Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning

Detalhes bibliográficos
Autor(a) principal: Ferreira, Pedro Filipe Soares
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/88031
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_61e7a0e8485d8c3e1bbdbdf28436059b
oai_identifier_str oai:estudogeral.uc.pt:10316/88031
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Deep Reinforcement Learning for Condition Based Monitoring in Aircraft PlanningDeep Reinforcement Learning for Condition Based Monitoring in Aircraft Planningcalendarização de tarefasmanutenção de aeronavescondition-based maintenanceQ-learningreinforcement learningaircraft maintenancecondition-based maintenanceQ-learningreinforcement learningtask schedulingDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaAtualmente, as manutenções na aviação são maioritariamente pré-programadas ou reactivas. Estas técnicas podem levar a manutenção excessiva, mais tempo e recursos gastos, menor disponibilidade de aeronaves e despesas altas. Real-time Condition-based Maintenance for Adaptive Aircraft Maintenance Planning (ReMAP) pretende solucionar este problema, para isso introduzindo uma proposta que procura, fazendo uso de sensores e algoritmos de última geração, aplicar condition-based maintenance (CBM) em aeronaves comerciais, possibilitando a integração da monitorização em tempo real dos sistemas de aeronaves com um agente reinforcement learning (RL) de tomada de decisões, capaz de formular um plano de manutenções ótimo. A proposta integra várias work packages (WPs), cada uma delas com um papel diferente no projeto: desde a extração de dados dos sistemas das aeronaves à definição de um plano de manutenção para uma frota inteira. Este estágio foi embutido na WP responsável pelo desenvolvimento da MDST, encarregue de planear e atribuir tarefas de manutenção para uma frota de aviões. A versão final desta ferramenta irá receber informação de cada manutenção periódica de cada aeronave juntamente com pedidos de manutenção inesperados que possam surgir dos prognósticos de saúde das aeronaves. O intuito será distribuir essas tarefas por um prazo pré-definido de maneira a criar um calendário de manutenções praticável. Todavia, inicialmente, como prova de conceito, a MDST irá criar um planeamento que apenas inclua manutenções periódicas. Portanto, o objetivo do estágio foi usar RL de maneira a calendarizar trabalhos de manutenção de uma frota com 51 aviões para o prazo de 6 anos. Os nossos resultados demonstram que o algoritmo de RL converge rapidamente e tem um melhor desempenho do que uma solução gananciosa.Currently, maintenance in aviation is mostly pre-scheduled or done reactively. These techniques may prompt to over-maintenance, more time and resources spent, less aircraft availability and high expenses. Real-time Condition-based Maintenance for Adaptive Aircraft Maintenance Planning (ReMAP) intends to solve this issue by introducing a proposal that seeks, by using sensors and state-of-the-art algorithms, to apply condition-based maintenance (CBM) in commercial aircraft, allowing real-time health monitoring of the aircraft’s systems to be integrated with a decision making reinforcement learning (RL) agent to formulate an optimal maintenance scheduling plan. The proposal integrates different work packages (WPs), each of them with a different role in the project: from collecting data from the aircraft’s systems to defining a maintenance plan for a whole fleet. This internship was embedded in the WP responsible for the development of the maintenance decision support tool (MDST), in charge of planning and assigning maintenance tasks for a fleet of aircraft. The final version of the tool is envisioned to receive information about each aircraft’s periodical maintenance checks plus any unexpected maintenance needs that might arise from the aircraft’s health prognostics. These maintenance tasks will be assigned to time-frames in order to create a feasible maintenance schedule. Nevertheless, as an introductory concept proof, the MDST must organize a maintenance schedule for periodic tasks, only. Accordingly, the internship’s goal was to use RL to assign periodical maintenance checks for a fleet of 51 aircraft over 6 years. Our results show that the RL algorithm converges quickly and performs significantly better than a greedy solution.2019-09-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/88031http://hdl.handle.net/10316/88031TID:202307263engmetadata only accessinfo:eu-repo/semantics/openAccessFerreira, Pedro Filipe Soaresreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2021-06-08T11:18:16Zoai:estudogeral.uc.pt:10316/88031Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:08:49.853312Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning
Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning
title Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning
spellingShingle Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning
Ferreira, Pedro Filipe Soares
calendarização de tarefas
manutenção de aeronaves
condition-based maintenance
Q-learning
reinforcement learning
aircraft maintenance
condition-based maintenance
Q-learning
reinforcement learning
task scheduling
title_short Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning
title_full Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning
title_fullStr Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning
title_full_unstemmed Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning
title_sort Deep Reinforcement Learning for Condition Based Monitoring in Aircraft Planning
author Ferreira, Pedro Filipe Soares
author_facet Ferreira, Pedro Filipe Soares
author_role author
dc.contributor.author.fl_str_mv Ferreira, Pedro Filipe Soares
dc.subject.por.fl_str_mv calendarização de tarefas
manutenção de aeronaves
condition-based maintenance
Q-learning
reinforcement learning
aircraft maintenance
condition-based maintenance
Q-learning
reinforcement learning
task scheduling
topic calendarização de tarefas
manutenção de aeronaves
condition-based maintenance
Q-learning
reinforcement learning
aircraft maintenance
condition-based maintenance
Q-learning
reinforcement learning
task scheduling
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2019
dc.date.none.fl_str_mv 2019-09-12
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/88031
http://hdl.handle.net/10316/88031
TID:202307263
url http://hdl.handle.net/10316/88031
identifier_str_mv TID:202307263
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv metadata only access
info:eu-repo/semantics/openAccess
rights_invalid_str_mv metadata only access
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133981502865408

Registros relacionados