gebruik zijn kunnen schatten en toekomstige onderhoudsbehoeften kunnen projecteren.

Laten we in de code duiken!

Stap 1: Het voorbereiden van je omgeving

Zorg eerst dat je de benodigde Python-pakketten hebt geïnstalleerd. Je hebt de pandas en lifelines bibliotheken nodig.

pip install pandas lifelines

‍

Stap 2: Overlevingskansen berekenen met de Kaplan-Meier Schatter

We kunnen nu de Kaplan-Meier schatter uit de lifelines bibliotheek gebruiken om de overlevingskansen van de motoren te analyseren. Deze schatter zal helpen voorspellen hoe waarschijnlijk het is dat een motor blijft werken na een bepaald aantal uren.

‍

from lifelines import KaplanMeierFitter import matplotlib.pyplot as plt
# Instantieer het KaplanMeierFitter model
kmf = KaplanMeierFitter()

# Pas het model toe met de gegevens
kmf.fit(durations=engine_df['Operating_Hours'], event_observed=engine_df['Event'])
# Plot de overlevingsfunctie plt.figure(figsize=(10, 6)) kmf.plot_survival_function() plt.title("Kaplan-Meier Overlevingsschatting voor Motorlevensduur") plt.xlabel("Bedrijfsuren") plt.ylabel("Overlevingskans") plt.grid() plt.show()

De overlevingsfunctieplot geeft ons een duidelijk beeld van hoe de overlevingskans afneemt naarmate de bedrijfsuren toenemen. Elke daling in de curve vertegenwoordigt een waargenomen storing, terwijl de stabiele segmenten periodes zonder storingen weergeven.

Stap 3: De Kaplan-Meier-resultaten interpreteren

De Kaplan-Meier-curve geeft de waarschijnlijkheid aan dat een motor bepaalde bedrijfsuren overleeft. Als de curve bijvoorbeeld een overlevingskans van 0,8 laat zien bij 3.000 uur, betekent dit dat er een kans van 80% is dat een motor langer dan 3.000 uur blijft draaien. Deze inzichten stellen MRO-teams in staat onderhoud in te plannen voordat kritieke faalpunten worden bereikt.

Stap 4: Het schatten van de gemiddelde overlevingstijd voor voorspellend onderhoud

De gemiddelde overlevingstijd geeft een schatting van wanneer de meeste motoren onderhoud nodig zullen hebben of kunnen falen. Dit kan helpen bij het bepalen van de onderhoudsintervallen.

# Bepaal de gemiddelde overlevingstijd (verwachte levensduur) mean_survival_time = kmf.median_survival_time_
print(f"Geschatte mediane overlevingstijd: {mean_survival_time} uur")

Dit resultaat geeft ons een schatting van het aantal bedrijfsuren waarna verwacht wordt dat 50% van de motoren onderhoud nodig zal hebben.

Stap 5: Geavanceerd Scenario – Motortypen Vergelijken

Als uw dataset meerdere motortypen bevat, kunt u overlevingscurven vergelijken tussen deze groepen. Bijvoorbeeld, we kunnen een kolom voor Motor_Type toevoegen en de overlevingsschattingen voor verschillende typen vergelijken.

# Werk dataset bij met motortypes voor vergelijkingsengine engine_df['Engine_Type'] = ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'B']
# Instantieer Kaplan-Meier model
kmf_a = KaplanMeierFitter()
kmf_b = KaplanMeierFitter()

# Pas toe en plot overlevingsfunctie voor Motortype A 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='Motortype A') kmf_a.plot_survival_function() # Pas toe en plot overlevingsfunctie voor Motortype B kmf_b.fit(engine_df[engine_df['Engine_Type'] == 'B']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'B']['Event'], label='Motortype B') kmf_b.plot_survival_function() plt.title("Kaplan-Meier Overlevingsschatting per Motortype") plt.xlabel("Bedrijfsuren") plt.ylabel("Overlevingskans") plt.legend() plt.grid() plt.show()

Het vergelijken van overlevingscurven tussen motortypes onthult of een type over het algemeen langer meegaat dan een ander, wat MRO-teams helpt bij het nemen van beslissingen over aankoop, het prioriteren van middelen of het aanpassen van onderhoudsintervallen op basis van de kenmerken van de motor.

Stap 6: Het gebruik van overlevingsanalyse om onderhoudsaanbevelingen te doen

Met behulp van overlevingsanalyse kunnen we onderhoudsintervallen instellen op basis van overlevingskansen in plaats van vaste schema's. Bijvoorbeeld, als de overlevingskans aanzienlijk daalt na 4.000 uur, kan het onderhoud rond die tijd worden gepland om het risico op uitval te minimaliseren.

# Bereken de overlevingskans op een specifiek tijdstip time_point = 4000 survival_prob_at_time_point = kmf.predict(time_point)
print(f"Overlevingskans bij {time_point} bedrijfsuren: {survival_prob_at_time_point:.2f}")

Dit resultaat geeft een overlevingskans op het gespecificeerde tijdstip, wat helpt bij het identificeren van kritieke onderhoudsmomenten. Als de kans laag is, zou het onderhoud idealiter moeten plaatsvinden voordat deze drempel wordt bereikt.

Conclusie

Overlevingsanalyse biedt MRO-teams krachtige inzichten voor proactieve, op data gebaseerde onderhoudsplanning. Door de resterende nuttige levensduur van motoren te schatten, kunnen we onverwachte storingen vermijden en het tijdstip van onderhoudstaken optimaliseren. Hoewel we hier de Kaplan-Meier schatter hebben getoond, omvat overlevingsanalyse geavanceerdere technieken (zoals Cox proportionele gevarenmodellen) voor complexe voorspellende onderhoudsscenario's.

Belangrijkste punten:

Predictief onderhoud is een game-changer in de luchtvaart, waardoor luchtvaartmaatschappijen en MRO-teams efficiëntie en betrouwbaarheid kunnen verbeteren. Bij ePlaneAI zijn we gespecialiseerd in het benutten van geavanceerde ML-modellen zoals overlevingsanalyse om MRO-operaties te transformeren en uw vliegtuig in de lucht te houden.

‍